[搜片神器]之DHT网络爬虫的代码实现方法

 

继续接着第一篇写:使用C#实现DHT磁力搜索的BT种子后端管理程序+数据库设计（开源）[搜片神器]

 谢谢园子朋友的支持,已经找到个VPS进行测试,国外的服务器: http://www.sosobta.com 大家可以给提点意见...

开源地址:https://github.com/h31h31/H31DHTMgr

程序下载:H31DHT下载

 

看大家对昨天此类文章的兴趣没有第一篇高,今天就简单的对支持的朋友进行交流.园子里的朋友希望授大家以渔,所以这部分代码就先不放出来.希望大家更多的加入进来.

也希望谁有能力将C++的代码转换成C#的,添加到我们的搜片神器工具里面.

昨天通过向大家介绍DHT的工作原理,相信大家大概明白怎么回事,不明白的朋友可以继续分享接下来的文章.

 本人借鉴的代码是C++版本的:transmission里面的DHT代码,大家可以访问网站下载:http://www.transmissionbt.com/ 

不过里面的代码环境是LINUX下的,需要自己转换到相应的WIN平台上来.

有兴趣使用C#来完成DHT功能的朋友可以借鉴mono-monotorrent,里面的框架代码比较多,不如C++的transmission里面就三个文件来得明白.

transmission里面只有三个文件就可以实现dht的功能: dht.c dht.h dht-example.c，并且接口很简单，复用性很好。

下面介绍进入DHT网络主要功能步骤

dht.c dht.h代码分成三部分:
1、路由表的插入操作。
1）如果节点已经在路由表中，则更新节点，返回。
2）如果桶没有满，则插入，返回。
3）如果发现失效节点，替换，返回。
4）发现可疑节点，则保存新节点到缓存中并且如果该可疑节点没有ping,发出ping_node操作，返回。
5）现在，桶已经充满了好的节点，如果自己的ID没有落在这个桶中，返回。
6）将桶空间分成两半。跳到步骤1）。

2、KAD远程处理调用。
这部分又分成3种，
1）ping/pong操作。
所有的包的tid都使用pg\0\0
2）find_node操作。
所有的包的tid都使用fn\0\0
3）get_peers/annouce_peer操作。
对同一个HASH的一次递归查询中，tid保持不变。
其中只有3)种实现bittorrent的DHT规范里面提到的递归查询操作，1)和2)仅仅用来维护路由表，并且不保存状态。

3、定时器处理：
为了检测路由表中节点的有效性（根据规范，路由表中应该只保存有效节点），在代码中，在执行krpc操作时如果发现时对路由表中的节点操作，那么则保存操作的开始时间 pinged_time，通过操作的开始时间来判断操作是否超时。

expire_stuff_time 超时时，会执行下面的操作:
1、检查路由表中失效的节点（根据pinged_time来判定），并将该节点删除。
2、检查用来保存annoounce_peer的节点是否超过30分钟（这个不打算深入讨论，故不做解析）。
3、检查递归查询操作超时。

rotate_secrets_time 定时器。
用来每隔大约15分左右就更换token(见DHT规范).

confirm_nodes_time 定时器。
查找长期没有活动的桶，然后通过执行一个find_node的krpc操作来刷新它。

search_time定时器。
有可能出现发出的所有的get_peers操作，都没有应答，那么search_time定时器遇到这种情形时负责重发所有请求。（注意: get_peers操作最大未决的krpc请求数是3）

用于维持路由表的ping/pong操作:
在试图插入节点时，发现桶已经满，而存在可疑节点时会触发ping_node操作。未响应的节点会有可疑最终变为失效节点，而被替换。

