网络爬虫的C++程序

[搜片神器]之DHT网络爬虫的C++程序初步开源

回应大家的要求，特地整理了一开始自己整合的代码，这样最简单，最直接的可以分析流程，至于文章里面提供的程序界面更多，需要大家自己开发。

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: h31bt.com 大家可以给提点意见...

服务器在抓取和处理同时进行，所以访问速度慢是有些的，特别是搜索速度通过SQL的like来查询慢，正在通过分词改进中。。

http://h31bt.com:666/ 采用了hubbledotnet框架分词 来加快搜索速度，后面会用此来代替h31bt.com的网站。

DHT抓取程序开源地址：https://github.com/h31h31/H31DHTDEMO

数据处理程序开源地址:https://github.com/h31h31/H31DHTMgr



通过调试程序大家可以初步分析DHT网络是如何加入的，等大家自己分析会了单一线程的方法，后面如何组织多线程应该没有问题。

接着 [搜片神器]之DHT网络爬虫的代码实现方法 这篇文章接着说明如何进入DHT网络的原理。

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。

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；

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；

4.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.大家可以看VS调试窗口的输出信息就可以分析出一些流程方面的工作。



对应的协议说明：http://www.bittorrent.org/beps/bep_0005.html

5.收到信息后，通过回调函数进行相关的保存操作就可以了。

6.DHT网络一般PING操作都会有PONG回应，但发送FINDNODE回应的不会是全部有的。

7.由于自己只是伪装正常的BT步骤，并没有真正的提供种子下载操作，所以我们只会发get_peers操作，不会发送annouce_peer操作，等待别人给我们回应annouce_peer操作。

8.请求发送速度不能过快，这样的话自己的带宽也需要不少，需要考虑每个IP过一会儿再请求操作，以免进对方的黑名单。

在调试了解如何一步步进行DHT网络操作后，annouce_peer过来的HASH就是真正活跃的种子文件，我们对此保存就可以了。

其它不明白的地方，大家需要自行进行调试解决，分析代码是最好的老师，dht.c dht.h文件可能被我注释了一些地方，大家自己进行对比，尽量使用原代码。

至于如何从DHT网络直接下载种子文件，需要分析BT种子协议，但经过测试，发现比直接从HTTP网站下载来得慢，直接HTTP下载快很多。

从DHT网络直接下载种子文件对应的协议说明：
http://www.bittorrent.org/beps/bep_0009.html http://www.bittorrent.org/beps/bep_0010.html
希望大家多多推荐哦...