________      _________________
___  __ \___________  /_____  /____________
__  / / /  __ \  __  /_  __  /_  _ \_  ___/
_  /_/ // /_/ / /_/ / / /_/ / /  __/  /
/_____/ \____/\__,_/  \__,_/  \___//_/     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-4.0.13 (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

announce_peer messages:

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

更新日志

• 2019-10-25
  • 升级目前部署在服务器上的 MongoDB，之前 3.6.8 版本频繁挂掉无错误日志
  • 使用 MongoDB 连接池
  • 去掉 indexMessages 主题消息，索引与入库使用 torrentMessages 同一个主题消息（使用不同分组），减少网络传输以及磁盘占用
  • 去除种子信息下载之前的 MongoDB 去重查询（几千个下载线程就是几千个并发查询，过于耗费资源）
• 2019-10-20
  • 优化爬虫速度，新增阻塞线程池用于下载种子信息（降低内存使用）
  • 40万数据时（日爬取35w+新数据）
• 2019-10-13
  • 数据存储到 MongoDB，Elasticsearch 只做索引
  • 升级各个环境依赖的版本
  • 优化数据存储服务，将 Kafka Torrent 的入库和索引消息改为手动提交模式，防止数据丢失
  • 进行两台服务器分布式部署测试，目前成功部署运行中：
    1. A 服务器部署微服务：dht-server、store-service （服务器有限，所以所有环境依赖比如 Elasticsearch 全在这台机器上）
    2. B 服务器部署微服务：dht-server、download-service、dodder-web
• 2019-04-17
  • 初始版本

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：Redis 第一次去重，MongDB 与 Elasticsearch 采用 upsert 插入数据防止重复插入。

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