下面介绍我们是如何进入DHT网络

1. DHT必须把自己电脑当服务器,别人才能够知道自己是谁,所以需要通过UDP绑定端口,参考代码里面支持IPV6,个人觉得可以过滤掉.WIN平台代码如下:

       //初始化socket
       m_soListen =(int)socket(PF_INET, SOCK_DGRAM, IPPROTO_IP);
       if (m_soListen == INVALID_SOCKET) {
           m_iErrorNo=WSAGetLastError();
           _dout(_T("CH31CarMonitorDlg Start Error(%d).\n"),m_iErrorNo);
           return -1;
       }
       //初始化服务器地址
       SOCKADDR_IN addr;
       memset(&addr, 0, sizeof(addr));
       addr.sin_family = AF_INET;
       addr.sin_port = htons(port);
       addr.sin_addr.s_addr = htonl(INADDR_ANY);
       //绑定端口监听
       if (bind(m_soListen, (SOCKADDR*)&addr, sizeof(addr)) == SOCKET_ERROR) {
           m_iErrorNo=WSAGetLastError();
           _dout(_T("CH31CarMonitorDlg Start Error(%d).\n"),m_iErrorNo);
           return -2;
       }

2. DHT需要生成一个自己的20位ID号,当然可以通过随机一个数值,然后通过SHA1来生成20位的ID号,WIN平台代码如下:

   unsigned char p[20];
   CSHA1 sha1;
   sha1.Reset();
   sha1.Update((const unsigned char *)m_myID.GetBuffer(),   m_myID.GetLength());
   sha1.Final();
   sha1.GetHash(p);

3. 初始化他人服务器的IP信息,这样我们就可以从他们那里查询我们要的信息,借鉴代码如下:

       rc = getaddrinfo("router.utorrent.com","6881", &hints1, &info);
       //rc = getaddrinfo("router.bittorrent.com","6881", &hints1, &info);
       //rc = getaddrinfo("dht.transmissionbt.com","6881", &hints1, &info);
       if(rc != 0) {
           fprintf(stderr, "getaddrinfo: %s\n", gai_strerror(rc));
           exit(1);
       }
       infop = info;
       while(infop&&m_bDataThread) 
       {
           memcpy(&bootstrap_nodes[num_bootstrap_nodes],infop->ai_addr, infop->ai_addrlen);
           infop = infop->ai_next;
           num_bootstrap_nodes++;
       }
       freeaddrinfo(info);

4. 现在就可以初始化我们的DHT类了.由于此类使用C写的,大家可以自行封装成C++类使用.

       rc = m_dht.dht_init(s, s6, m_myid,NULL);
       if(rc < 0) {
           perror("dht_init");
           exit(1);
       }

5. 对服务器进行PING操作,服务器就会回应PONG操作,这样就表明服务器活动正常.

       for(int i = 0; i < num_bootstrap_nodes&&m_bDataThread; i++) 
       {
           m_dht.dht_ping_node((struct sockaddr*)&bootstrap_nodes[i],sizeof(bootstrap_nodes[i]));
           Sleep(m_dht.random() % 1000);
       }

6. 下面就可以使用搜索类进行操作,查询我们要的HASH值的BT种子文件代码.借鉴代码如下:

    if(searching) {
               if(s >= 0)
                   dht_search(hash, 0, AF_INET, callback, NULL);
               if(s6 >= 0)
                   dht_search(hash, 0, AF_INET6, callback, NULL);
               searching = 0;
           }

7. 大家可以借鉴dht-example.c里面接下来的Search函数的操作,不过我们不是这样来的,我们需要直接向服务器发送Findnode和Get_Peer操作.

                   unsigned char tid[16];
                   m_dht.make_tid(tid, "fn", 0);
                   m_dht.send_find_node(&ipRecvPingList[ipListPOS].fromaddr,sizeof(sockaddr),tid,4,ipRecvPingList[ipListPOS].ID,0,0);
                   Sleep(100);
                   memset(tid,0,sizeof(tid));
                   m_dht.make_tid(tid, "gp", 0);
                   m_dht.send_get_peers(&ipRecvPingList[ipListPOS].fromaddr,sizeof(sockaddr),tid,4,hashList[0],0,0);

8. 接下来的事情就是等待别人返回的信息进行分析就可以了,当然DHT类代码已经全部为我们做好的.

