python DHT网络爬虫

DHT是什么

DHT全称叫分布式哈希表(Distributed Hash Table)，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。
各种博客已经有很多关于DHT介绍，这里就不详细列举了

加入DHT网络可以做什么

老司机开车(神秘代码)
P2P资源共享

DHT网络的其中一种协议实现(Kademlia)

要加入一个DHT网络，需要首先知道这个网络中的任意一个节点。如何获得这个节点？在一些开源的P2P软件中，会提供一些节点地址
主要协议

ping(用于确定某个节点是否在线。这个请求主要用于辅助路由表的更新)
find_node(用于查找某个节点，以获得其地址信息。)
get_peer(通过资源的infohash获得资源对应的peer列表。)
announce_peer(通知其他节点自己开始下载某个资源,announce_peer中会携带get_peer回应消息里的token。)

DHT爬虫的工作原理

通过其他节点的announce_peer发来的infohash确认网络中有某个资源可被下载
通过从网络中获取这个资源的种子文件，来获得该资源的描述
不停的认识新节点,让远程节点保存自身到远程的路由表中

爬虫做的工作

BOOTSTRAP过程,加入DHT网络(主动认识DHT网络的其中一个节点)
加入进DHT网络后。远端节点会主动告诉我们它认识哪些节点
认识远端节点认识的节点
当远端成功保存自身节点到远端路由表中的时候，目的达成
等待远端的announce_peer消息
成功获取远端的下载hash
开车

