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)候焕刮,基本上都只需要一個(gè)叫做磁力鏈接的東西就可以了搜立,非常方便围来。
磁力鏈接是對(duì)等網(wǎng)絡(luò)中進(jìn)行信息檢索和下載文檔的電腦程序痛垛。和基于“位置”連接的統(tǒng)一資源定位符不同刺桃,磁力鏈接是基于元數(shù)據(jù)文件內(nèi)容粹淋,屬于統(tǒng)一資源名稱。也就是說瑟慈,磁力鏈接不基于文檔的 IP 地址或定位符桃移,而是在分布式數(shù)據(jù)庫(kù)中,通過散列函數(shù)值來(lái)識(shí)別葛碧、搜索來(lái)下載文檔借杰。因?yàn)椴灰蕾囈粋€(gè)處于啟動(dòng)狀態(tài)的主機(jī)來(lái)下載文檔,所以特別適用沒有中心服務(wù)器的對(duì)等網(wǎng)絡(luò)进泼。
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)議名蔗衡。
- xt:exact topic 的縮寫纤虽,表示資源定位點(diǎn)。BTIH(BitTorrent Info Hash)表示哈希方法名绞惦,這里還可以使用 SHA1 和 MD5逼纸。這個(gè)值是文件的標(biāo)識(shí)符,是不可缺少的济蝉。
一般來(lái)講杰刽,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(duì)應(yīng)的資源。也有其他的可選參數(shù)提供更加詳細(xì)的信息王滤。
- dn:display name 的縮寫贺嫂,表示向用戶顯示的文件名。
- tr:tracker 的縮寫雁乡,表示 tracker 服務(wù)器的地址第喳。
- kt: 關(guān)鍵字,更籠統(tǒng)的搜索踱稍,指定搜索關(guān)鍵字而不是特定文件曲饱。
- mt:文件列表,鏈接到一個(gè)包含磁力鏈接的元文件 (MAGMA - MAGnet MAnifest)寞射。
這里可以閱讀阮一峰的 BT 下載的未來(lái)渔工,我很喜歡他文章的最后一句話锌钮。
當(dāng)互聯(lián)網(wǎng)上每一臺(tái)機(jī)器都在自動(dòng)交換信息的時(shí)候桥温,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)行下載梁丘,這跟直接使用種子下載時(shí)一個(gè)道理的侵浸,只是少了從磁力到種子文件的一個(gè)過程而已。
BitTorrent 協(xié)議的種子文件可以保存一組文件的元數(shù)據(jù)氛谜。這種格式的文件被 BitTorrent 協(xié)議所定義掏觉。擴(kuò)展名一般為“.torrent”。BitTorrent 使用”分布式哈希表”(DHT)來(lái)為無(wú) tracker 的種子(torrents)存儲(chǔ) peer 之間的聯(lián)系信息值漫。這樣每個(gè) peer 都成了 tracker澳腹。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)組成杨何,它存儲(chǔ)了 peer 的位置酱塔。BitTorrent 客戶端包含一個(gè) DHT 節(jié)點(diǎn),這個(gè)節(jié)點(diǎn)用來(lái)聯(lián)系 DHT 中其他節(jié)點(diǎn)危虱,從而得到 peer 的位置羊娃,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)器埃跷,它實(shí)現(xiàn)了 BitTorrent 協(xié)議蕊玷。
- 節(jié)點(diǎn): 一個(gè) UDP 端口上監(jiān)聽的客戶端/服務(wù)器邮利,它實(shí)現(xiàn)了 DHT(分布式哈希表) 協(xié)議。
如果對(duì) DHT 協(xié)議感興趣的話一定要看下 DHT 協(xié)議 的具體內(nèi)容垃帅,這里有 中文翻譯版本延届。(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)
務(wù)實(shí)的實(shí)踐
項(xiàng)目來(lái)源
一般來(lái)講到 Python 爬取贸诚,大家的第一印象可能就是 requests/aiohttp祷愉,或者是 scrapy/pyspider 等爬蟲框架∩馄模基本上都是從指定的 HTML 頁(yè)面爬取信息二鳄。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媒怯,Google 了一番订讼,發(fā)現(xiàn)大家基本上的代碼都是從 simDHT 這個(gè)項(xiàng)目來(lái)的,首先這個(gè)項(xiàng)目很棒扇苞,但是有個(gè)問題就是代碼實(shí)現(xiàn)細(xì)節(jié)基本沒有一行注釋且不兼容 Python3欺殿。而很多網(wǎng)上同類的代碼基本上也是對(duì)這個(gè)照搬....
