转载

手撕包菜磁力搜索引擎的开源说明

已经一年半载没有写博客了，搞得上来不知道写些什么。博客上的内容还时不时有人评论，大部分我还是会一一回复的。有些人会关注我的博客用什么主机，我的博客现在是用Linode的主机，因为现在很便宜，而且配置不差。另外比较多的是问手撕包菜的源代码能否提供，能否出售。今天我写这个文章就是把手撕包菜的网站开源了，包括网站页面，DHT爬虫和搜索引擎相关部分。

2年前的那篇跟磁力搜索相关的文章在这里：

写了个磁力搜索的网页－收录最近热门分享的资源

作为最早在国内研究和实践DHT爬虫的人，我的灵感是来自芬兰Helsinki大学的这篇论文：

Real-World Sybil Attacks in BitTorrent Mainline DHT

英文好的同学应该很容易读懂，跟我写的不到300行的爬虫代码大致原理一样。初次接触DHT网络的可以结合我之前的文章阅读，或者拜读 Kevin Lynx的博客。所以具体原理在这里就不再阐述了。

手撕包菜一开始只是为了纯粹的技术研究，没有去想这个搜索引擎能给网民带来什么样的福利。当时采集了大量的数据，发现有一半以上的资源为限级内容，于是试图去对资源进行分类并且做了很多这方面的工作。譬如，基本上能通过一套规则能筛选出限级内容，对资源进行分类，如果是视频还能匹配出是哪一部影片。可惜，这些工作我主观上认为对生活应用并没有太大价值，于是就放弃了深入的研究。或许是因为网民使用此类搜索引擎大部分都是具有明显的目的性。

手撕包菜经历了多次点技术变更。开源版本使用了django网站框架重写，之前是Flask，再早期是tornado。电影FM也是使用tornado，后来发现tornado并不适用于任何场景。以内容为王的网站还是django比较擅长，只是入门时间比其他框架都较长。早期数据库采用了MongoDB，因为配合Python读写数据很方便，也不用关注数据结构，搜索功能采用自带的关键词搜索，不过后来随着资源数量增加，性能也明显跟不上。今年换了WiredTiger引擎，自带的fulltext search还是不给力。另外Amazon的cloudsearch是个坑，土豪可以考虑，性能真的很不错，就是比较贵。最后还是搭建一个SphinxSearch吧，数据库也换成MySQL（MyISAM引擎），配合起来也很方便。Sphinx创建全文索引的速度很给力，官方的自评也很高，我自己测试1000w的资源（大概3GB），1分钟左右就索引完毕。不信，大家可以自测一下。

网站和爬虫代码已经上传到GitHub，地址：

https://github.com/78/ssbc

代码采用GPLv2协议发布，使用时请遵循GPLv2的规定。开源的目的是为了交流，学习和改进。如果商用，请务必告知。

附一个P2P网络协议QQ交流群：97912038。

正文到此结束