DHT網(wǎng)絡爬蟲基于DHT網(wǎng)絡構建了一個P2P資源搜索引擎。這個搜索引擎不但可以用于構建DHT網(wǎng)絡中活躍的資源索引（活躍的資源意味著該網(wǎng)絡中肯定有人至少持有該資源的部分數(shù)據(jù)），還可以分析出該網(wǎng)絡中的熱門分享資源。小蝦不久前發(fā)布了一個這樣的搜索引擎：磁力搜索。他也寫博客對此稍作了介紹：寫了個磁力搜索的網(wǎng)頁 － 收錄最近熱門分享的資源。網(wǎng)絡上其實也有其他人做了類似的應用：DHT monitoring，Crawling Bittorrent DHT
但是他的這篇文章僅介紹了DHT網(wǎng)絡的大致工作原理，并且這個爬蟲的具體工作原理也沒有提到。對此我查閱了些文章及代碼，雖然從原理上梳理出了整個實現(xiàn)方案，但很多細節(jié)還是不甚清楚。所以本文僅作概要介紹。
DHT/Magnet/Torrent
在P2P網(wǎng)絡中，要通過種子文件下載一個資源，需要知道整個P2P網(wǎng)絡中有哪些計算機正在下載/上傳該資源。這里將這些提供某個資源下載的計算機定義為peer。傳統(tǒng)的P2P網(wǎng)絡中，存在一些tracker服務器，這些服務器的作用主要用于跟蹤某個資源有哪些關聯(lián)的peer。下載這個資源當然得首先取得這些peer。
DHT的出現(xiàn)用于解決當tracker服務器不可用時，P2P客戶端依然可以取得某個資源的peer。DHT解決這個問題，是因為它將原來tracker上的資源peer信息分散到了整個網(wǎng)絡中。這里將實現(xiàn)了DHT協(xié)議的計算機定義為節(jié)點(node)。通常一個P2P客戶端程序既是peer也是節(jié)點。DHT網(wǎng)絡有多種實現(xiàn)算法，例如Kademlia。
當某個P2P客戶端通過種子文件下載資源時，如果沒有tracker服務器，它就會向DHT網(wǎng)絡查詢這個資源對應的peer列表。資源的標識在DHT網(wǎng)絡中稱為infohash，是一個20字節(jié)長的字符串，一般通過sha1算法獲得，也就是一個類似UUID的東西。
實際上，種子文件本身就對應著一個infohash，這個infohash是通過種子文件的文件描述信息動態(tài)計算得到。一個種子文件包含了對應資源的描述信息，例如文件名、文件大小等。Magnet，這里指的是磁力鏈接，它是一個類似URL的字符串地址。P2P軟件通過磁力鏈接，會下載到一個種子文件，然后根據(jù)該種子文件繼續(xù)真實資源的下載。
磁力鏈接中包含的最重要的信息就是infohash。這個infohash一般為40字節(jié)或32字節(jié)，它其實只是資源infohash（20字節(jié)）的一種編碼形式。
Kademlia
Kademlia是DHT網(wǎng)絡的一種實現(xiàn)。網(wǎng)絡上關于這個算法的文章，主要是圍繞整個DHT網(wǎng)絡的實現(xiàn)原理進行論述。個人覺得這些文章很蛋疼，基本上讀了之后對于要如何去實現(xiàn)一個DHT客戶端還是沒有概念。這里主要可參考P2P中DHT網(wǎng)絡介紹，以及BitTorrent網(wǎng)站上的DHT協(xié)議描述
Kad的主要目的是用于查詢某個資源對應的peer列表，而這個peer列表實際上是分散在整個網(wǎng)絡中。網(wǎng)絡中節(jié)點數(shù)量很大，如果要獲得peer列表，最簡單的做法無非就是依次詢問網(wǎng)絡中的每個節(jié)點。這當然不可行。所以在Kad算法中，設立了一個路由表。每一個節(jié)點都有一份路由表。這個是按照節(jié)點之間的距離關系構建出來的。節(jié)點之間的距離當然也有特定的算法定義，在Kad中通過對兩個節(jié)點的ID進行異或操作得到。節(jié)點的ID和infohash通過相同算法構建，都是20字節(jié)長度。節(jié)點和infohash之間也有距離關系，實際上表示的是節(jié)點和資源的距離關系。
有了這個路由表之后，再通過一個基于距離關系的查找算法，就可以實現(xiàn)不用挨個遍歷就找到特定的節(jié)點。而查找資源peer這個操作，正是基于節(jié)點查找這個過程。
