最近似乎有很多人做DHT爬虫,但是好像没有完全用C#实现的,所以我来介绍一下C#的实现过程。关于DHT协议的原理,网上有很多介绍的文章,这里就不再赘述,仅说说实现的过程,作为抛砖引玉吧。
1、DHT爬虫的实现
DHT协议我选择使用MonoTorrent项目并稍作修改,使爬虫可以得到其他节点“开始下载”的通知。每个DHT节点都有自己的ID,而开始下载的通知只会发送到离自己“最近”的节点,所以如果我们想要收到更多的消息,就要启动尽可能多、ID尽可能平均分布的节点。
在我们收到的“开始下载”消息中,有一个40字节长的字符串,就是这个资源的ID,也表示网络中有一个用户开始下载这个资源了。下载同一个资源的用户越多,表示这个资源越热门,下载速度也越快。
得到资源ID后,需要通过种子缓存服务下载对应的种子文件。如资源ID:640FE84C613C17F663551D218689A64E8AEBEABE,则对应的种子下载地址分别为:
https://zoink.it/torrent/640FE84C613C17F663551D218689A64E8AEBEABE.torrenthttp://bt./64/BE/640FE84C613C17F663551D218689A64E8AEBEABE.torrent
/torrent/640FE84C613C17F663551D218689A64E8AEBEABE.torrent
/torrent/640FE84C613C17F663551D218689A64E8AEBEABE.torrent 选择其中之一下载即可。得到对应的种子文件后,可以直接通过MonoTorrent解析成对象,并读取资源的名称、大小、收录日期、包含的文件等信息,接下来就可以存入数据库为以后的搜索引擎做准备了。
需要注意的是爬虫启动时需要通过已经在DHT网络中的节点引导,常用的引导节点是和,端口都是6881。
2、搜索引擎的实现
种子信息的检索使用,是Apache Lucene项目的.Net移植。通过IIS中运行的守护线程,定时将最新采集的BT信息加入到Lucene索引中,aspx后台通过关键词进行检索即可。
Lucene默认的分词器StandardAnalyzer对中文支持的不是很好,其他的选择还有盘古分词和庖丁解牛,这里btcherry用的是Apache提供的ChineseAnalyzer和StandardAnalyzer配合使用。
参考资料
/beps/bep_0005.html
//05/19/crawl-dht/
/xxxxxx91116/article/details/7970815
/wiki/Kademlia
BT樱桃
/