使用Python編寫基于DHT協(xié)議的BT資源爬蟲
關(guān)于DHT協(xié)議
DHT協(xié)議作為BT協(xié)議的一個輔助,是非常好玩的。它主要是為了在BT正式下載時得到種子或者BT資源。傳統(tǒng)的網(wǎng)絡(luò),需要一臺中央服務(wù)器存放種子或者BT資源,不僅浪費服務(wù)器資源,還容易出現(xiàn)單點的各種問題,而DHT網(wǎng)絡(luò)則是為了去中心化,也就是說任意時刻,這個網(wǎng)絡(luò)總有節(jié)點是亮的,你可以去詢問問這些亮的節(jié)點,從而將自己加入DHT網(wǎng)絡(luò)。
要實現(xiàn)DHT協(xié)議的網(wǎng)絡(luò)爬蟲,主要分3步,第一步是得到資源信息(infohash,160bit,20字節(jié),可以編碼為40字節(jié)的十六進(jìn)制字符串),第二步是確認(rèn)這些infohash是有效的,第三步是通過有效的infohash下載到BT的種子文件,從而得到對這個資源的完整描述。
其中第一步是其他節(jié)點用DHT協(xié)議中的get_peers方法向爬蟲發(fā)送請求得到的,第二步是其他節(jié)點用DHT協(xié)議中的announce_peer向爬蟲發(fā)送請求得到的,第三步可以有幾種方式得到,比如可以去一些保存種子的網(wǎng)站根據(jù)infohash直接下載到,或者通過announce_peer的節(jié)點來下載到,具體如何實現(xiàn),可以取決于你自己的爬蟲。
DHT協(xié)議中的主要幾個操作:
主要負(fù)責(zé)通過UDP與外部節(jié)點交互,封裝4種基本操作的請求以及相應(yīng)。
ping:檢查一個節(jié)點是否“存活”
在一個爬蟲里主要有兩個地方用到ping,第一是初始路由表時,第二是驗證節(jié)點是否存活時
find_node:向一個節(jié)點發(fā)送查找節(jié)點的請求
在一個爬蟲中主要也是兩個地方用到find_node,第一是初始路由表時,第二是驗證桶是否存活時
get_peers:向一個節(jié)點發(fā)送查找資源的請求
在爬蟲中有節(jié)點向自己請求時不僅像個正常節(jié)點一樣做出回應(yīng),還需要以此資源的info_hash為機會盡可能多的去認(rèn)識更多的節(jié)點。如圖,get_peers實際上最后一步是announce_peer,但是因為爬蟲不能announce_peer,所以實際上get_peers退化成了find_node操作。

announce_peer:向一個節(jié)點發(fā)送自己已經(jīng)開始下載某個資源的通知
爬蟲中不能用announce_peer,因為這就相當(dāng)于通報虛假資源,對方很容易從上下文中判斷你是否通報了虛假資源從而把你禁掉。
基于Python的DHT爬蟲
修改自github開源爬蟲,原作者名字有些。。,這里直接將項目地址列出:https://github.com/Fuck-You-GFW/simDHT,有g(shù)ithub帳號的請給原作者star,后續(xù)我將結(jié)果放入db,外加用tornado做一個簡單的查詢界面出來放在github上,先備份一下代碼
#!/usr/bin/env python
# encoding: utf-8
import socket
from hashlib import sha1
from random import randint
from struct import unpack
from socket import inet_ntoa
from threading import Timer, Thread
from time import sleep
from collections import deque
from bencode import bencode, bdecode
BOOTSTRAP_NODES = (
("router.bittorrent.com", 6881),
("dht.transmissionbt.com", 6881),
("router.utorrent.com", 6881)
)
TID_LENGTH = 2
RE_JOIN_DHT_INTERVAL = 3
TOKEN_LENGTH = 2
def entropy(length):
return "".join(chr(randint(0, 255)) for _ in xrange(length))
def random_id():
h = sha1()
h.update(entropy(20))
return h.digest()
def decode_nodes(nodes):
n = []
length = len(nodes)
if (length % 26) != 0:
return n
for i in range(0, length, 26):
nid = nodes[i:i+20]
ip = inet_ntoa(nodes[i+20:i+24])
port = unpack("!H", nodes[i+24:i+26])[0]
n.append((nid, ip, port))
return n
def timer(t, f):
Timer(t, f).start()
def get_neighbor(target, nid, end=10):
return target[:end]+nid[end:]
class KNode(object):
def __init__(self, nid, ip, port):
self.nid = nid
self.ip = ip
self.port = port
class DHTClient(Thread):
def __init__(self, max_node_qsize):
Thread.__init__(self)
self.setDaemon(True)
self.max_node_qsize = max_node_qsize
self.nid = random_id()
self.nodes = deque(maxlen=max_node_qsize)
def send_krpc(self, msg, address):
try:
self.ufd.sendto(bencode(msg), address)
except Exception:
pass
def send_find_node(self, address, nid=None):
nid = get_neighbor(nid, self.nid) if nid else self.nid