路由表的實現(xiàn)，按我的理解，有點類似一般的hash表結構。在這個表中有160個桶，稱為K桶，這個桶的數(shù)量在實現(xiàn)上可以動態(tài)增長。每個桶保存有限個元素，例如K取值為8，指的就是這個桶最多保存8個元素。每個元素就是一個節(jié)點，節(jié)點包含節(jié)點ID、地址信息以及peer信息。這些桶可以通過距離值索引得到，即距離值會經(jīng)過一個hash算法，使其值落到桶的索引范圍內。
要加入一個DHT網(wǎng)絡，需要首先知道這個網(wǎng)絡中的任意一個節(jié)點。如何獲得這個節(jié)點？在一些開源的P2P軟件中，會提供一些節(jié)點地址，例如transmission中提供的dht.transmissionbt.com:6881。
協(xié)議
Kad定義了節(jié)點之間的交互協(xié)議。這些協(xié)議支撐了整個DHT網(wǎng)絡里信息分布式存儲的實現(xiàn)。這些協(xié)議都是使用UDP來傳送。其協(xié)議格式使用一種稱為bencode的編碼方式來編碼協(xié)議數(shù)據(jù)。bencode是一種文本格式的編碼，它還用于種子文件內的信息編碼。
Kad協(xié)議具體格式可參考BitTorrent的定義：DHT Protocol。這些協(xié)議包括4種請求：ping，find_node，get_peer，announce_peer。在有些文檔中這些請求的名字會有不同，例如announce_peer又被稱為store，get_peer被稱為find_value。這4種請求中，都會有對應的回應消息。其中最重要的消息是get_peer，其目的在于在網(wǎng)絡中查找某個資源對應的peer列表。
值得一提的是，所有這些請求，包括各種回應，都可以用于處理該消息的節(jié)點構建路由表。因為路由表本質就是存儲網(wǎng)絡中的節(jié)點信息。
ping
用于確定某個節(jié)點是否在線。這個請求主要用于輔助路由表的更新。
find_node
用于查找某個節(jié)點，以獲得其地址信息。當某個節(jié)點接收到該請求后，如果目標節(jié)點不在自己的路由表里，那么就返回離目標節(jié)點較近的K個節(jié)點。這個消息可用于節(jié)點啟動時構建路由表。通過find_node方式構建路由表，其實現(xiàn)方式為向DHT網(wǎng)絡查詢自己。那么，接收該查詢的節(jié)點就會一直返回其他節(jié)點了列表，查詢者遞歸查詢，直到無法查詢?yōu)橹?。那么，什么時候無法繼續(xù)查詢呢？這一點我也不太清楚。每一次查詢得到的都是離目標節(jié)點更接近的節(jié)點集，那么理論上經(jīng)過若干次遞歸查詢后，就無法找到離目標節(jié)點更近的節(jié)點了，因為最近的節(jié)點是自己，但自己還未完全加入網(wǎng)絡。這意味著最后所有節(jié)點都會返回空的節(jié)點集合，這樣就算查詢結束？
實際上，通過find_node來構建路由表，以及順帶加入DHT網(wǎng)絡，這種方式什么時候停止在我看來并不重要。路由表的構建并不需要在啟動時構建完成，在以后與其他節(jié)點的交互過程中，路由表本身就會慢慢地得到構建。在初始階段盡可能地通過find_node去與其他節(jié)點交互，最大的好處無非就是盡早地讓網(wǎng)絡中的其他節(jié)點認識自己。
get_peer
通過資源的infohash獲得資源對應的peer列表。當查詢者獲得資源的peer列表后，它就可以通過這些peer進行資源下載了。收到該請求的節(jié)點會在自己的路由表中查找該infohash，如果有收錄，就返回對應的peer列表。如果沒有，則返回離該infohash較近的若干個節(jié)點。查詢者若收到的是節(jié)點列表，那么就會遞歸查找。這個過程同find_node一樣。
值得注意的是，get_peer的回應消息里會攜帶一個token，該token會用于稍后的announce_peer請求。
announce_peer
該請求主要目的在于通知，通知其他節(jié)點自己開始下載某個資源。這個消息用于構建網(wǎng)絡中資源的peer列表。當一個已經(jīng)加入DHT網(wǎng)絡的P2P客戶端通過種子文件開始下載資源時，首先在網(wǎng)絡中查詢該資源的peer列表，這個過程通過get_peer完成。當某個節(jié)點從get_peer返回peer時，查詢者開始下載，然后通過announce_peer告訴返回這個peer的節(jié)點。
