你见过 Web 爬虫, 可是你见过 P2P 爬虫吗?

[CrazySpiderMan]

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)

Star 是程序员的优良美德. 下载了代码都不 Star 下, I am angry. :)

看起来我程序得控制 TCP 连接数了, 好多人都把主机跑挂了. 说不定这程序还有内存泄露的问题. 不知有 Node.js 熟手看看呢? 我果真还是太菜了!

我邀请了 MinggeJS 的作者来改进改进代码, 不知会不会来. 你们当初可把他喷惨了, 不晓得是不是弃 V2EX 走了. :)

内存泄露已解决. 在默认参数情况下, 可随便艹了.

QQ 群已解散, 建群真没得意思.

[AstroProfundis]

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

[znoodl]

肯定见过，要不然你以为那些 bt 站哪来的

[irockytan]

好像很有意思

[CupTools]

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

[ericls]

磁力站就这么来的啊

[Xxss]

很酷

[jedyu]

http://xiaoxia.org/2013/05/11/magnet-search-engine/

2013 年 5 月

[scarlex]

readme 上面由错字， reross -> feross

[CrazySpiderMan]

@jedyu 小虾开源的手撕包菜里的 simdht_worker.py, simMetadata.py 就是我写的. 前者直接从我 github 弄过去的, 后者间接从我这里得到的(没开源). :)

[CrazySpiderMan]

@AstroProfundis 可能噢. 细思极恐!

[CrazySpiderMan]

@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.

[CrazySpiderMan]

@vitovan @iugo 看起来没收到我的 AT ?

[v1024]

跑了一下 很快就抓到了 牛逼

[wtbhk]

Cool!

[zhizhongzhiwai]

你说 python 在网络 io 上不如 nodejs ， 这个不太靠谱吧， 你用过 python gevent 吗？

[CrazySpiderMan]

@zhizhongzhiwai 几年前用过. 可能我太笨, 用不太好.

[MyFaith]

求问， Python 版的是哪个

[CrazySpiderMan]

@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.

[ELIOTT]

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?

[vdo]

几年前就玩过了

[CrazySpiderMan]

@ELIOTT 恐怕 Node.js 得升级到 V4.X.X 版本才可以.

[CrazySpiderMan]

@vdo 还望前辈指点指点.

[ELIOTT]

@CrazySpiderMan 感謝，使用 4.1.0 已成功。

[CrazySpiderMan]

@ELIOTT 你用的什么 SSH 连接工具? 看起来是在平板连接过去的.

[ELIOTT]

@CrazySpiderMan JuiceSSH, 手機連接的.

[l0wkey]

@CrazySpiderMan 看状态栏应该是 juice

[jy02201949]

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

[CrazySpiderMan]

@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 :)

[CrazySpiderMan]

@CupTools 果真有人用 RethinkDB. 我关注它好久了, 然而并未用过. :)

[jasontse]

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。

[ooh]

老太太你还在搞这个？

[CrazySpiderMan]

@ooh 换了马甲都还有人活捉我. :(

[ooh]

@CrazySpiderMan 主要时你的马甲一般都比较 abnormal

[SlipStupig]

smb 爬虫专业爬内网共享

[llhh]

见过 web 爬虫，也见过 p2p 爬虫。

[v2014]

@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

[CrazySpiderMan]

@v2014 都不详细说说情况. 我又不是算命的.

[CrazySpiderMan]

@ooh @v2014 以后不要叫我老太太了. 太显眼了.

[CrazySpiderMan]

@SlipStupig samba 协议的爬虫?

[SlipStupig]

@CrazySpiderMan 是的，为啥要叫你老太太呢？

[imlonghao]

@CrazySpiderMan 我的博客也在用 RethinkDB ，从 MongoDB 换过去的...

[CrazySpiderMan]

@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.

[shiji]

能把番号集齐么?

[CrazySpiderMan]

@SlipStupig 我以前昵称就是老太太. 正巧认识我的人也在 V2EX 混.