所以我知道我要開始干活了
經(jīng)過一波 happy coding 之后。
項(xiàng)目結(jié)構(gòu)
核心代碼
從 DHT 網(wǎng)絡(luò)中獲取磁力鏈接鳖敷。主要是利用一些大型的服務(wù)器 tracker脖苏,冒充 DHT 節(jié)點(diǎn),使用 UDP 協(xié)議加入到 DHT 網(wǎng)絡(luò)中一波搜索以及和其他節(jié)點(diǎn)搞好關(guān)系定踱,讓他們也分享我點(diǎn)資源棍潘。磁力數(shù)據(jù)存放在了 redis,利用 redis 的集合特性來(lái)去重崖媚。使用了多線程/多進(jìn)程亦歉,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)跑了一下畅哑,效果還不錯(cuò)肴楷,4 小時(shí)爬了 100 萬(wàn)條磁力鏈接。
$ redis-cli
127.0.0.1:6379> scard magnets
(integer) 1137627
然后代碼推送到我那臺(tái)性能強(qiáng)悍 1 核/2G 內(nèi)存/1M 網(wǎng)速阿里云服務(wù)器跑一下荠呐,哎....
利用 aria2 將磁力鏈接轉(zhuǎn)換為種子文件赛蔫。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泥张。使用過 libtorrent 的 Python 版本呵恢,不知道是我打開方式不對(duì)還是它本來(lái)效率就不高,反正愣是一個(gè)種子都沒有轉(zhuǎn)換成功圾结。
最后兜兜轉(zhuǎn)轉(zhuǎn)用到了 aria2 發(fā)現(xiàn)效率還可以瑰剃。這里利用多線程跑一個(gè)命令。所以要先把 aria2 安裝到你的 PATH 中筝野,具體參考官網(wǎng)介紹晌姚。
解析種子文件內(nèi)容粤剧,同樣也是利用了 bencoder 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挥唠。你說世界就是這么小抵恋,在我解析出來(lái)的幾百個(gè)種子文件中,居然有幾個(gè)都是一個(gè)社區(qū)的宝磨,那個(gè)以 1024 為標(biāo)志的社區(qū)弧关。
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)唤锉。
- utils.py:一些工具函數(shù)
如何使用
獲取源碼及安裝依賴環(huán)境
$ git clone https://github.com/chenjiandongx/magnet-dht.git
$ cd magnet-dht
$ pip install -r requirements.txt
# 確保已經(jīng)安裝好 redis世囊,redis 的具體配置可以在 database.py 里面修改。
運(yùn)行項(xiàng)目
# 至于進(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
深刻的感悟
自我學(xué)編程以來(lái)窿祥,我一直都是屬于興趣驅(qū)動(dòng)的株憾,對(duì)某種技術(shù)感興趣的話就會(huì)花時(shí)間去研究去嘗試。想成為一個(gè)有趣的人晒衩,去做一些有趣的事嗤瞎,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(lái)并沒有什么了不起听系。技術(shù)發(fā)展變化總是那么快贝奇,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靠胜,永遠(yuǎn)保持對(duì)新技術(shù)的熱情掉瞳,永遠(yuǎn)能從編碼中找到樂趣。