tid = entropy(TID_LENGTH)
msg = {
"t": tid,
"y": "q",
"q": "find_node",
"a": {
"id": nid,
"target": random_id()
}
}
self.send_krpc(msg, address)
def join_DHT(self):
for address in BOOTSTRAP_NODES:
self.send_find_node(address)
def re_join_DHT(self):
if len(self.nodes) == 0:
self.join_DHT()
timer(RE_JOIN_DHT_INTERVAL, self.re_join_DHT)
def auto_send_find_node(self):
wait = 1.0 / self.max_node_qsize
while True:
try:
node = self.nodes.popleft()
self.send_find_node((node.ip, node.port), node.nid)
except IndexError:
pass
sleep(wait)
def process_find_node_response(self, msg, address):
nodes = decode_nodes(msg["r"]["nodes"])
for node in nodes:
(nid, ip, port) = node
if len(nid) != 20: continue
if ip == self.bind_ip: continue
if port < 1 or port > 65535: continue
n = KNode(nid, ip, port)
self.nodes.append(n)
class DHTServer(DHTClient):
def __init__(self, master, bind_ip, bind_port, max_node_qsize):
DHTClient.__init__(self, max_node_qsize)
self.master = master
self.bind_ip = bind_ip
self.bind_port = bind_port
self.process_request_actions = {
"get_peers": self.on_get_peers_request,
"announce_peer": self.on_announce_peer_request,
}
self.ufd = socket.socket(socket.AF_INET, socket.SOCK_DGRAM, socket.IPPROTO_UDP)
self.ufd.bind((self.bind_ip, self.bind_port))
timer(RE_JOIN_DHT_INTERVAL, self.re_join_DHT)
def run(self):
self.re_join_DHT()
while True:
try:
(data, address) = self.ufd.recvfrom(65536)
msg = bdecode(data)
self.on_message(msg, address)
except Exception:
pass
def on_message(self, msg, address):
try:
if msg["y"] == "r":
if msg["r"].has_key("nodes"):
self.process_find_node_response(msg, address)
elif msg["y"] == "q":
try:
self.process_request_actions[msg["q"]](msg, address)
except KeyError:
self.play_dead(msg, address)
except KeyError:
pass
def on_get_peers_request(self, msg, address):
try:
infohash = msg["a"]["info_hash"]
tid = msg["t"]
nid = msg["a"]["id"]
token = infohash[:TOKEN_LENGTH]
msg = {
"t": tid,
"y": "r",
"r": {
"id": get_neighbor(infohash, self.nid),
"nodes": "",
"token": token
}
}
self.send_krpc(msg, address)
except KeyError:
pass
def on_announce_peer_request(self, msg, address):
try:
infohash = msg["a"]["info_hash"]
#print msg["a"]
tname = msg["a"]["name"]
token = msg["a"]["token"]
nid = msg["a"]["id"]
tid = msg["t"]
if infohash[:TOKEN_LENGTH] == token:
if msg["a"].has_key("implied_port") and msg["a"]["implied_port"] != 0:
port = address[1]
else:
port = msg["a"]["port"]
if port < 1 or port > 65535: return
self.master.log(infohash, (address[0], port),tname)
except Exception:
pass
finally:
self.ok(msg, address)
def play_dead(self, msg, address):
try:
tid = msg["t"]
msg = {
"t": tid,
"y": "e",
"e": [202, "Server Error"]
}
self.send_krpc(msg, address)
except KeyError:
pass
def ok(self, msg, address):
try:
tid = msg["t"]
nid = msg["a"]["id"]
msg = {
"t": tid,
"y": "r",
"r": {
"id": get_neighbor(nid, self.nid)
}
}
self.send_krpc(msg, address)