python DHT爬虫

# coding: utf-8import socket
from hashlib import sha1
from random import randint
from struct import unpack, pack
from socket import inet_aton, inet_ntoa
from bisect import bisect_left
from threading import Timer
# from time import sleepfrom bencode import bencode, bdecodeBOOTSTRAP_NODES = [("router.bittorrent.com", 6881),("dht.transmissionbt.com", 6881),("router.utorrent.com", 6881)
]
TID_LENGTH = 4
KRPC_TIMEOUT = 10
REBORN_TIME = 5 * 60
K = 8def entropy(bytes):s = ""for i in range(bytes):s += chr(randint(0, 255))return s# """把爬虫"伪装"成正常node, 一个正常的node有ip, port, node ID三个属性, 因为是基于UDP协议,     # 所以向对方发送信息时, 即使没"明确"说明自己的ip和port时, 对方自然会知道你的ip和port,     # 反之亦然. 那么我们自身node就只需要生成一个node ID就行, 协议里说到node ID用sha1算法生成,     # sha1算法生成的值是长度是20 byte, 也就是20 * 8 = 160 bit, 正好如DHT协议里说的那范围: 0 至 2的160次方,     # 也就是总共能生成1461501637330902918203684832716283019655932542976个独一无二的node.     # ok, 由于sha1总是生成20 byte的值, 所以哪怕你写SHA1(20)或SHA1(19)或SHA1("I am a 2B")都可以,     # 只要保证大大降低与别人重复几率就行. 注意, node ID非十六进制,     # 也就是说非FF5C85FE1FDB933503999F9EB2EF59E4B0F51ECA这个样子, 即非hash.hexdigest(). """
def random_id():hash = sha1()hash.update( entropy(20) )return hash.digest()def decode_nodes(nodes):n = []length = len(nodes)if (length % 26) != 0: return nfor i in range(0, length, 26):nid = nodes[i:i+20]ip = inet_ntoa(nodes[i+20:i+24])port = unpack("!H", nodes[i+24:i+26])[0]n.append( (nid, ip, port) )return ndef encode_nodes(nodes):strings = []for node in nodes:s = "%s%s%s" % (node.nid, inet_aton(node.ip), pack("!H", node.port))strings.append(s)return "".join(strings)def intify(hstr):#"""这是一个小工具, 把一个node ID转换为数字. 后面会频繁用到.""" return long(hstr.encode('hex'), 16) #先转换成16进制, 再变成数字def timer(t, f):Timer(t, f).start()class BucketFull(Exception):passclass KRPC(object):def __init__(self):self.types = {"r": self.response_received,"q": self.query_received}self.actions = {"ping": self.ping_received,"find_node": self.find_node_received,"get_peers": self.get_peers_received,"announce_peer": self.announce_peer_received,}self.socket = socket.socket(socket.AF_INET, socket.SOCK_DGRAM)self.socket.bind(("0.0.0.0", self.port))def find_node_handler(self,msg):passdef response_received(self, msg, address):self.find_node_handler(msg)def query_received(self, msg, address):try:self.actions[msg["q"]](msg, address)except KeyError:passdef send_krpc(self, msg, address):try:self.socket.sendto(bencode(msg), address)except:passclass Client(KRPC):def __init__(self, table):self.table = tabletimer(KRPC_TIMEOUT, self.timeout)timer(REBORN_TIME, self.reborn)KRPC.__init__(self)def find_node(self, address, nid=None):print "find node:",addressnid = self.get_neighbor(nid) if nid else self.table.nidtid = entropy(TID_LENGTH)msg = {"t": tid,"y": "q","q": "find_node","a": {"id": nid, "target": random_id()}}self.send_krpc(msg, address)def find_node_handler(self, msg):try:nodes = decode_nodes(msg["r"]["nodes"])for node in nodes:(nid, ip, port) = nodeif len(nid) != 20: continueif nid == self.table.nid: continueself.find_node( (ip, port), nid )except KeyError:passdef joinDHT(self):for address in BOOTSTRAP_NODES: self.find_node(address)def timeout(self):if len( self.table.buckets ) < 2:self.joinDHT()timer(KRPC_TIMEOUT, self.timeout)def reborn(self):self.table.nid = random_id()self.table.buckets = [ KBucket(0, 2**160) ]timer(REBORN_TIME, self.reborn)def start(self):self.joinDHT()while True:try:(data, address) = self.socket.recvfrom(65536)msg = bdecode(data)self.types[msg["y"]](msg, address)except Exception:passdef get_neighbor(self, target):return target[:10]+random_id()[10:]class Server(Client):def __init__(self, master, table, port):self.table = tableself.master = masterself.port = portClient.__init__(self, table)def ping_received(self, msg, address):try:nid = msg["a"]["id"]msg = {"t": msg["t"],"y": "r","r": {"id": self.get_neighbor(nid)}}self.send_krpc(msg, address)self.find_node(address, nid)except KeyError:passdef find_node_received(self, msg, address):try:target = msg["a"]["target"]neighbors = self.table.get_neighbors(target)nid = msg["a"]["id"]msg = {"t": msg["t"],"y": "r","r": {"id": self.get_neighbor(target), "nodes": encode_nodes(neighbors)}}self.table.append(KNode(nid, *address))self.send_krpc(msg, address)self.find_node(address, nid)except KeyError:passdef get_peers_received(self, msg, address):try:infohash = msg["a"]["info_hash"]neighbors = self.table.get_neighbors(infohash)nid = msg["a"]["id"]msg = {"t": msg["t"],"y": "r","r": {"id": self.get_neighbor(infohash), "nodes": encode_nodes(neighbors)}}self.table.append(KNode(nid, *address))self.send_krpc(msg, address)self.master.log(infohash)self.find_node(address, nid)except KeyError:passdef announce_peer_received(self, msg, address):try:infohash = msg["a"]["info_hash"]nid = msg["a"]["id"]msg = { "t": msg["t"],"y": "r","r": {"id": self.get_neighbor(infohash)}}self.table.append(KNode(nid, *address))self.send_krpc(msg, address)self.master.log(infohash)self.find_node(address, nid)except KeyError:pass
