DHT爬虫:种子分析和爬虫开发

2018-05-02 磁力链百科 0

0×00 前言

曾经有种子帝说过:如果你有一个无聊的想法,那么就在无聊的时候去实现它吧。

起初是想拿网上流传海盗湾那批种子作分析,后来想来点“新鲜的”看看周末大家都在下些啥;开始只是单纯的想抓点信息,发现announce_peer请求过来的name并不全,又开始整下载种子,后来干脆把种子信息导进数据库(基本可以做一个简单的BT搜索了)。

因为具有时效*,3天收集的信息并不完全具有代表*。

0×01 相关术语

1.1 P2P网络

对等计算(Peer to Peer,简称p2p)可以简单的定义成通过直接交换来共享计算机资源和服务,而对等计算模型应用层形成的网络通常称为对等网络。相信大家都用过迅雷,就不多说了。

1.2 DHT网络

DHT(Distributed Hash Table,分布式哈希表),DHT由节点组成,它存储peer的位置,是一种分布式存储方法。在不需要服务器的情况下,每个客户端负责一个小范围的路由,并负责存储一小部分数据,从而实现整个DHT网络的寻址和存储,其中BT客户端包含一个DHT节点,用来联系DHT中其他节点,从而得到peer的位置,进而通过BitTorrent协议下载。

简单来说DHT就是负责管理提供信息和服务节点的管理与路由功能,两个需要区分的概念:

“peer” 是在一个 TCP 端口上监听的客户端/服务器,它实现了 BitTorrent 协议。

“节点” 是在一个 UDP 端口上监听的客户端/服务器,它实现了 DHT(分布式哈希表) 协议。

1.3 Kademlia算法

Kademlia是DHT网络的一种实现。在Kademlia网络中,距离是通过异或(XOR)计算的,结果为无符号整数。distance(A, B) = |A xor B|,值越小表示越近。

1.4 KRPC协议

KRPC 是节点之间的交互协议,是由 bencode 编码组成的一个简单的 RPC 结构,他使用 UDP 报文发送。一个独立的请求包被发出去然后一个独立的包被回复。这个协议没有重发。它包含 3 种消息:请求,回复和错误。对DHT协议而言,这里有 4 种请求:

ping检查一个节点是否有效

find_node向一个节点发送查找节点的请求,在初始路由表或验证桶是否存活时使用

get_peers向一个节点发送查找资源的请求

announce_peer向一个节点发送自己已经开始下载某个资源的通知

一条KRPC消息由一个独立的字典组成,其中ty关键字是每条信息都包含的

1.5 MagNet协议

MagNet协议,也就是磁力链接。是一个通过sha1算法生成一个20字节长的字符串,P2P客户端使用磁力链接,下载资源的种子文件,然后根据种子文件下载资源。

因已有现成的脚本实现,只需要对相关协议有个大概了解就可以动手了。

0×02 DHT爬虫

2.1 实现原理

伪装成DHT节点加入DHT网络中收集信息,DHT中node(加入网络的时候随机生成)与infohash都是使用160bit的表示方式,也就是40位的16进制,意味着数量级有2^160,爬虫主要收集get_peerannounce_peer这两个请求的信息

2.2 get_peer

get_peers与torrent文件的infohash有关,找到待查资源是否有peer。这时KPRC中的q=get_peers,其中包含节点idinfo_hash两个参数,如果被请求的节点有对应info_hash的peers,将返回一个关键字values,如果无则返回关键字nodes,同时也返回一个tokentokenannouce_peer中需要携带。

参数:

{"id" : "

回复:

{"id" : "

或者

{"id" : "

这里过来的info_hash不一定是有真实存在的

2.3 announce_peer

这个请求用来表明发出announce_peer请求的节点,正在某个端口下载torrent文件。包含四个参数请求节点idinfo_hash整型端口porttonken,收到请求的节点检查这个token,如果相同,则返回节点的IPport等联系信息。爬虫中不能直接用announce_peer,否则很容易从上下文中判断是通报虚假资源而被禁掉。

参数:

{"id" : "

回复:

{"id" : "

这里过来的info_hash表明已经有在下载了,大部分是存在的,这里主要收集这个请求的信息info_hashipportname(name不一定有)

pingfind_node和报文案例看一下官方文档或文章后的参考翻译文章,文档已经写得很详细了;了解了这两个请求,基本解决信息收集的问题了。

2.4 Python实现

现在网络上出现的有:

dhtfck

simDHT

DHTCrawler

DHT-woodworm

……

以上是基于Python 2.x版本的,其中DHTCrawler是基于libtorrent库实现,因为短时间内需要收集大量种子,我的做法是先收集大量info_hash,然后直接从种子库下载,这里要用到一个基于异步(Python 3.5)的DHT爬虫Maga

Maga                      - A DHT crawler framework using asyncio.

