网络爬虫爱好者为了爬取视频, 图片, 文档, 软件, 可能只想到写一个 Web 爬虫, 从各大网站爬取. 但是你知道吗? 这个世界上, 还有 DHT 协议, BitTorrent 协议.
想想看, 全世界每天有那么多人通过 BT 种子 & 磁力链接下载资源(有你懂滴的资源), 如果写个爬虫, 从 DHT 网络里"监听"人们正在下载的资源, 然后把这个资源的种子信息给下载并保存下来. 打造成属于自己的海盗湾!
这几天, 我用 Node.js 重写了我去年用 Python 写出的 DHT 爬虫 + BT 客户端 = P2P 爬虫. 为什么用 Node.js 重写呢? 除了我闲得蛋疼外, 还有个原因是 Node.js 在这个 Network IO 操作频繁的项目上, 性能非常非常牛逼, 占用也非常少! 不过代码难写倒是真的. 我花了好多天才重写出来.
爬虫运行演示视频: http://v.youku.com/v_show/id_XMTQ4NTIzMDU2MA==.html
默认参数下, 在最便宜的日本区 Vultr VPS 运行 24 小时, 可”监听"到 50 万 个 BT 种子信息. 我那个 Python 版的爬虫(只开源一部分), 已经爬了 1400 万种子信息, 连续运行了一年多.
我平常下载资源, 都是从我私人种子数据库里搜索, 然后拿磁力链接去下载. 比如搜索引擎找不到的新电影, 我都能从我数据库找到.
代码在这里: https://github.com/Fuck-You-GFW/p2pspider
求 Star !
如果你对此也有研究, 建议你看看 README.md, 列有这个项目如何发展的计划. 如果你对此感兴趣, 请 fork 它, 贡献你的智慧.
如果你对 Node.js 比较熟练, 也欢迎你重构我的代码, 我对 Node.js 不是很熟, 代码写得不是很好.
Star 到 1000 的时候, 我会写个文章, 给感兴趣但看不懂相关协议的人讲讲原理, 让每个人都可以写属于自己的 P2P 爬虫建立私人海盗湾. 包教会!
如果有兴趣, 可加 QQ 群即时交流: 145234507 (不用微信群是因为很蛋疼)
@vitovan @iugo (这就是我说的爬虫项目)
1
AstroProfundis 2016-02-29 06:27:03 +08:00
弱弱问一下,国外很多版权保护组织用来抓盗版下载者的是不是也是类似的东西
|
2
znoodl 2016-02-29 07:22:52 +08:00 via iPhone
肯定见过,要不然你以为那些 bt 站哪来的
|
3
irockytan 2016-02-29 07:46:46 +08:00 via iPhone
好像很有意思
|
4
CupTools 2016-02-29 07:51:53 +08:00 1
https://www.v2ex.com/static/img/doge.gif
数据库: http://url.sc/g 实时更新: http://url.sc/h 准备丢到 ElasticSearch https://www.v2ex.com/static/img/doge.gif |
5
ericls 2016-02-29 08:16:17 +08:00 via iPhone
磁力站就这么来的啊
|
6
Xxss 2016-02-29 08:24:03 +08:00 via Android
很酷
|
7
jedyu 2016-02-29 09:12:53 +08:00
|
8
scarlex 2016-02-29 09:24:48 +08:00
readme 上面由错字, reross -> feross
|
9
CrazySpiderMan OP |
10
CrazySpiderMan OP @AstroProfundis 可能噢. 细思极恐!
|
11
CrazySpiderMan OP @znoodl 有些 BT 站是纯 BT 站, 就是靠别人上传的, 不是自己主动到 DHT 网络里抓取的.
|
12
CrazySpiderMan OP |
13
v1024 2016-02-29 10:34:51 +08:00
跑了一下 很快就抓到了 牛逼
|
14
wtbhk 2016-02-29 10:39:25 +08:00
Cool!
|
15
zhizhongzhiwai 2016-02-29 11:07:05 +08:00
你说 python 在网络 io 上不如 nodejs , 这个不太靠谱吧, 你用过 python gevent 吗?
|
16
CrazySpiderMan OP @zhizhongzhiwai 几年前用过. 可能我太笨, 用不太好.