           FD_ZERO(&readfds);
           if(m_soListen >= 0)
               FD_SET(m_soListen, &readfds);
           if(s6 >= 0)
               FD_SET(s6, &readfds);
           rc = select(m_soListen > s6 ? m_soListen + 1 : s6 + 1, &readfds, NULL, NULL, &tv);
           if(rc <0&&m_bDataThread) 
           {
               if(errno != EINTR) {
                   perror("select");
                   Sleep(1000);
               }
           }
           
           if(!m_bDataThread)
               break;
   
           if(rc > 0&&m_bDataThread) 
           {
               fromlen = sizeof(from1);
               memset(buf,0,sizeof(buf));
               if(m_soListen >= 0 && FD_ISSET(m_soListen, &readfds))
                   rc = recvfrom(m_soListen, buf, sizeof(buf) - 1, 0,&from1, &fromlen);
               else if(s6 >= 0 && FD_ISSET(s6, &readfds))
                   rc = recvfrom(s6, buf, sizeof(buf) - 1, 0,&from1, &fromlen);
               else
                   abort();
           }
   
           if(rc > 0&&m_bDataThread) 
           {
               buf[rc] = '\0';
               rc = m_dht.dht_periodic(buf, rc, &from1, fromlen,&tosleep, DHT_callback, this);
   
           } 
           else 
           {
               rc = m_dht.dht_periodic(NULL, 0, NULL, 0, &tosleep, DHT_callback, this);
           }

9. 如何解析信息DHT代码已经有了,如何别人的请求,代码也已经有了,大家可以分析DHT.c就知道是怎么回事.

   int CDHT::dht_periodic(const void *buf, size_t buflen,const struct sockaddr *fromAddr, int fromlen,time_t *tosleep,dht_callback *callback, void *closure)
   {
       gettimeofday(&nowTime, NULL);
   
       if(buflen > 0) 
       {
           int message;
           unsigned char tid[16], id[20], info_hash[20], target[20];
           unsigned char nodes[256], nodes6[1024], token[128];
           int tid_len = 16, token_len = 128;
           int nodes_len = 256, nodes6_len = 1024;
           unsigned short port;
           unsigned char values[2048], values6[2048];
           int values_len = 2048, values6_len = 2048;
           int want;
           unsigned short ttid;
   
           struct sockaddr_in* tempip=(struct sockaddr_in *)fromAddr;
   
           if(is_martian(fromAddr))
               goto dontread;
   
           if(node_blacklisted(fromAddr, fromlen)) {
               _dout("Received packet from blacklisted node.\n");
               goto dontread;
           }
   
           if(((char*)buf)[buflen] != '\0') {
               _dout("Unterminated message.\n");
               errno = EINVAL;
               return -1;
           }
   
           message = parse_message((unsigned char *)buf, buflen, tid, &tid_len, id, info_hash,target, &port, token, &token_len,nodes, &nodes_len, nodes6, &nodes6_len,values, &values_len, values6, &values6_len,&want);
   
           if(token_len>0)
           {
               int a=0;
           }
           if(message < 0 || message == ERROR || id_cmp(id, zeroes) == 0) 
           {
               _dout("Unparseable message: ");
               debug_printable((const unsigned char *)buf, buflen);
               _dout("\n");
               goto dontread;
           }
   
           if(id_cmp(id, myid) == 0) {
               _dout("Received message from self.\n");
               goto dontread;
           }
   
           if(message > REPLY) {
               /* Rate limit requests. */
               if(!token_bucket()) {
                   _dout("Dropping request due to rate limiting.\n");
                   goto dontread;
               }
           }
   
