Python3 DHT 網(wǎng)絡(luò)磁力種子采集器

😎 嚴(yán)肅的理論

磁力鏈接

現(xiàn)在我們使用迅雷等工具下載資源的時(shí)候，基本上都只需要一個(gè)叫做磁力鏈接的東西就可以了，非常方便。

磁力定義

磁力鏈接是對等網(wǎng)絡(luò)中進(jìn)行信息檢索和下載文檔的電腦程序。和基于“位置”連接的統(tǒng)一資源定位符不同，磁力鏈接是基于元數(shù)據(jù)文件內(nèi)容，屬于統(tǒng)一資源名稱。也就是說，磁力鏈接不基于文檔的 IP 地址或定位符，而是在分布式數(shù)據(jù)庫中，通過散列函數(shù)值來識別、搜索來下載文檔。因?yàn)椴灰蕾囈粋€(gè)處于啟動狀態(tài)的主機(jī)來下載文檔，所以特別適用沒有中心服務(wù)器的對等網(wǎng)絡(luò)。

磁力鏈接格式類似于 magnet:?xt=urn:btih:E7FC73D9E20697C6C440203F5884EF52F9E4BD28

分解一下這個(gè)鏈接

magnet：協(xié)議名。

xt：exact topic 的縮寫，表示資源定位點(diǎn)。BTIH(BitTorrent Info Hash)表示哈希方法名，這里還可以使用 SHA1 和 MD5。這個(gè)值是文件的標(biāo)識符，是不可缺少的。

一般來講，一個(gè)磁力鏈接只需要上面兩個(gè)參數(shù)即可找到唯一對應(yīng)的資源。也有其他的可選參數(shù)提供更加詳細(xì)的信息。

dn：display name 的縮寫，表示向用戶顯示的文件名。

tr：tracker 的縮寫，表示 tracker 服務(wù)器的地址。

kt: 關(guān)鍵字，更籠統(tǒng)的搜索，指定搜索關(guān)鍵字而不是特定文件。

mt：文件列表，鏈接到一個(gè)包含磁力鏈接的元文件 (MAGMA - MAGnet MAnifest)。

這里可以閱讀阮一峰的 BT 下載的未來，我很喜歡他文章的最后一句話。

當(dāng)互聯(lián)網(wǎng)上每一臺機(jī)器都在自動交換信息的時(shí)候，謊言和封鎖又能持續(xù)多久呢？

種子/DHT

通過磁力就可以獲取種子文件從而進(jìn)行下載，這跟直接使用種子下載時(shí)一個(gè)道理的，只是少了從磁力到種子文件的一個(gè)過程而已。

種子定義

BitTorrent 協(xié)議的種子文件可以保存一組文件的元數(shù)據(jù)。這種格式的文件被 BitTorrent 協(xié)議所定義。擴(kuò)展名一般為“.torrent”。

種子結(jié)構(gòu)

.torrent 種子文件本質(zhì)上是文本文件，包含 Tracker 信息和文件信息兩部分。Tracker 信息主要是 BT 下載中需要用到的 Tracker 服務(wù)器的地址和針對 Tracker 服務(wù)器的設(shè)置，文件信息是根據(jù)對目標(biāo)文件的計(jì)算生成的，計(jì)算結(jié)果根據(jù) BitTorrent 協(xié)議內(nèi)的 Bencode 規(guī)則進(jìn)行編碼。它的主要原理是需要把提供下載的文件虛擬分成大小相等的塊，塊大小必須為2k的整數(shù)次方(由于是虛擬分塊，硬盤上并不產(chǎn)生各個(gè)塊文件)，并把每個(gè)塊的索引信息和 Hash 驗(yàn)證碼寫入種子文件中；所以，種子文件就是被下載文件的“索引”。

種子-磁力聯(lián)系

磁力鏈接的唯一標(biāo)識符就是 40 個(gè) 16 進(jìn)制字符碼，也就是 magnet:?xt=urn:btih:E7FC73D9E20697C6C440203F5884EF52F9E4BD28 中的 E7FC73D9E20697C6C440203F5884EF52F9E4BD28。這個(gè)同時(shí)也是種子文件的 info_hash，是每個(gè)種子的唯一標(biāo)識碼。根據(jù)它就能將磁力鏈接于種子聯(lián)系起來，得到資源的詳細(xì)信息，進(jìn)而下載資源。

DHT

BitTorrent 使用”分布式哈希表”(DHT)來為無 tracker 的種子(torrents)存儲 peer 之間的聯(lián)系信息。這樣每個(gè) peer 都成了 tracker。這個(gè)協(xié)議基于 Kademila 網(wǎng)絡(luò)并且在 UDP 上實(shí)現(xiàn)。DHT 由節(jié)點(diǎn)組成，它存儲了 peer 的位置。BitTorrent 客戶端包含一個(gè) DHT 節(jié)點(diǎn)，這個(gè)節(jié)點(diǎn)用來聯(lián)系 DHT 中其他節(jié)點(diǎn)，從而得到 peer 的位置，進(jìn)而通過 BitTorrent 協(xié)議下載。

peer: 一個(gè) TCP 端口上監(jiān)聽的客戶端/服務(wù)器，它實(shí)現(xiàn)了 BitTorrent 協(xié)議。

節(jié)點(diǎn): 一個(gè) UDP 端口上監(jiān)聽的客戶端/服務(wù)器，它實(shí)現(xiàn)了 DHT(分布式哈希表) 協(xié)議。