announce_peer中會攜帶get_peer回應消息里的token。關于這一點，我有一個疑問是，在P2P中DHT網(wǎng)絡介紹文檔中提到：
(announce_peer)同時會把自己的peer信息發(fā)送給先前的告訴者和自己K桶中的k個最近的節(jié)點存儲該peer-list信息
不管這里提到的K的最近的節(jié)點是離自己最近，還是離資源infohash最近的節(jié)點，因為處理announce_peer消息時，有一個token的驗證過程。但是這K個節(jié)點中，并沒有在之前創(chuàng)建對應的token。我通過transmission中的DHT實現(xiàn)做了個數(shù)據(jù)收集，可以證明的是，announce_peer消息是不僅僅會發(fā)給get_peer的回應者的。
DHT爬蟲
DHT爬蟲是一個遵循Kad協(xié)議的假節(jié)點程序。具體可以參考小蝦發(fā)布的那個網(wǎng)站應用：磁力搜索。
這個爬蟲的實現(xiàn)方式，主要包含以下內容：
- 通過其他節(jié)點的announce_peer發(fā)來的infohash確認網(wǎng)絡中有某個資源可被下載
- 通過從網(wǎng)絡中獲取這個資源的種子文件，來獲得該資源的描述
通過累計收集得到的資源信息，就可以提供一個資源搜索引擎，或者構建資源統(tǒng)計信息。以下進一步描述實現(xiàn)細節(jié)。整個爬蟲的實現(xiàn)依賴了一個很重要的信息，那就是資源的infohash實際上就是一個磁力鏈接（當然需要包裝一下數(shù)據(jù)）。這意味著一旦我們獲得了一個infohash，我們就等于獲得了一個種子。
獲得資源通知
當爬蟲程序加入DHT網(wǎng)絡后，它總會收到其他節(jié)點發(fā)來的announce_peer消息。announce_peer消息與get_peer消息里都帶了資源的infohash，但是get_peer里的infohash對應的資源在該網(wǎng)絡中不一定存在，即該資源沒有任何可用peer。而announce_peer則表示已經(jīng)確認了該網(wǎng)絡中有節(jié)點正在下載該資源，也即該資源的數(shù)據(jù)確實存在該網(wǎng)絡中。
所以，爬蟲程序需要盡最大努力地獲取其他節(jié)點發(fā)來的announce_peer消息。如果announce_peer消息會發(fā)送給離消息發(fā)送節(jié)點較近的節(jié)點，那么，一方面，爬蟲程序應該將自己告訴網(wǎng)絡中盡可能多的節(jié)點。這可以通過一次完整的find_node操作實現(xiàn)。另一方面，爬蟲程序內部實現(xiàn)可以部署多個DHT節(jié)點，總之目的在于盡可能地讓爬蟲程序稱為其他節(jié)點的較近者。
當收集到infohash之后，爬蟲程序還需要通過該infohash獲得對應資源的描述信息。
獲取資源信息
獲得資源描述信息，其實就是通過infohash獲得對應的種子文件。這需要實現(xiàn)P2P協(xié)議里的文件分享協(xié)議。種子文件的獲取其實就是一個文件下載過程，下載到種子文件之后，就可以獲取到資源描述。這個過程一種簡單的方法，就是從infohash構建出一個磁力鏈接，然后交給一個支持磁力下載的程序下載種子。
從infohash構建出磁力鏈接非常簡單，只需要將infohash編碼成磁力鏈接的xt字段即可，構建實現(xiàn)可以從transmission源碼里找到：
/* 這個算法其實和printf("%02x", sha1[i])一樣 */
void tr_sha1_to_hex (char *out, const unsigned char *sha1)
{
int i;
static const char hex[] = "0123456789abcdef";
for (i=0; i<20; ++i) {
const unsigned int val = *sha1++;
*out++ = hex[val >> 4];
*out++ = hex[val & 0xf];
