最新文章專題視頻專題問答1問答10問答100問答1000問答2000關(guān)鍵字專題1關(guān)鍵字專題50關(guān)鍵字專題500關(guān)鍵字專題1500TAG最新視頻文章推薦1 推薦3 推薦5 推薦7 推薦9 推薦11 推薦13 推薦15 推薦17 推薦19 推薦21 推薦23 推薦25 推薦27 推薦29 推薦31 推薦33 推薦35 推薦37視頻文章20視頻文章30視頻文章40視頻文章50視頻文章60 視頻文章70視頻文章80視頻文章90視頻文章100視頻文章120視頻文章140 視頻2關(guān)鍵字專題關(guān)鍵字專題tag2tag3文章專題文章專題2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章專題3
問答文章1 問答文章501 問答文章1001 問答文章1501 問答文章2001 問答文章2501 問答文章3001 問答文章3501 問答文章4001 問答文章4501 問答文章5001 問答文章5501 問答文章6001 問答文章6501 問答文章7001 問答文章7501 問答文章8001 問答文章8501 問答文章9001 問答文章9501
當(dāng)前位置: 首頁 - 科技 - 知識(shí)百科 - 正文

使用Python編寫基于DHT協(xié)議的BT資源爬蟲

來源:懂視網(wǎng) 責(zé)編:小采 時(shí)間:2020-11-27 14:35:37
文檔

使用Python編寫基于DHT協(xié)議的BT資源爬蟲

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(gè)輔助,是非常好玩的。它主要是為了在BT正式下載時(shí)得到種子或者BT資源。傳統(tǒng)的網(wǎng)絡(luò),需要一臺(tái)中央服務(wù)器存放種子或者BT資源,不僅浪費(fèi)服務(wù)器資源,還容易出現(xiàn)單點(diǎn)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(shí)刻
推薦度:
導(dǎo)讀使用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(gè)輔助,是非常好玩的。它主要是為了在BT正式下載時(shí)得到種子或者BT資源。傳統(tǒng)的網(wǎng)絡(luò),需要一臺(tái)中央服務(wù)器存放種子或者BT資源,不僅浪費(fèi)服務(wù)器資源,還容易出現(xiàn)單點(diǎn)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(shí)刻
關(guān)于DHT協(xié)議

DHT協(xié)議作為BT協(xié)議的一個(gè)輔助,是非常好玩的。它主要是為了在BT正式下載時(shí)得到種子或者BT資源。傳統(tǒng)的網(wǎng)絡(luò),需要一臺(tái)中央服務(wù)器存放種子或者BT資源,不僅浪費(fèi)服務(wù)器資源,還容易出現(xiàn)單點(diǎn)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(shí)刻,這個(gè)網(wǎng)絡(luò)總有節(jié)點(diǎn)是亮的,你可以去詢問問這些亮的節(jié)點(diǎn),從而將自己加入DHT網(wǎng)絡(luò)。

要實(shí)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(duì)這個(gè)資源的完整描述。

其中第一步是其他節(jié)點(diǎn)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(diǎn)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(diǎn)來下載到,具體如何實(shí)現(xiàn),可以取決于你自己的爬蟲。

DHT協(xié)議中的主要幾個(gè)操作:

主要負(fù)責(zé)通過UDP與外部節(jié)點(diǎn)交互,封裝4種基本操作的請求以及相應(yīng)。

ping:檢查一個(gè)節(jié)點(diǎn)是否“存活”

在一個(gè)爬蟲里主要有兩個(gè)地方用到ping,第一是初始路由表時(shí),第二是驗(yàn)證節(jié)點(diǎn)是否存活時(shí)

find_node:向一個(gè)節(jié)點(diǎn)發(fā)送查找節(jié)點(diǎn)的請求

在一個(gè)爬蟲中主要也是兩個(gè)地方用到find_node,第一是初始路由表時(shí),第二是驗(yàn)證桶是否存活時(shí)

get_peers:向一個(gè)節(jié)點(diǎn)發(fā)送查找資源的請求

在爬蟲中有節(jié)點(diǎn)向自己請求時(shí)不僅像個(gè)正常節(jié)點(diǎn)一樣做出回應(yīng),還需要以此資源的info_hash為機(jī)會(huì)盡可能多的去認(rèn)識(shí)更多的節(jié)點(diǎn)。如圖,get_peers實(shí)際上最后一步是announce_peer,但是因?yàn)榕老x不能announce_peer,所以實(shí)際上get_peers退化成了find_node操作。