except KeyError:
pass
class Master(object):
def log(self, infohash,address=None,tname=None):
hexinfohash = infohash.encode("hex")
print "info_hash is: %s,name is: %s from %s:%s" % (
hexinfohash,tname, address[0], address[1]
)
print "magnet:?xt=urn:btih:%s&dn=%s" % (hexinfohash, tname)
# using example
if __name__ == "__main__":
# max_node_qsize bigger, bandwith bigger, speed higher
dht = DHTServer(Master(), "0.0.0.0", 6882, max_node_qsize=200)
dht.start()
dht.auto_send_find_node()
PS: DHT協(xié)議中有幾個重點的需要澄清的地方:
1. node與infohash同樣使用160bit的表示方式,160bit意味著整個節(jié)點空間有2^160 = 730750818665451459101842416358141509827966271488,是48位10進(jìn)制,也就是說有百億億億億億個節(jié)點空間,這么大的節(jié)點空間,是足夠存放你的主機節(jié)點以及任意的資源信息的。
2. 每個節(jié)點有張路由表。每張路由表由一堆K桶組成,所謂K桶,就是桶中最多只能放K個節(jié)點,默認(rèn)是8個。而桶的保存則是類似一顆前綴樹的方式。相當(dāng)于一張8桶的路由表中最多有160-4個K桶。
3. 根據(jù)DHT協(xié)議的規(guī)定,每個infohash都是有位置的,因此,兩個infohash之間就有距離一說,而兩個infohash的距離就可以用異或來表示,即infohash1 xor infohash2,也就是說,高位一樣的話,他們的距離就近,反之則遠(yuǎn),這樣可以快速的計算兩個節(jié)點的距離。計算這個距離有什么用呢,在DHT網(wǎng)絡(luò)中,如果一個資源的infohash與一個節(jié)點的infohash越近則該節(jié)點越有可能擁有該資源的信息,為什么呢?可以想象,因為人人都用同樣的距離算法去遞歸的詢問離資源接近的節(jié)點,并且只要該節(jié)點做出了回應(yīng),那么就會得到一個announce信息,也就是說跟資源infohash接近的節(jié)點就有更大的概率拿到該資源的infohash
4. 根據(jù)上述算法,DHT中的查詢是跳躍式查詢,可以迅速的跨越的的節(jié)點桶而接近目標(biāo)節(jié)點桶。之所以在遠(yuǎn)處能夠大幅度跳躍,而在近處只能小幅度跳躍,原因是每個節(jié)點的路由表中離自身越接近的節(jié)點保存得越多,如下圖

5. 在一個DHT網(wǎng)絡(luò)中當(dāng)爬蟲并不容易,不像普通爬蟲一樣,看到資源就可以主動爬下來,相反,因為得到資源的方式(get_peers, announce_peer)都是被動的,所以爬蟲的方式就有些變化了,爬蟲所要做的事就是像個正常節(jié)點一樣去響應(yīng)其他節(jié)點的查詢,并且得到其他節(jié)點的回應(yīng),把其中的數(shù)據(jù)收集下來就算是完成工作了。而爬蟲唯一能做的,是盡可能的去多認(rèn)識其他節(jié)點,這樣,才能有更多其他節(jié)點來向你詢問。
6. 有人說,那么我把DHT爬蟲的K桶中的容量K增大是不是就能增加得到資源的機會,其實不然,之前也分析過了,DHT爬蟲最重要的信息來源全是被動的,因為你不能增大別人的K,所以距離遠(yuǎn)的節(jié)點保存你自身的概率就越小,當(dāng)然距離遠(yuǎn)的節(jié)點去請求你的概率相對也比較小。
- 使用Python實現(xiàn)BT種子和磁力鏈接的相互轉(zhuǎn)換
- Python開發(fā)實例分享bt種子爬蟲程序和種子解析
- python通過urllib2爬網(wǎng)頁上種子下載示例
- 【Python】Python的urllib模塊、urllib2模塊批量進(jìn)行網(wǎng)頁下載文件
- Python實現(xiàn)HTTP協(xié)議下的文件下載方法總結(jié)
- Python下的常用下載安裝工具pip的安裝方法
- Python3訪問并下載網(wǎng)頁內(nèi)容的方法
- python實現(xiàn)爬蟲下載美女圖片
- python實現(xiàn)的簡單FTP上傳下載文件實例
- linux平臺使用Python制作BT種子并獲取BT種子信息的方法
相關(guān)文章
numpy.transpose對三維數(shù)組的轉(zhuǎn)置方法
下面小編就為大家分享一篇numpy.transpose對三維數(shù)組的轉(zhuǎn)置方法,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-04-04
人工智能學(xué)習(xí)Pytorch數(shù)據(jù)集分割及動量示例詳解
這篇文章主要為大家介紹了人工智能學(xué)習(xí)Pytorch數(shù)據(jù)集分割及動量示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進(jìn)步2021-11-11
Python求均值,方差,標(biāo)準(zhǔn)差的實例
今天小編就為大家分享一篇Python求均值,方差,標(biāo)準(zhǔn)差的實例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2019-06-06
python?使用turtle實現(xiàn)實時鐘表并生成exe
這篇文章主要為大家詳細(xì)介紹了python使用Turtle庫繪制動態(tài)鐘表,并有需要可以生成exe可執(zhí)行文件,具有一定的參考價值,感興趣的小伙伴們可以參考一下2022-03-03
Python使用keys() 獲取 Redis 數(shù)據(jù)庫中的所有鍵
哈希、列表、集合、排序集合、字符串、JSON 和流是 Redis 支持的眾多數(shù)據(jù)結(jié)構(gòu)之一,本文將討論獲取 Redis 數(shù)據(jù)庫中的所有鍵,感興趣的朋友跟隨小編一起看看吧2023-08-08