|
17
MyFaith 2016-02-29 11:11:14 +08:00
求问, Python 版的是哪个
|
18
CrazySpiderMan OP @MyFaith Python 版的完整代码我没开源. 只开源了其中 DHT 爬虫部分. 地址: https://github.com/Fuck-You-GFW/simDHT
完整版只有我少数几个朋友有. 我这不把 Python 版的给重写成了 Node.js 嘛, 而且真的比我那 Python 版好多了. |
19
ELIOTT 2016-02-29 11:19:38 +08:00 via Android
root@eu:~/p2pspider# node example.js
/root/p2pspider/example.js:7 btclient.on('complete', (metadata, infohash, rinfo) => { ^ SyntaxError: Unexpected token > at Module._compile (module.js:439:25) at Object.Module._extensions..js (module.js:474:10) at Module.load (module.js:356:32) at Function.Module._load (module.js:312:12) at Function.Module.runMain (module.js:497:10) at startup (node.js:119:16) at node.js:901:3 root@eu:~/p2pspider# node -v v0.10.22 請問要如何解決? |
20
vdo 2016-02-29 11:20:02 +08:00
几年前就玩过了
|
21
CrazySpiderMan OP @ELIOTT 恐怕 Node.js 得升级到 V4.X.X 版本才可以.
|
22
CrazySpiderMan OP @vdo 还望前辈指点指点.
|
23
ELIOTT 2016-02-29 11:37:25 +08:00
|
24
CrazySpiderMan OP @ELIOTT 你用的什么 SSH 连接工具? 看起来是在平板连接过去的.
|
25
ELIOTT 2016-02-29 11:42:41 +08:00
@CrazySpiderMan JuiceSSH, 手機連接的.
|
26
l0wkey 2016-02-29 11:43:52 +08:00
@CrazySpiderMan 看状态栏应该是 juice
|
27
jy02201949 2016-02-29 11:47:38 +08:00
视频流媒体播放,冲着这个给 star 了,不知道楼主有没有后续开发的动力
|
28
CrazySpiderMan OP @jy02201949 感谢 Star! 我开发它的另外目的之一就是借由这个项目, 不断增强自己的技术能力, 毕竟这个项目需要很多很多我现目前都没有的知识, 那么就有动力去学习相关知识.
另外就是, 我时间多得很, 多得平常睡觉都要 12 个小时 :) |
29
CrazySpiderMan OP @CupTools 果真有人用 RethinkDB. 我关注它好久了, 然而并未用过. :)
|
30
jasontse 2016-02-29 11:56:02 +08:00 via iPad
忠告:不管你是出于什么目的,***一定不要***在境外主机上跑这段程序。
|
31
ooh 2016-02-29 11:56:18 +08:00
老太太你还在搞这个?
|
32
CrazySpiderMan OP @ooh 换了马甲都还有人活捉我. :(
|
33
ooh 2016-02-29 12:06:15 +08:00
@CrazySpiderMan 主要时你的马甲一般都比较 abnormal
|
34
SlipStupig 2016-02-29 12:11:58 +08:00
smb 爬虫专业爬内网共享
|
35
llhh 2016-02-29 12:40:27 +08:00
见过 web 爬虫,也见过 p2p 爬虫。
|
36
v2014 2016-02-29 12:42:10 +08:00
@CrazySpiderMan 老太太,我下 metadata 时请求本机的 bt 下载软件,每次都可以,但是请求根据 dht 给的地址去下 metadata 时,基本被拒绝,应该是什么问题啊
|
37
CrazySpiderMan OP @v2014 都不详细说说情况. 我又不是算命的.
|
38
CrazySpiderMan OP |
39
CrazySpiderMan OP @SlipStupig samba 协议的爬虫?
|
40
SlipStupig 2016-02-29 13:16:23 +08:00
@CrazySpiderMan 是的,为啥要叫你老太太呢?
|
41
imlonghao 2016-02-29 13:17:01 +08:00
@CrazySpiderMan 我的博客也在用 RethinkDB ,从 MongoDB 换过去的...
|
42
CrazySpiderMan OP @imlonghao 嘿! 我认识你, 我在你博客留过言的. 是那个支付宝什么的文章.
|
43
shiji 2016-02-29 13:20:20 +08:00
能把番号集齐么?
|
44
CrazySpiderMan OP |
45
CupTools 2016-02-29 13:21:03 +08:00
@CrazySpiderMan 我最近写了个邮件系统,用的就是 RethinkDB
|
46
CrazySpiderMan OP @shiji 能否集齐就不晓得了, 没统计过. 反正特别多. 哈哈.