}
*out = '\0';
}
void appendMagnet(FILE *fp, const unsigned char *info_hash) {
char out[48];
tr_sha1_to_hex(out, info_hash);
fprintf(fp, "magnet:?xt=urn:btih:%s", out);
}
現(xiàn)在你就可以做一個實驗，在transmission的DHT實現(xiàn)中，在announce_peer消息的處理代碼中，將收到的infohash通過上面的appendMagnet轉換為磁力鏈接輸出到日志文件里。然后，可以通過支持磁力鏈接的程序（例如QQ旋風）直接下載。有趣的是，當QQ旋風開始下載該磁力鏈接對應的種子文件時，你自己的測試程序能收到QQ旋風程序發(fā)出的announce_peer消息。當然，你得想辦法讓這個測試程序盡可能地讓其他節(jié)點知道你，這可以通過很多方式實現(xiàn)。
總結
最終的DHT爬蟲除了需要實現(xiàn)DHT協(xié)議之外，還需要實現(xiàn)P2P文件下載協(xié)議，甚至包括一個種子文件解析模塊?？雌饋戆恍〉墓ぷ髁?。而如果要包裝為一個資源搜索引擎，還會涉及到資源存儲以及搜索，更別說前端呈現(xiàn)了。這個時候，如果你使用的語言不包含這些工具庫，那實在是太悲劇了。沒錯，我就沒找到一個erlang DHT庫（倒是有erlang實現(xiàn)的BT客戶端，懶得去剝了）。
UPDATE
通過詳細閱讀transmission里的DHT實現(xiàn)，一些之前的疑惑隨之解開。
announce_peer會發(fā)給哪些節(jié)點
在一次對infohash的查詢過程中，所有對本節(jié)點發(fā)出的get_peer作出回應的節(jié)點（不論這個回應節(jié)點回應的是nodes還是peers），當本節(jié)點取得peer信息時，就會對所有這些節(jié)點發(fā)出announce_peer。get_peer的回應消息里，不論是peer還是node，都會攜帶一個token，這樣在將來收到對方的announce_peer時，就可以驗證該token。
節(jié)點和bucket狀態(tài)
在本地的路由表中，保存的node是有狀態(tài)之分的。狀態(tài)分為三種：good/dubious/bad。good節(jié)點基本可以斷定該節(jié)點是一個在線的并且可以正?；貞⒌墓?jié)點；而bad節(jié)點則是可確定的無效節(jié)點，通常會盡快從路由表中移除；而dubious則是介于good和bad節(jié)點之間，表示可能有問題的節(jié)點，需要進一步發(fā)送例如ping消息來確認其狀態(tài)。路由表中應該盡可能保證保存的是good節(jié)點，對查詢消息的回應里也需攜帶好的節(jié)點。
bucket也是有狀態(tài)的，當一個bucket中的所有節(jié)點在一定時間之內都沒有任何活動的時候，該bucket則應該考慮進行狀態(tài)的確認，確認方式可以隨機選擇該bucket中的節(jié)點進行find_node操作（這也是find_node除了用于啟動之外的唯一作用，但具體實現(xiàn)不見得使用這種方式）。沒有消息來往的bucket則應該考慮移除。DHT中幾乎所有操作都會涉及到bucket的索引，如果索引到一個所有節(jié)點都有問題的bucket，那么該操作可能就無法完成。
search在何時停止
首先，某次發(fā)起的search，無論是對node還是對peer，都可能導致進一步產(chǎn)生若干個search。這些search都是基于transaction id來標識的。由一次search導致產(chǎn)生的所有子search都擁有相同的transaction id，以使得在該search成功或失敗時可以通過該transaction id來刪除對應的所有search。transaction id也就是DHT中每個消息消息頭”t”的值。
但是search何時停止？transmission中是通過超時機制來停止。在search過程中，如果長時間沒有收到跟該search關聯(lián)的節(jié)點發(fā)來的回應消息，那么就撤銷該search，表示搜索失敗。
參考資料