           switch(message) 
           {
           case REPLY:
               if(tid_len != 4) 
               {
                   _dout("Broken node truncates transaction ids: ");
                   debug_printable((const unsigned char *)buf, buflen);
                   _dout("\n");
                   /* This is really annoying, as it means that we will
                      time-out all our searches that go through this node.
                      Kill it. */
                   blacklist_node(id, fromAddr, fromlen);
                   goto dontread;
               }
               if(tid_match(tid, "pn", NULL)) 
               {
                   _dout("Pong!From IP:%s:[%d] id:[%s]\n",inet_ntoa(tempip->sin_addr),tempip->sin_port,id);
                   new_node(id, fromAddr, fromlen, 2);
                   (*callback)(closure, DHT_EVENT_PONG_VALUES,id,(void*)fromAddr, fromlen);
                   //send_find_node(from,fromlen,tid,4,id,0,0);
               } 
               else if(tid_match(tid, "fn", NULL) ||tid_match(tid, "gp", NULL)) 
               {
                   int gp = 0;
                   struct search *sr = NULL;
                   if(tid_match(tid, "gp", &ttid)) 
                   {
                       gp = 1;
                       sr = find_search(ttid, fromAddr->sa_family);
                   }
                   _dout("Nodes found (%d+%d)%s!From IP:%s:[%d]\n", nodes_len/26, nodes6_len/38,gp ? " for get_peers" : "",inet_ntoa(tempip->sin_addr),tempip->sin_port);
                   if(nodes_len % 26 != 0 || nodes6_len % 38 != 0) 
                   {
                       _dout("Unexpected length for node info!\n");
                       blacklist_node(id, fromAddr, fromlen);
                   } 
                   //else if(gp && sr == NULL) 
                   //{
       //                _dout("Unknown search!\n");
       //                new_node(id, fromAddr, fromlen, 1);
       //            } 
                   else 
                   {
                       int i;
                       new_node(id, fromAddr, fromlen, 2);
                       for(i = 0; i < nodes_len / 26; i++) 
                       {
                           unsigned char *ni = nodes + i * 26;
                           struct sockaddr_in sin;
                           if(id_cmp(ni, myid) == 0)
                               continue;
                           memset(&sin, 0, sizeof(sin));
                           sin.sin_family = AF_INET;
                           memcpy(&sin.sin_addr, ni + 20, 4);
                           memcpy(&sin.sin_port, ni + 24, 2);
                           new_node(ni, (struct sockaddr*)&sin, sizeof(sin), 0);
                           (*callback)(closure, DHT_EVENT_FINDNODE_VALUES, ni,(void*)&sin, sizeof(sin));
                           if(sr && sr->af == AF_INET) 
                           {
                               insert_search_node(ni,(struct sockaddr*)&sin,sizeof(sin),sr, 0, NULL, 0);
                           }
                           //send_get_peers((struct sockaddr*)&sin,sizeof(sockaddr),tid,4,ni,0,0);
                       }
                       for(i = 0; i < nodes6_len / 38; i++) 
                       {
                           unsigned char *ni = nodes6 + i * 38;
                           struct sockaddr_in6 sinip6;
                           if(id_cmp(ni, myid) == 0)
                               continue;
                           memset(&sinip6, 0, sizeof(sinip6));
                           sinip6.sin6_family = AF_INET6;
                           memcpy(&sinip6.sin6_addr, ni + 20, 16);
                           memcpy(&sinip6.sin6_port, ni + 36, 2);
                           new_node(ni, (struct sockaddr*)&sinip6, sizeof(sinip6), 0);
                           if(sr && sr->af == AF_INET6) 
                           {
                               insert_search_node(ni,(struct sockaddr*)&sinip6,sizeof(sinip6),sr, 0, NULL, 0);
                           }
                       }
                       if(sr)
                           /* Since we received a reply, the number of requests in flight has decreased.  Let's push another request. */
                           search_send_get_peers(sr, NULL);
                   }
                   //if(sr) 
                   {
                      // insert_search_node(id, fromAddr, fromlen, sr,1, token, token_len);
                       if(values_len > 0 || values6_len > 0) 
                       {
                           _dout("Got values (%d+%d)!\n", values_len / 6, values6_len / 18);
                           if(callback) {
                               if(values_len > 0)
                                   (*callback)(closure, DHT_EVENT_VALUES, sr->id,(void*)values, values_len);
   