|
47
CupTools 2016-02-29 13:22:45 +08:00
|
48
AlexaZhou 2016-02-29 13:37:46 +08:00
感觉楼主这个有点走偏了,满满的求 star 味道,这样求来的 star 是木有意义的
个人认为开源一个项目,重要的是能给其他人带来价值,这样自然会有 star ps :建议先把文档弄好,这样 star 才会多,而不是说到了 1000star 才放文档... |
50
lhbc 2016-02-29 13:50:10 +08:00
运营商那里, P2P 缓存系统都有
|
52
CupTools 2016-02-29 13:58:43 +08:00
@CrazySpiderMan 话说内存占用很大。我看了看代码, LRU 不知道是是不是问题, Socket 数太大不知道是不是问题,总之我把这货丢到 32G 的机子都跑满内存
防火墙上面看到这货开了 2900000+连接, netstat -an 直接 seg fault |
54
vitovan 2016-02-29 14:34:16 +08:00
r#12 @CrazySpiderMan 晚上回去看~
|
55
a342191555 2016-02-29 14:34:58 +08:00
在 HOSTUS 上成功跑挂了,找了客服向他解释了我在干啥后才恢复- -、、、
He told me: Looks like it was suspended: SUSPENDING VPS xxxx (xxx.xxx.xxx.xxx); it has 65502 conntrack sessions |
56
CrazySpiderMan OP @AlexaZhou 有部分你说得对, 我改正.
PS: 我之前看到你开发的 VeryNginx. 非常不错! 虽然我业余的, 用不到这个玩意儿, 但是我晓得这个绝对很有前景, 毕竟市场有这个需求, 又是较早出现的. 向你学习你的编程理念! |
57
SlipStupig 2016-02-29 14:40:09 +08:00
@CrazySpiderMan 以前校内网交换机只要改一下掩码就能过去,还有一些特殊场景,主要目的不在于有多大而是有多少东西
|
58
CrazySpiderMan OP @CupTools 我对 Node.js 不是很熟, 我得排查排查. 不过, 程序自动退出没有?
@a342191555 论买一个可耐操的 VPS 的重要性. :) 从某种意义来说, 运行这个爬虫, 就是主动对自己造成 DDOS 攻击. 所以要可以控制好 nodesMaxSize 的值. 也许是 TCP 连接数太大? 我考虑考虑得限制下并发连接数了. |
59
xlrtx 2016-02-29 14:47:57 +08:00
我也想写一个, 然后做个搜索站, 加上 aria2 的功能, 点击下载直接分配到家里的路由器上.
|
60
welsmann 2016-02-29 15:00:49 +08:00
之前初学 Python 时写过一个,不过当时做了额外的种子文件内容解析,后来数据多到付不起 VPS 费用干脆就关掉了...
|
61
AlexaZhou 2016-02-29 15:13:53 +08:00
|
62
msg7086 2016-02-29 15:22:32 +08:00
@CrazySpiderMan 耐艹请支付对应的价格。低价又耐艹的 VPS 必然是辣鸡。
|
63
jasontse 2016-02-29 15:30:44 +08:00 via iPad
@CrazySpiderMan
我刚才 SSH 回家里的 RPi 上运行,现在路由器的连接数全满。😹 |
64
cnnblike 2016-02-29 16:01:47 +08:00
卧槽,这个好强啊!
|
65
PandaSaury 2016-02-29 16:08:43 +08:00
为毛没有 PHP 版本的?
|
66
CupTools 2016-02-29 16:10:11 +08:00
|
67
CupTools 2016-02-29 16:11:20 +08:00
1.7M: http://url.sc/m
|
68
skylancer 2016-02-29 16:37:58 +08:00
“这几天, 我用 Node.js 重写了我去年用 Python 写出的 DHT 爬虫 + BT 客户端 = P2P 爬虫. 为什么用 Node.js 重写呢? 除了我闲得蛋疼外, 还有个原因是 Node.js 在这个 Network IO 操作频繁的项目上, 性能非常非常牛逼, 占用也非常少! 不过代码难写倒是真的. 我花了好多天才重写出来”
老实说我还以为是 MingGe 附体 |
69
CrazySpiderMan OP @skylancer 哈哈. 我喜欢 MingGe 的那狂放的气质. 搞程序就是要这么自大, 在别人的打击下, 成长得更快.