# 该类只实例化一次.
class KTable(object):# 这里的nid就是通过node_id()函数生成的自身node ID. 协议里说道, 每个路由表至少有一个bucket,     #  还规定第一个bucket的min=0, max=2^160次方, 所以这里就给予了一个buckets属性来存储bucket, 这个是列表.def __init__(self, nid):self.nid = nidself.buckets = [ KBucket(0, 2**160) ]def append(self, node):index = self.bucket_index(node.nid)try:bucket = self.buckets[index]bucket.append(node)except IndexError:returnexcept BucketFull:if not bucket.in_range(self.nid): returnself.split_bucket(index)self.append(node)# 返回与目标node ID或infohash的最近K个node.    # 定位出与目标node ID或infohash所在的bucket, 如果该bucuck有K个节点, 返回.     # 如果不够到K个节点的话, 把该bucket前面的bucket和该bucket后面的bucket加起来, 只返回前K个节点.    # 还是不到K个话, 再重复这个动作. 要注意不要超出最小和最大索引范围.    # 总之, 不管你用什么算法, 想尽办法找出最近的K个节点.    def get_neighbors(self, target):nodes = []if len(self.buckets) == 0: return nodesif len(target) != 20 : return nodesindex = self.bucket_index(target)try:nodes = self.buckets[index].nodesmin = index - 1max = index + 1while len(nodes) < K and ((min >= 0) or (max < len(self.buckets))):if min >= 0:nodes.extend(self.buckets[min].nodes)if max < len(self.buckets):nodes.extend(self.buckets[max].nodes)min -= 1max += 1num = intify(target)nodes.sort(lambda a, b, num=num: cmp(num^intify(a.nid), num^intify(b.nid)))return nodes[:K] #K是个常量, K=8 except IndexError:return nodesdef bucket_index(self, target):return bisect_left(self.buckets, intify(target))# 拆表    # index是待拆分的bucket(old bucket)的所在索引值.     # 假设这个old bucket的min:0, max:16. 拆分该old bucket的话, 分界点是8, 然后把old bucket的max改为8, min还是0.     # 创建一个新的bucket, new bucket的min=8, max=16.    # 然后根据的old bucket中的各个node的nid, 看看是属于哪个bucket的范围里, 就装到对应的bucket里.     # 各回各家,各找各妈.    # new bucket的所在索引值就在old bucket后面, 即index+1, 把新的bucket插入到路由表里. def split_bucket(self, index):old = self.buckets[index]point = old.max - (old.max - old.min)/2new = KBucket(point, old.max)old.max = pointself.buckets.insert(index + 1, new)for node in old.nodes[:]:if new.in_range(node.nid):new.append(node)old.remove(node)def __iter__(self):for bucket in self.buckets:yield bucketclass KBucket(object):__slots__ = ("min", "max", "nodes")# min和max就是该bucket负责的范围, 比如该bucket的min:0, max:16的话,     # 那么存储的node的intify(nid)值均为: 0到15, 那16就不负责, 这16将会是该bucket后面的bucket的min值.     # nodes属性就是个列表, 存储node. last_accessed代表最后访问时间, 因为协议里说到,     # 当该bucket负责的node有请求, 回应操作; 删除node; 添加node; 更新node; 等这些操作时,     # 那么就要更新该bucket, 所以设置个last_accessed属性, 该属性标志着这个bucket的"新鲜程度". 用linux话来说, touch一下.    # 这个用来便于后面说的定时刷新路由表.    def __init__(self, min, max):self.min = minself.max = maxself.nodes = []# 添加node, 参数node是KNode实例.    # 如果新插入的node的nid属性长度不等于20, 终止.    # 如果满了, 抛出bucket已满的错误, 终止. 通知上层代码进行拆表.    # 如果未满, 先看看新插入的node是否已存在, 如果存在, 就替换掉, 不存在, 就添加,    # 添加/替换时, 更新该bucket的"新鲜程度".    def append(self, node):if node in self:self.remove(node)self.nodes.append(node)else:if len(self) < K:self.nodes.append(node)else:raise BucketFulldef remove(self, node):self.nodes.remove(node)def in_range(self, target):return self.min <= intify(target) < self.maxdef __len__(self):return len(self.nodes)def __contains__(self, node):return node in self.nodesdef __iter__(self):for node in self.nodes:yield nodedef __lt__(self, target):return self.max <= targetclass KNode(object):# """    #        nid就是node ID的简写, 就不取id这么模糊的变量名了. __init__方法相当于别的OOP语言中的构造方法,     #        在python严格来说不是构造方法, 它是初始化, 不过, 功能差不多就行.    #        """ __slots__ = ("nid", "ip", "port")def __init__(self, nid, ip, port):self.nid = nidself.ip = ipself.port = portdef __eq__(self, other):return self.nid == other.nid#using example
class Master(object):def __init__(self, f):self.f = fself.hashArr = []def log(self, infohash):nhash = infohash.encode("hex")if nhash not in self.hashArr:self.hashArr.append(nhash)self.f.write(+"\n")self.f.flush()
try:print "start DHT Spider"f = file("hash.txt","a+")m = Master(f)s = Server(Master(f), KTable(random_id()), 6881)s.start()
except KeyboardInterrupt:s.socket.close()f.close()

