[分享] 基于 nodejs 开发的“磁力链接”爬虫

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

爱意满满的作品展示区。

这是一个创建于 3522 天前的主题，其中的信息可能已经有所发展或是发生改变。

学习nodejs，顺便写来玩玩的，可以抓取dht网络里活跃的资源，也就“bt下载”的资源。

爬虫在一台1核1G的VPS上跑了几个月了，目前收集到300W+资源。

成品地址： http://findit.so

Github地址： https://github.com/keenwon/antcolony

第 1 条附言 · 2015-04-01 09:38:08 +08:00

AntColony的原理是伪装成一个p2p节点，接受别人的"查询"，例如有别的节点会问你：“你有没有在下载infohash是0000000...的资源啊？或者知不知道谁在下载呢？”根据协议规则，AntColony会告诉它几个“最佳”节点，对方会继续向这些节点查询它要找的infohash。

而此时，AntColony就知道了“有人在下载infohash是0000000...”的资源了，AntColony会记录下来这个infohash，去第三方的种子托管服务器下载这个infohash对应的种子，然后解析种子文件，把这个资源的标题，文件列表，大小等信息索引下来，访问http://findit.so就可以搜索到了。

原理就这样。

第 2 条附言 · 2015-04-05 17:27:30 +08:00

有朋友尝试部署AntColony，遇到不少问题，今天我搞了一台vps，从头到尾部署了一遍，写了个文档，需要的可以看看 https://github.com/keenwon/antcolony/blob/master/doc/%E9%83%A8%E7%BD%B2%E6%96%87%E6%A1%A3.md

第 3 条附言 · 2016-01-03 20:20:34 +08:00

原来的域名失效了，新地址 http://findit.keenwon.com

爬虫

Nodejs

抓取

20 条回复 • 2016-01-03 20:23:47 +08:00

Themyth

2015-03-30 17:25:41 +08:00

不错，自动入库的么

am0zing

2015-03-30 17:28:36 +08:00

@Themyth 整个过程分多个进程的，有负责爬资源的（收集种子的infohash）；有负责下载资源的（下载种子文件）；有负责入库的（解析下载到的种子文件，存入mongodb）

yimity

2015-03-31 09:30:02 +08:00

不错，star 了。

solupro

2015-03-31 09:44:13 +08:00

感谢分享，一直想学习DHT，但一直没静下心来(/´Д｀)/

am0zing

2015-03-31 09:58:43 +08:00

@yimity
@solupro
多谢支持！

sewyu

2015-03-31 10:24:13 +08:00

先学习一下怎么用，纯粹是感兴趣，非常感谢分享

kofj

2015-03-31 11:51:25 +08:00

比我golang写的好多了,点个star.之前的codeit.cn也是磁力搜索引擎,结果搜索内容都太敏感了,又是cn域名,不得不停了下来.

am0zing

2015-03-31 12:00:31 +08:00

@kofj 磁力搜索这种东西，内容没有不敏感的，终究只能玩玩了。。。

goodbest

2015-03-31 12:13:21 +08:00

能说一下现在数据库用了多少空间么？

am0zing

2015-03-31 12:48:53 +08:00

@goodbest
mongodb 312W条数据，将近10G，mongo实际占用大概12G，数据备份压缩后大概1.7G
目前VPS总共只有20G，所以爬虫已经停了好些天了

goodbest

2015-03-31 12:53:51 +08:00

@am0zing 感谢。看起来也挺多的。

你代码里的female、male、queen啥的是模拟雌雄蚁的角色么？挺有意思的

am0zing

2015-03-31 12:57:01 +08:00

@goodbest 是滴，动物世界看多了。。。

julor

2015-03-31 16:35:29 +08:00

很不错，刚才用“少妇”做关键字，找到一些好东西！

am0zing

2015-03-31 17:00:36 +08:00

@julor -_-|||

atshow

2015-04-05 02:08:23 +08:00

赞，这得持续抓才有价值。

am0zing

2015-04-08 14:56:23 +08:00

@atshow 是的，但是mongodb真的太tmd浪费硬盘了，已经养不起了

youxiaer

2015-08-17 02:33:19 +08:00

楼主，问一下，从infohash找到对应的种子文件，只能从指定的网站上面去下载吗？

am0zing

2015-10-13 13:48:57 +08:00

@youxiaer
好久没上了，我该设置个邮件提醒什么的。
不一定的要从指定网站下载，你可以根据 infohash 下载种子文件，就像迅雷一样，输入磁力链接，他会先下载种子文件，然后开始下载实际内容。
不过如果从 infohash 下载种子文件这块，我没去研究， bittorrent.org 有相关文档，直接从第三方网站下载是最省事的。

la0wei

2015-11-10 10:54:46 +08:00

有什么 vps 对这方面限制少的？

am0zing

2016-01-03 20:23:47 +08:00

@la0wei vps 限制了什么？可以用 digitalocean ： https://www.digitalocean.com/?refcode=6f104d26aad1 ，用这个链接可以赚 10 刀，当然我也可以赚哈哈。。。