|
70
123s 2016-02-29 17:21:09 +08:00
你写构造函数还是用旧的写法啊。
完全 ES6 化 第一条就不符合,当然我只是吐槽一下而已,很好的项目。 |
71
CrazySpiderMan OP @123s 所以是待做嘛. 先实现, 再慢慢进化. 因为我一开始就不是很懂 ES6. ES5 + ES6 混着来的.
|
72
hyq 2016-02-29 18:06:32 +08:00
已经运行起来!!!!四国义
|
73
CrazySpiderMan OP @CupTools 我看你 Linux 玩得挺转的. 我都忘了好多 Linux 命令了.
|
74
leon3333 2016-02-29 20:00:06 +08:00
有意思,已 star ,有时间玩一下
|
75
bearqq 2016-02-29 20:58:02 +08:00 via Android
有人吐槽连接数的问题,其实你的 python 版一样有,不要问我 vps 怎么被封的
|
76
Garantion 2016-02-29 21:10:06 +08:00
小心蜜罐。
|
77
CrazySpiderMan OP @Garantion 看样子你研究得还挺深的. 是的, 有蜜罐. 我见过好多次了.
|
78
Garantion 2016-02-29 21:42:25 +08:00
@CrazySpiderMan 看来老司机还留了一手啊……
|
79
wbsdty331 2016-02-29 21:44:16 +08:00
Ed2k Shareaza 呢
|
80
CupTools 2016-03-01 03:49:05 +08:00 via Android
@CrazySpiderMan 睡了一觉起来, 13M 。然而线程全部挂了
|
81
julor 2016-03-01 07:19:52 +08:00 via Android
@CrazySpiderMan ,我来歪个楼,既然不满意 python 怎么不用 golang ,这个需要用起来也很舒服。
|
82
zqhong 2016-03-01 09:27:16 +08:00
@CupTools 谢谢。我有个和楼主类似的项目,数据库用的是 MySQL 。看了下 RethinkDB ,直观的 web 显示界面,还有 Python 客户端接口很人性化呀。而且呢, RethinkDB 存储的是 JSON 数据,以后作 API 接口也很方便。
不知道这东西有什么坑吗?新手,请指教~ |
84
123s 2016-03-01 10:27:58 +08:00
@CrazySpiderMan 好吧,没看到是 todo
|
85
CrazySpiderMan OP @julor 因为我喜欢全能型的编程语言. JavaScript / Node.js 正好. Golang 不能开发 Chrome 扩展. Golang 不能像 JavaScript/Node.js 那么方便开发跨平台的 PC 程序.
|
86
hyq 2016-03-01 14:04:29 +08:00
golang 可以开发 chrome 扩展,详情参见 npapi
|
87
iugo 2016-03-01 15:04:28 +08:00
以前没有接触过这样的协议, 也没深入过 Node.js.
大概看了下代码, 有几个问题: 1. DHTSpider 作为模块, 但是在模块内部就 `new` 似乎不太好. ``` exports.start = function(options) { (new DHTSpider(options)).start(); }; ``` 2. 关于 JavaScript 的书写风格, 目前我遵从 https://github.com/feross/standard/blob/master/RULES.md . 关于内存占用问题, 因为不懂 Node.js 也不好说. 不知道是不是因为无用的 UDP 连接没有被杀掉导致的. |
88
ttbt 2016-03-01 16:17:24 +08:00
@AstroProfundis 擦擦 可以参考下我站的数据 bt0.com 希望能用上你的 code
|
89
CrazySpiderMan OP @ttbt 你站是个好网站! 我已收藏! 下了一个情色电影. :)
|
90
ttbt 2016-03-01 22:57:34 +08:00
@CrazySpiderMan 我什么都不知道 就不能下个科幻啥的么 捂脸
|
92
dismonday 2016-03-02 15:41:35 +08:00
顶一下
|
93
CrazySpiderMan OP @CupTools 现在最新版爬虫已稳定了. 你可以去 github 瞅瞅.
|
94
CupTools 2016-03-04 05:58:50 +08:00 via Android
@CrazySpiderMan 🌚最近在研究朴素贝尔斯算法
|
95
CupTools 2016-03-04 06:00:11 +08:00 via Android
@CrazySpiderMan 建议用 Promise , callback 不堪入目
|
96
CrazySpiderMan OP @CupTools 对数据进行分类? Promise 以后再写, 这个目前不是重点. 不过我把这个需求提到 issue 去.
|
97
wico77 2016-06-04 00:08:42 +08:00
作者对程序 bug 崩溃已经不 care 了。也不再维护了。
|