                               if(values6_len > 0)
                                   (*callback)(closure, DHT_EVENT_VALUES6, sr->id,(void*)values6, values6_len);
                           }
                       }
                   }
               } 
               else if(tid_match(tid, "ap", &ttid)) 
               {
                   struct search *sr;
                   _dout("Got reply to announce_peer.\n");
                   sr = find_search(ttid, fromAddr->sa_family);
                   if(!sr) {
                       _dout("Unknown search!\n");
                       new_node(id, fromAddr, fromlen, 1);
                   } 
                   else 
                   {
                       int i;
                       new_node(id, fromAddr, fromlen, 2);
                       for(i = 0; i < sr->numnodes; i++)
                       {
                           if(id_cmp(sr->nodes[i].id, id) == 0) 
                           {
                               sr->nodes[i].request_time = 0;
                               sr->nodes[i].reply_time = nowTime.tv_sec;
                               sr->nodes[i].acked = 1;
                               sr->nodes[i].pinged = 0;
                               break;
                           }
                       }
                       /* See comment for gp above. */
                       search_send_get_peers(sr, NULL);
                   }
               } 
               else 
               {
                   _dout("Unexpected reply: ");
                   debug_printable((const unsigned char *)buf, buflen);
                   _dout("\n");
               }
               break;
           case PING:
               _dout("Ping (%d)!From IP:%s:%d\n", tid_len,inet_ntoa(tempip->sin_addr),tempip->sin_port);
               new_node(id, fromAddr, fromlen, 1);
               _dout("Sending pong.\n");
               send_pong(fromAddr, fromlen, tid, tid_len);
               break;
           case FIND_NODE:
               _dout("Find node!From IP:%s:%d\n",inet_ntoa(tempip->sin_addr),tempip->sin_port);
               new_node(id, fromAddr, fromlen, 1);
               _dout("Sending closest nodes (%d).\n", want);
               send_closest_nodes(fromAddr, fromlen,tid, tid_len, target, want,0, NULL, NULL, 0);
               break;
           case GET_PEERS:
               _dout("Get_peers!From IP:%s:%d\n",inet_ntoa(tempip->sin_addr),tempip->sin_port);
               new_node(id, fromAddr, fromlen, 1);
               if(id_cmp(info_hash, zeroes) == 0) 
               {
                   _dout("Eek!  Got get_peers with no info_hash.\n");
                   send_error(fromAddr, fromlen, tid, tid_len,203, "Get_peers with no info_hash");
                   break;
               } 
               else 
               {
                   struct storage *st = find_storage(info_hash);
                   unsigned char token[TOKEN_SIZE];
                   make_token(fromAddr, 0, token);
                   if(st && st->numpeers > 0) 
                   {
                        _dout("Sending found%s peers.\n",fromAddr->sa_family == AF_INET6 ? " IPv6" : "");
                        send_closest_nodes(fromAddr, fromlen,tid, tid_len,info_hash, want,fromAddr->sa_family, st,token, TOKEN_SIZE);
                   } 
                   else 
                   {
                       _dout("Sending nodes for get_peers.\n");
                       send_closest_nodes(fromAddr, fromlen,tid, tid_len, info_hash, want,0, NULL, token, TOKEN_SIZE);
                   }
                   if(callback) 
                   {
                       (*callback)(closure, DHT_EVENT_GET_PEER_VALUES, info_hash,(void *)fromAddr, fromlen);
                   }
               }
   
               break;
           case ANNOUNCE_PEER:
               _dout("Announce peer!From IP:%s:%d\n",inet_ntoa(tempip->sin_addr),tempip->sin_port);
               new_node(id, fromAddr, fromlen, 1);
   