可以使用以下方法安装

pip3 install maga

如果使用git下载,源码里面的bencoder库需要修改一下,比如改成bcoding,使用

from maga import Magaimport logginglogging.basicConfig(level=logging.INFO)class Crawler(Maga):    async def handler(self, infohash):        logging.info(infohash)crawler = Crawler()crawler.run(6881)

传过来的info_hash是get_peersannounce_peer的,收集announce_peer的需要修改源码过滤一下区分

注:这里需要公网IP(能让其他DHT节点访问到本地监听的端口就行)

2.5 数据存储

数据库使用MySQL,连接使用aiomysql(文档),考虑到数据表多,按hash首字母分16张表存储内容,类似如下

announce_peer_0announce_peer_1......announce_peer_eannounce_peer_f

2.6 收集结果

丢在阿里云ECS(1核、1G、100M/s)上跑了66小时(一个周末),收集信息如下

get_peers请求的info_hash 21,313,390条记录(不重复)
announce_peer请求的info_hash 849,355条记录(不重复)
get_peersannounce_peer请求的info_hash 76,411,582条记录(含重复)

数量少有可能是脚本没写好造成的,也可能被某些DHT节点pass掉了

0×03 magnet & torrent

有了种子的HASH还得将其“转成”种子才行,大致有两种形式,使用协议收集和直接到目前网上公开的缓存种子库下载

3.1 magnet转torrent

协议实现

可以使用libtorrent库实现,libtorrent库是p2p下载的客户端库,有丰富的接口,具体可以参考DHTCrawlerMagnet2Torrent

种子库下载

也就是写web爬虫下载现成的种子,多线程或使用异步,这个看个人爱好整

写了个脚本去抓http://bt.box.n0808.com上的缓存种子,为了提高效率,仅使用announce_peer中的info_hash(849,355),得到509,146个种子,大小19,327,95218.4GB

使用异步,爬去的时候不免会出现连接断掉的情况,16张表为了保持100%地处理所有信息,使用一个列表和一个循环,每当一个表已处理完就移除,直到空退出循环,采集过程中看网络资源调整同时处理任务的数量max_tasks

table = list('0123456789abcdef') while len(table)>0:     for t in table:         sql = 'select distinct info_hash from announce_peer_{} where status=0;'.format(t)         hash_list = await self.find(sql)                          if len(hash_list)>0:             await asyncio.wait([self.hash_queue.put(i[0].upper()) for i in hash_list])             tasks = [asyncio.ensure_future(self.fetch_worker()) for _ in range(self.max_tasks)]             await self.hash_queue.join()             for task in tasks:                 task.cancel()         else:             table.remove(t)

由于大量的请求,爬去过程中有可能会出现僵尸连接,一直连着又不下载,使用超时把它扔掉,下一次循环再进行抓取;在获取结果的过程中只认200、403、404这几种状态,直接扔掉,下一次循环再进行抓取

try:     with aiohttp.Timeout(300):         async with aiohttp.get(url) as response:             try:                 assert response.status == 200                 print('[+][{}]{}'.format(response.status, response.url))                 return await response.read()             except:                 if response.status==404:                     await self.update(info_hash, 2)                 elif response.status==403:                     await self.update(info_hash, 3)                 print('[-][{}]{}'.format(response.status, response.url)) except:     print('[!][000]{}'.format(url))

保存种子,直接写入返回的数据就可以了

with open('./torrent/{}.torrent'.format(info_hash), 'wb') as f:     f.write(torrent)

协议解析收集相对比较慢,种子库下载比较有局限*

3.2 torrent解析

使用libtorrent库,安装

apt -y install python3-libtorrent

直接传入种子,可以解析得到种子名称、哈希值、包含的文件及大小等信息

import libtorrent as ltinfo = lt.torrent_info('test.torrent')name       = info.name()              # 种子名称info_hash  = str(info.info_hash())    # 种子hash值num_files  = info.num_files()         # 种子包含的文件数量total_size = info.total_size()        # 种子大小

