DHT爬虫：18.4GB种子分析小记

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）。

因为具有时效性，3天收集的信息并不完全具有代表性。

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：

一条KRPC消息由一个独立的字典组成，其中 t 和 y 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_peer 、 announce_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 id 和 info_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 token ， token 在 annouce_peer 中需要携带。

参数：

{"id" : "<querying nodes id>", "info_hash" : "<20-byte infohash of target torrent>"}

回复：

{"id" : "<queried nodes id>", "token" :"<opaque write token>", "values" : ["<peer 1 info string>", "<peer 2 info string>"]}

或者

{"id" : "<queried nodes id>", "token" :"<opaque write token>", "nodes" : "<compact node info>"}

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id 、 info_hash 、 整型端口port 和 tonken ，收到请求的节点检查这个 token ，如果相同，则返回节点的 IP 和 port 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" : "<querying nodes id>", "implied_port": <0 or 1>, "info_hash" : "<20-byte infohash of target torrent>", "port" : <port number>, "token" : "<opaque token>"}

回复：

{"id" : "<queried nodes 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_hash 、 ip 、 port 、 name （name不一定有）

ping 和 find_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：

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 Maga

import logging
logging.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_peers 和 announce_peer 的，收集 announce_peer 的需要修改源码过滤一下区分

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_0
announce_peer_1
......
announce_peer_e
announce_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

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 DHTCrawler 或 Magnet2Torrent

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 19,327,952 （ 18.4GB ）

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性

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 lt

info = 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_info
torrent_trackers

torrent_files_0
torrent_files_1
......
torrent_files_e
torrent_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性，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 $2}' | LANG=C grep -v '^[[:graph:]]*$' | 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