Dodder分布式 DHT 网络爬虫

联合创作 · 2023-09-29 13:48

        ________      _________________
___  __ \___________  /_____  /____________
__  / / /  __ \  __  /_  __  /_  _ \_  ___/
_  /_/ // /_/ / /_/ / / /_/ / /  __/  /
/_____/ \____/\__,_/  \__,_/  \___//_/     一个支持集群部署的分布式 DHT 网络爬虫。

快速开始

环境依赖

Nacos-1.1.3 (http://nacos.io)
Zookeeper-3.5.5 (http://zookeeper.apache.org/)
Kafka-2.12-2.3.0 (http://kafka.apache.org/)
Redis-2.6 (https://redis.io/)
MongoDB-3.6.8 (https://www.mongodb.com/)
Elasticsearch-7.3.2 (https://www.elastic.co/)
elasticsearch-analysis-ik-7.3.2 (https://github.com/medcl/elasticsearch-analysis-ik)

演示地址

https://dodder.cc

单机运行环境：

CPU: Intel Xeon E3-1230 v3 - 3.3 GHz - 4 core(s)
RAM: 32GB - DDR3
Hard Drive(s): 2x 1TB (HDD SATA)
Bandwidth: Unmetered @ 1Gbps

整体架构

说明：项目中的dht-server、download-service、store-service都是可以集群部署的， dht-server负责爬取 DHT 网络中的 info_hash，然后写入到 Kafka 消息队列中去，download-service 负责读取 info_hash 信息到指定 ip 去下载种子文件的 metadata（集群部署时，注意设置好 kafka 主题的分区数量，分区数量 >= 服务部署个数）。下载好的 metadata 解析出文件信息封装成 Torrent 对象写入 Kafka 的 torrentMessages主题中去，store-service负责读取 Torrent 存储到 Elasticsearch 中去。

去重：dht-server中使用Redis第一次进行拦截过滤，download-service查询Elasticsearch进行二次判断去重，store-service中采用upsert进行第三次去重。实际上upsert已经完全可以进行去重了，前面两次是用来减少下载次数，提升爬取的速度。

部署

前面的环境全部搭好之后，clone 整个项目到本地，如果是集群部署请修改各个服务模块里面的一些 ip 地址参数，我这里服务器有限，只拿了一台服务器单机部署，集群部署有问题的欢迎提 issue。

注意

dht-server 需要公网 IP 才能爬取到 info_hash

编辑分享