如果對 DHT 協(xié)議感興趣的話一定要看下 DHT 協(xié)議 的具體內(nèi)容，這里有 中文翻譯版本。(想要徹底讀懂項(xiàng)目的話一定要先了解該協(xié)議，代碼都是基于該協(xié)議實(shí)現(xiàn)的，我也是反復(fù)的閱讀了好幾遍。)

😉 務(wù)實(shí)的實(shí)踐

項(xiàng)目來源

一般來講到 Python 爬取，大家的第一印象可能就是 requests/aiohttp，或者是 scrapy/pyspider 等爬蟲框架。基本上都是從指定的 HTML 頁面爬取信息。我有一個(gè)項(xiàng)目 torrent-cli 就是一個(gè)從資源網(wǎng)站上爬取磁力信息的工具。

然而我

想自給自足獲取磁力種子，Google 了一番，發(fā)現(xiàn)大家基本上的代碼都是從 simDHT 這個(gè)項(xiàng)目來的，首先這個(gè)項(xiàng)目很棒，但是些問題如代碼不規(guī)范、實(shí)現(xiàn)細(xì)節(jié)基本沒有一行注釋、不兼容 Python3。然而很多網(wǎng)上同類的代碼基本上也是對這個(gè)完全照搬....

所以我知道我要開始干活了

經(jīng)過一波 happy coding 之后。

當(dāng)然最后還是給碼出來了啦

項(xiàng)目結(jié)構(gòu)

核心代碼

從 DHT 網(wǎng)絡(luò)中獲取磁力鏈接。主要是利用一些大型的服務(wù)器 tracker，冒充 DHT 節(jié)點(diǎn)，使用 UDP 協(xié)議加入到 DHT 網(wǎng)絡(luò)中搜索一波以及和其他節(jié)點(diǎn)搞好關(guān)系，讓他們也分享我點(diǎn)資源。

磁力數(shù)據(jù)存放在了 redis，利用 redis 的集合特性來去重。使用了多線程/多進(jìn)程，用于提高爬取效率。在我的本地機(jī)器(i7-7700HQ/16G 內(nèi)存/8M 網(wǎng)速)跑了一下，效果還不錯(cuò)。

運(yùn)行效果

查看 redis 磁鏈數(shù)量

$ redis-cli

127.0.0.1:6379> scard magnets

(integer) 1151256

然后代碼推送到我那臺 性能強(qiáng)悍 1 核/2G 內(nèi)存/1M 網(wǎng)速 阿里云服務(wù)器跑一下，哎....

利用 aria2 將磁力鏈接轉(zhuǎn)換為種子文件。嘗試了一些其他的方式將磁力轉(zhuǎn)換為種子，但效果好像都不怎么理想。使用過 libtorrent 的 Python 版本，不知道是我打開方式不對還是它本來效率就不高，反正愣是一個(gè)種子都沒有轉(zhuǎn)換成功。

最后兜兜轉(zhuǎn)轉(zhuǎn)用到了 aria2 發(fā)現(xiàn)效率還可以。但是要先把 aria2 安裝到你的 PATH 中，具體參考官網(wǎng)介紹。使用其 RPC 特性，節(jié)省線程開銷。

解析種子文件內(nèi)容，同樣也是利用了 Bencode 進(jìn)行解碼。有了種子我們當(dāng)然要看看到底是些什么資源了啦。你說世界就是這么小，在我解析出來的幾百個(gè)種子文件中，居然有幾個(gè)都是一個(gè)社區(qū)的，那個(gè)以 1024 為標(biāo)志的社區(qū)。

有圖有真相

不過我還是希望大家銘記下面這 24 字箴言

輔助代碼

database.py：封裝了關(guān)于 redis 的數(shù)據(jù)操作，主要是利用其集合數(shù)據(jù)結(jié)構(gòu)。

如何使用

獲取源碼及安裝依賴環(huán)境

確保已經(jīng)安裝好 redis，redis 的具體配置可以在 database.py 里面修改

$ git clone https://github.com/chenjiandongx/magnet-dht.git

$ cd magnet-dht

$ pip install -r requirements.txt

運(yùn)行項(xiàng)目

進(jìn)程數(shù)量可以在 crawler.py 進(jìn)行調(diào)整

$ python manage.py -h

usage: manage.py [-h] [-s] [-m] [-p]

start manage.py with flag.

optional arguments:

-h, --help show this help message and exit

-s run start_server func.

-m run magnet2torrent func

-p run parse_torrent func

Note: 在運(yùn)行 python manage.py -m 的時(shí)候，要先開個(gè)終端窗口啟動 aria2c 服務(wù)。

$ aria2c --enable-rpc=true --bt-metadata-only=true --bt-save-metadata=true

😃 深刻的感悟

自我接觸編程以來，我一直都是屬于興趣驅(qū)動的，對某種技術(shù)感興趣的話就會花時(shí)間去研究去嘗試。想成為一個(gè)有趣的人，去做一些有趣的事。

真心覺得能把腦海里的想法轉(zhuǎn)變?yōu)榇a實(shí)現(xiàn)是件很棒的事，即使可能這件事在別人看來并沒有什么了不起。技術(shù)發(fā)展變化總是那么快，不緊跟著可能不小心就掉隊(duì)了。所以希望每個(gè)真心熱愛編程的人都能不忘初心，永遠(yuǎn)保持對新技術(shù)的熱情，永遠(yuǎn)能從編碼中找到樂趣。

License

總結(jié)

以上是生活随笔為你收集整理的python爬虫网络库下载_Python3 DHT 网络磁力种子爬虫的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。