python DHT网络爬虫相关推荐

DHT网络爬虫的实现
DHT协议原理以及一些重点分析: 要做DHT的爬虫,首先得透彻理解DHT,这样才能知道在什么地方究竟该应用什么算法去解决问题.关于DHT协议的细节以及重要的参考文章,请参考文末1 DHT协议作为BT协 ...
Python3网络爬虫快速入门实战解析（一小时入门 Python 3 网络爬虫）
Python3网络爬虫快速入门实战解析(一小时入门 Python 3 网络爬虫) https://blog.csdn.net/u012662731/article/details/78537432 出 ...
网页爬虫python代码_《用python写网络爬虫》完整版+源码
原标题:<用python写网络爬虫>完整版+源码 <用python写网络爬虫>完整版+附书源码本书讲解了如何使用Python来编写网络爬虫程序,内容包括网络爬虫简介,从页面中 ...
Python学习网络爬虫--转
原文地址:https://github.com/lining0806/PythonSpiderNotes Python学习网络爬虫主要分3个大的版块:抓取,分析,存储另外,比较常用的爬虫框架Scra ...
Python即时网络爬虫项目: 内容提取器的定义(Python2.7版本)
1. 项目背景在Python即时网络爬虫项目启动说明中我们讨论一个数字:程序员浪费在调测内容提取规则上的时间太多了(见上图),从而我们发起了这个项目,把程序员从繁琐的调测规则中解放出来,投入到更高端 ...
《用Python写网络爬虫》——1.5 本章小结
本节书摘来自异步社区<用Python写网络爬虫>一书中的第1章,第1.5节,作者 [澳]Richard Lawson(理查德劳森),李斌译,更多章节内容可以访问云栖社区"异步 ...
Python之父推荐！《Python 3网络爬虫开发实战》第二版！文末送签名版！
很多读者会让我写爬虫方面的书籍,我也一直没写,没写的原因主要有两个,第一个就是在爬虫方面我其实不是很擅长,第二个原因就是因为在爬虫领域庆才已经做的足够好了,我写不一定能写出庆才这水平的,所以也就一直没 ...
用Python写网络爬虫pdf
下载地址:网盘下载作为一种便捷地收集网上信息并从中抽取出可用信息的方式,网络爬虫技术变得越来越有用.使用Python这样的简单编程语言,你可以使用少量编程技能就可以爬取复杂的网站. <用Pyt ...
python网络爬虫_python小知识，基于Python 的网络爬虫技术分析
在现阶段大数据的时代中,想要实现对数据的获取和分析,要先具备足够的数据源,网络爬虫技术就为其数据获取提供了良好的条件,且还能够实现对数据源的目的性采集. 在网络爬虫技术应用中,Python 脚本语言的 ...

python DHT网络爬虫

DHT是什么

加入DHT网络可以做什么

DHT网络的其中一种协议实现(Kademlia)

要加入一个DHT网络，需要首先知道这个网络中的任意一个节点。如何获得这个节点？在一些开源的P2P软件中，会提供一些节点地址

主要协议

DHT爬虫的工作原理

爬虫做的工作

python DHT爬虫

python DHT网络爬虫相关推荐

最新文章

热门文章