2016319114959666.png (204×120)

announce_peer:向一個(gè)節(jié)點(diǎn)發(fā)送自己已經(jīng)開始下載某個(gè)資源的通知

爬蟲中不能用announce_peer,因?yàn)檫@就相當(dāng)于通報(bào)虛假資源,對(duì)方很容易從上下文中判斷你是否通報(bào)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(xiàng)目地址列出:https://github.com/Fuck-You-GFW/simDHT,有g(shù)ithub帳號(hào)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(gè)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(gè)重點(diǎn)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(gè)節(jié)點(diǎn)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(gè)節(jié)點(diǎn)空間,這么大的節(jié)點(diǎn)空間,是足夠存放你的主機(jī)節(jié)點(diǎn)以及任意的資源信息的。

2. 每個(gè)節(jié)點(diǎn)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(gè)節(jié)點(diǎn),默認(rèn)是8個(gè)。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(gè)K桶。

3. 根據(jù)DHT協(xié)議的規(guī)定,每個(gè)infohash都是有位置的,因此,兩個(gè)infohash之間就有距離一說,而兩個(gè)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(jì)算兩個(gè)節(jié)點(diǎn)的距離。計(jì)算這個(gè)距離有什么用呢,在DHT網(wǎng)絡(luò)中,如果一個(gè)資源的infohash與一個(gè)節(jié)點(diǎn)的infohash越近則該節(jié)點(diǎn)越有可能擁有該資源的信息,為什么呢?可以想象,因?yàn)槿巳硕加猛瑯拥木嚯x算法去遞歸的詢問離資源接近的節(jié)點(diǎn),并且只要該節(jié)點(diǎn)做出了回應(yīng),那么就會(huì)得到一個(gè)announce信息,也就是說跟資源infohash接近的節(jié)點(diǎn)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(diǎn)桶而接近目標(biāo)節(jié)點(diǎn)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(gè)節(jié)點(diǎn)的路由表中離自身越接近的節(jié)點(diǎn)保存得越多,如下圖

2016319115044824.jpg (490×417)

5. 在一個(gè)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(dòng)爬下來,相反,因?yàn)榈玫劫Y源的方式(get_peers, announce_peer)都是被動(dòng)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(gè)正常節(jié)點(diǎn)一樣去響應(yīng)其他節(jié)點(diǎn)的查詢,并且得到其他節(jié)點(diǎn)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(shí)其他節(jié)點(diǎn),這樣,才能有更多其他節(jié)點(diǎn)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(jī)會(huì),其實(shí)不然,之前也分析過了,DHT爬蟲最重要的信息來源全是被動(dòng)的,因?yàn)槟悴荒茉龃髣e人的K,所以距離遠(yuǎn)的節(jié)點(diǎn)保存你自身的概率就越小,當(dāng)然距離遠(yuǎn)的節(jié)點(diǎn)去請求你的概率相對(duì)也比較小。

聲明:本網(wǎng)頁內(nèi)容旨在傳播知識(shí),若有侵權(quán)等問題請及時(shí)與本網(wǎng)聯(lián)系,我們將在第一時(shí)間刪除處理。TEL:177 7030 7066 E-MAIL:11247931@qq.com

文檔

使用Python編寫基于DHT協(xié)議的BT資源爬蟲

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(gè)輔助,是非常好玩的。它主要是為了在BT正式下載時(shí)得到種子或者BT資源。傳統(tǒng)的網(wǎng)絡(luò),需要一臺(tái)中央服務(wù)器存放種子或者BT資源,不僅浪費(fèi)服務(wù)器資源,還容易出現(xiàn)單點(diǎn)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(shí)刻
推薦度:
標(biāo)簽: 種子 bt BT資源
  • 熱門焦點(diǎn)

最新推薦

猜你喜歡

熱門推薦

專題
Top