简易构建适合风控系统的ip库
干货
观点
案例
资讯
我们
ip作为识别和定位用户的手段来说，对互联网企业起着至关重要的作用，特别是在精准营销、反欺诈等业务方面。本文描述如何简单的去构建自己的ip地址库。
拿来主义
实际上，对大部分用户来说，如果要求不高，完全可以拿现成的资源来使用：
老外的数据有maxmind，不过对国内有些水土不服
BAT级别的公司有开放api支持，但不提供离线库
国内也有第三方的优秀提供商，比如ipip.net。他们提供免费的离线库，以及收费的服务。是国内比较专业的ip信息服务商，也有一篇高质量的ip库构建文章讲述了来龙去脉。普通使用，推荐直接使用该库
吃饱了撑着
但对我们这样的风控公司来说，现成的资源有以下不足：
需要离线的数据库。我们的产品是提供私有化的大数据风控平台，由于涉及的信息比较敏感，需要隔绝外网来保证数据隐私性和安全性，api的方式不合适
需要定期更新的数据库。ip地址经常变化，需要精准度高、更新频繁的来源，评测下来，现存的第三方提供商还是存在数据覆盖率和准确性方面的不足
需要规范化的数据。我们需要手机、身份证、ip等多个维度的归属地，但数据来源多样，比如：在很多场合，这种数据不一致没关系，但我们的风控引擎会拿来作比较计算，这种不一致会导致大量的计算偏差，引起误报
有的显示“南京”， 有的显示“南京市”
有的显示县级市，有的显示地级市
有些城市改过名称，有的显示老名称，有的显示新名称
有的精确到市，有的精确到区
...
有一些优秀的数据源提供精确到区的数据，但我们不需要采用。ip分配多变，而且运营商分配顶多到市一级，所以区县级的数据准确度会有很大挑战，影响风控使用，建议是先弃掉
对于非主动获取的第三方数据，习惯上不信任，需要去进行评估和重新验证，贸然使用会有不良后果
所以，我们做了一些工作，来构建自己的ip库，方便我们的风控系统使用。本文余下部分会描述我们的大概思路（具体实现会采用简要方法来说明）。
ip库原始数据获取
作为一个非专业公司，不可能像 ipip.net 那样花很大的力气去撒点做网络探测和分析，最省事的就是爬取网上的资源。这里举一个简单例子，拿局域网内最大的搜索引擎公司作为数据来源。
写一个一行的爬虫：
seq 0 256 4294967296 | awk '{print rshift(and($1, 0xFF000000), 24) "." rshift(and($1, 0x00FF0000), 16) "." rshift(and($1, 0x0000FF00), 8) "." and($1, 0x0)}' | xargs -n 1 -P 100 -I {} curl -s "https://sp0.baidu.com/8aQDcjqpAAV3otqbppnN2DJv/api.php?query={}&co=&resource_id=6006&t=1476339401938&ie=utf8&oe=gbk&cb=op_aladdin_callback&format=json&tn=baidu&cb=jQuery110206188213690050863_1476338807087&_=1476338807111" -w "\n" | iconv -f "gbk" -t "utf-8" | awk -F \" '{print $26","$18}' > ip.result |
整条命令通过shell管道来实现，分别包括：
生成ip c段地址列表，由seq来生成相应的数字
将数字转为ip的字符串形式，由awk来转换
利用curl向度娘发起请求
请求地址可以直接在度娘页面上请求后，看网络后台即可得到。这里不截图展示了
该请求比较简单，只用替换一个ip作为参数，直接xargs即可
度娘没有下限，可以暴力一些，所以通过xargs的多进程特性，开启多进程支持（这里设为100）
转一下utf8
直接把原始ip和结果输出，直接awk即可
等。这个简易爬虫效率上并不高，而且需要执行256*256*256=16777216次访问，所以需要超过1天来完成。直接扔服务器上让他慢慢跑吧
ip库构建
原始数据拿来后，需要进行整理，首先需要去掉重复信息，比如原始的数据是这样的
这些c段紧靠在一起，完全没有必要，再通过一行命令去做去重
cat ip.result | sed -e 's/,/./' | sort -n -t . -k 1,1 -k 2,2 -k 3,3 -k 4,4 | awk -F . '{print $1"."$2"."$3"."$4","$5}' | awk -F , 'last!=$2{last=$2;print}'
说明：
首先按照ip进行排序，由于之前有多进程并发操作，结果数据会有乱序情况出现，不利于去重
利用awk，只输出归属地相同的邻近行的第一行
最终得到的结果中，任意相邻的两行地址都不一样
这里涉及到我们去建地址库的初衷，由于有的数据来源地理位置不统一，比如有的显示市，有的显示区，有的县级市地级市傻傻分不清楚。所以需要对所有归属地进行规范化处理。
整个过程略复杂，我们通过算法去自动生成和校正如下的映射表，然后再利用规范化算法得到统一的地址。整个过程略复杂，而且映射表数据需要不停的自动化构建来校准，就不展示更多的细节。
山东:
名称: 山东省
城市:
济南:
名称: 济南市
章丘:
名称: 济南市
青岛:
名称: 青岛市
即墨:
名称: 青岛市
平度:
名称: 青岛市
胶南:
名称: 青岛市
莱西:
名称: 青岛市
淄博:
名称: 淄博市
枣庄:
名称: 枣庄市
滕州:
名称: 枣庄市
东营:
名称: 东营市
烟台:
名称: 烟台市
龙口:
名称: 烟台市
莱阳:
名称: 烟台市
莱州:
名称: 烟台市
蓬莱:
名称: 烟台市
得到最终数据后，需要做最后打包。
一种最简单的方式是直接将上述数据作为最终数据，然后使用的时候读入，塞进一个 treemap 即可。但这种方式效率比较低，生成的包也比较大，从而影响到使用地理库的应用。
我们采用了另一种方法，逆向了ipip.net的数据格式，用该格式打出自己的数据包，这里有几个好处：
该数据格式比较精简，能大大减少最终胜出的数据包大小
由于用户比较多，网上有多语言的客户端，方便借鉴（不过实际使用还需要自己重新优化，网上和官方的库效率还是较低；要用的话也尽量用官方的库，有些网友的库不正确）
由于我们会共享数据给一些关系好的客户，所以采用标准的格式，他们只要替换数据文件即可
生产级别的ip库构建
上文描述了构建的大概过程，但核心的部分由于篇幅限制采用了简易方法进行说明，如果要做生产级别的还需要注意一下方面:
更好的原始数据获取
百度的数据来源并不是最好的
需要更健壮复杂的爬虫系统，简单的bash脚本还是有玩具性质，进拿来做展示用
大部分时间只关心国内数据，可以利用现有的asn数据来识别国家，减少数据爬取的规模。网上也有国内ip段的划分
c段地址有点粗，不太准确，而且爬取效率低，需要更聪明的爬取策略
持续的数据获取，以及自动化的校准库和ip库构建。由于ip数据变化频率高，只有不停更新才能保证更好的精度
统一ip、手机、身份证、wifi地址等数据做统一的地理信息库。单个维度的信息往往只能用来做展示，如果有强计算需求的话需要做统一的数据库
你会感兴趣的内容：
为什么 UserAgent 中出现「 iPhone；U; 」的订单都是高危的？