除以上之外,还可以获取种子的注释trackers等信息

获取种子下的文件列表信息,path是相对种子的路径,size是该文件的大小(单位比特)

for i in info.files():     print(i.path.strip(),i.size)

获取种子文件中的tracker信息,有些会含有诡异的字符无法正常获取,加个try忽略

for i in info.trackers():     try:         url = print(i.url.strip())     except:         continue

为了方便分离和防止中断,脚本直接列出torrent目录下的所有种子文件放入集合,数据库抽出所有已解析的种子HASH放入集合,每次启动取两集合的差

torr_set = set([t for t in os.listdir(TORRENT_DIR) if t.endswith('.torrent')]) task_list = list(torr_set - hash_set)  # hash_set 为数据库取出已经解析的种子名称集合

3.3 数据存储

种子信息一张表,文件列表按HASH首字母分16张表,trackers一张(刚开始以为一个种子也就3~5条不会很多一张表够用,后来发现有将近400W -_-!)

torrent_infotorrent_trackerstorrent_files_0torrent_files_1......torrent_files_etorrent_files_f

然后用脚本解析种子把信息导进数据库,最后发现其中有75个名称与hash不对应,7个无效种子

0×04 内容分析

说了那么多,是时候看看有多少葫芦娃大战钢铁侠了,以下图表使用D3.js生成。

4.1 总容量

全部种子总容量:1.20PB,解析处理的大小单位是直接,直接求和转换单位即可

select concat(round(sum(total_size)/1024/1024/1024/1024/1024,2),"PB") as "total_size" from torrent_info;

4.2 Tracker URL TOP 20

Tracker服务器主要是收集下载者的信息,并将此信息提供给其他下载者,使下载者们相互连接起来,传输数据。

4.3 种子名称中域名 TOP 20

xxx.mp4与xxx.com都符合同样的规则,下载顶级域名后缀进行正则匹配,mysql的正则不好使,用python匹配以域名为key用字典保存,然后用sorted()排序

sorted(domain.items(),key=lambda d:d[1],reverse=True)[:20]

4.4 种子包含文件扩展名与数量关系

libtorrent没有现成的扩展名属*,主要通过.来取最后几个字符串保存到数据库,直接sql分组统计

4.5 种子包含文件个数与数量关系

种子有单文件种子和多文件种子之分,数量多的大部分是歌曲等信息

4.6 种子大小与数量关系

单个种子的大小,小于1GB的大多数是视频

4.7 DHT端口 TOP 10

announce_peer过来的端口,基本都是随机的,分析这个没啥意

4.8 DHT节点分布图

announce_peer过来的IP,都是相邻的多,分析意义也不大,只是想看看大致分布,ip地址信息调用http://ip.taobao.com/service/getIpInfo.php?ip=1.1.1.1接口,注意保存返回中的country_id这个参数,使用的是ISO 3166-1 Alpha-2的国家编码,有时候生成图表要用ISO 3166-1 Alpha-3的时候方便转换

4.9 名称中关键词 TOP 500

最后,来点毁三观的,据说一眼能定位某词的都是大神。。。。

将所有种子名称导出到一个文本文件,使用“结巴”中文分词(安装pip3 install jieba)提取统计,直接调用官方demo脚本extract_tags_with_weight.py即可,-k是输出数量,9999999+是为了输出全部,-w是计算权重,然后直接用shell过滤掉非中文字符

python3 extract_tags_with_weight.py -k 9999999999 -w 1 torrent_name.txt | awk '{print $2}' | grep -v '^[[:graph:]]*$' | head -n 500 | xargs

很多名字被拆分了,载入定制字典(比如演员名单等)效果可能好点,jieba分词还支持TextRank算法抽词等功能,了解更多请移步项目Github:https://github.com/fxsjy/jieba/tree/jieba3k

可视化展示效果

那么,有人写个脚本与各种云自动离线统计有效率么?

0×05 参考

【python开发的 dht网络爬虫】 https://m.oschina.net/blog/305538
【DHT 爬虫初步】http://firemiles.github.io/2016/02/14/DHT-%E7%88%AC%E8%99%AB%E5%88%9D%E6%AD%A5/
【DHT Protocol:BitTorrent DHT 协议中文翻译】http://justj**ac.com/other/2015/02/01/bittorrent-dht-protocol.html