我很好奇, 你在哪里找到特别大的 samba 的网络呢? 以至于能写个爬虫了.

[CupTools]

@CrazySpiderMan 我最近写了个邮件系统，用的就是 RethinkDB

[CrazySpiderMan]

@shiji 能否集齐就不晓得了, 没统计过. 反正特别多. 哈哈.

[CupTools]

用 cluster 跑 4 线程： http://url.sc/k

我想是不是 CPU 不够快

[AlexaZhou]

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...

[zqhong]

@CupTools RethinkDB ，看起来很不错呀！一直想找类似这样的东西，十分感谢~

[lhbc]

运营商那里， P2P 缓存系统都有

[CupTools]

@zqhong 你的用途是什么？我可能可以帮得上

[CupTools]

@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

[miyuki]

@CupTools 666

[vitovan]

r#12 @CrazySpiderMan 晚上回去看～

[a342191555]

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

[CrazySpiderMan]

@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!

[SlipStupig]

@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

[CrazySpiderMan]

@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.

[xlrtx]

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.

[welsmann]

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...

[AlexaZhou]

@CrazySpiderMan
客气啦，我觉得 p2pspider 也很不错，这个想法很棒，再完善完善，可能成为一个超叼的开源项目

大家一起加油⛽️⛽️

[msg7086]

@CrazySpiderMan 耐艹请支付对应的价格。低价又耐艹的 VPS 必然是辣鸡。

[jasontse]

@CrazySpiderMan
我刚才 SSH 回家里的 RPi 上运行，现在路由器的连接数全满。😹

[cnnblike]

卧槽，这个好强啊！

[PandaSaury]

为毛没有 PHP 版本的？

[CupTools]

@CrazySpiderMan
@jasontse

机房 G 口，独服+SSD 在跑，仍然掉链。应该是哪里有内存泄漏了

[CupTools]

1.7M: http://url.sc/m

[skylancer]

“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

[CrazySpiderMan]

@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.

[123s]

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。

[CrazySpiderMan]

@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.

[hyq]

已经运行起来！！！！四国义

[CrazySpiderMan]

@CupTools 我看你 Linux 玩得挺转的. 我都忘了好多 Linux 命令了.

[leon3333]

有意思，已 star ，有时间玩一下

[bearqq]

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

[Garantion]

小心蜜罐。

[CrazySpiderMan]

@Garantion 看样子你研究得还挺深的. 是的, 有蜜罐. 我见过好多次了.

[Garantion]

@CrazySpiderMan 看来老司机还留了一手啊……

[wbsdty331]

Ed2k Shareaza 呢

[CupTools]

@CrazySpiderMan 睡了一觉起来, 13M 。然而线程全部挂了

[julor]

@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。

[zqhong]

@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~

[CupTools]

@zqhong 坑就是如果你用 filter 的话 RethinkDB 不会用 index 优化

[123s]

@CrazySpiderMan 好吧，没看到是 todo

[CrazySpiderMan]

@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.

[hyq]

golang 可以开发 chrome 扩展，详情参见 npapi

[iugo]

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.

[ttbt]

@AstroProfundis 擦擦 可以参考下我站的数据 bt0.com 希望能用上你的 code

[CrazySpiderMan]

@ttbt 你站是个好网站! 我已收藏! 下了一个情色电影. :)

[ttbt]

@CrazySpiderMan 我什么都不知道 就不能下个科幻啥的么 捂脸

[kozora]

@jasontse 抗投诉的比如俄罗斯这些可以吧？

[dismonday]

顶一下

[CrazySpiderMan]

@CupTools 现在最新版爬虫已稳定了. 你可以去 github 瞅瞅.

[CupTools]

@CrazySpiderMan 🌚最近在研究朴素贝尔斯算法

[CupTools]

@CrazySpiderMan 建议用 Promise ， callback 不堪入目

[CrazySpiderMan]

@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.

[wico77]

作者对程序 bug 崩溃已经不 care 了。也不再维护了。