               if(id_cmp(info_hash, zeroes) == 0) 
               {
                   _dout("Announce_peer with no info_hash.\n");
                   send_error(fromAddr, fromlen, tid, tid_len,203, "Announce_peer with no info_hash");
                   break;
               }
               if(!token_match(token, token_len, fromAddr)) {
                   _dout("Incorrect token for announce_peer.\n");
                   send_error(fromAddr, fromlen, tid, tid_len,203, "Announce_peer with wrong token");
                   break;
               }
               if(port == 0) {
                   _dout("Announce_peer with forbidden port %d.\n", port);
                   send_error(fromAddr, fromlen, tid, tid_len,203, "Announce_peer with forbidden port number");
                   break;
               }
               if(callback) 
               {
                   (*callback)(closure, DHT_EVENT_ANNOUNCE_PEER_VALUES, info_hash,(void *)fromAddr, fromlen);
               }
               storage_store(info_hash, fromAddr, port);
               /* Note that if storage_store failed, we lie to the requestor.
                  This is to prevent them from backtracking, and hence polluting the DHT. */
               _dout("Sending peer announced.\n");
               send_peer_announced(fromAddr, fromlen, tid, tid_len);
           }
       }
   
    dontread:
       if(nowTime.tv_sec >= rotate_secrets_time)
           rotate_secrets();
   
       if(nowTime.tv_sec >= expire_stuff_time) {
           expire_buckets(buckets);
           expire_buckets(buckets6);
           expire_storage();
           expire_searches();
       }
   
       if(search_time > 0 && nowTime.tv_sec >= search_time) {
           struct search *sr;
           sr = searches;
           while(sr) {
               if(!sr->done && sr->step_time + 5 <= nowTime.tv_sec) 
               {
                   search_step(sr, callback, closure);
               }
               sr = sr->next;
           }
   
           search_time = 0;
   
           sr = searches;
           while(sr) {
               if(!sr->done) {
                   time_t tm = sr->step_time + 15 + random() % 10;
                   if(search_time == 0 || search_time > tm)
                       search_time = tm;
               }
               sr = sr->next;
           }
       }
   
       if(nowTime.tv_sec >= confirm_nodes_time) {
           int soon = 0;
   
           soon |= bucket_maintenance(AF_INET);
           soon |= bucket_maintenance(AF_INET6);
   
           if(!soon) 
           {
               if(mybucket_grow_time >= nowTime.tv_sec - 150)
                   soon |= neighbourhood_maintenance(AF_INET);
               if(mybucket6_grow_time >= nowTime.tv_sec - 150)
                   soon |= neighbourhood_maintenance(AF_INET6);
           }
   
           /* In order to maintain all buckets' age within 600 seconds, worst
              case is roughly 27 seconds, assuming the table is 22 bits deep.
              We want to keep a margin for neighborhood maintenance, so keep
              this within 25 seconds. */
           if(soon)
               confirm_nodes_time = nowTime.tv_sec + 5 + random() % 20;
           else
               confirm_nodes_time = nowTime.tv_sec + 60 + random() % 120;
       }
   
       if(confirm_nodes_time > nowTime.tv_sec)
           *tosleep = confirm_nodes_time - nowTime.tv_sec;
       else
           *tosleep = 0;
   
       if(search_time > 0) {
           if(search_time <= nowTime.tv_sec)
               *tosleep = 0;
           else if(*tosleep > search_time - nowTime.tv_sec)
               *tosleep = search_time - nowTime.tv_sec;
       }
   
       return 1;
   }

10. 至于节点如何进行桶操作,调试过一次代码就会明白对应的原理,当然上面也介绍了如何进行桶分裂的原理.
11. 接下来就是将上面的操作步骤进行循环.

通过上面的流程,了解DHT的工作方法后,如何增加更多的返回信息就需要下一篇的技术性问题的介绍,希望大家一起修改我们的开源程序.

大家有不明白的地方,可以一起讨论.

 

 

大家的推荐才是下一篇介绍的动力...