[p2p-Magnet] docs | HTTP API与Web界面 | 搜索查询引擎

mit6.8242025-08-29 11:41

链接：https://bitmagnet.io/

磁力链接（Magnet）

磁力链接是一种基于文件内容的统一资源标识符（URI），用于通过点对点（P2P）网络共享文件。与传统的基于服务器的下载方式不同，磁力链接依赖于分布式网络，无需中心化服务器即可获取文件。

磁力链接的组成

典型的磁力链接包含以下参数（以 magnet:?xt=urn:btih: 开头）：

  • xt（exact topic）：唯一标识文件的哈希值（如BTIH哈希）。
  • dn（display name）：文件名（可选）。
  • tr（tracker）：Tracker服务器地址（可选）。
  • 其他参数：如文件大小、子文件索引等。

示例：

css 复制代码 
magnet:?xt=urn:btih:1A2B3C4D5E6F7G8H9I0J&dn=example.mp4&tr=udp://tracker.example.com:80

如何使用磁力链接

  1. 下载工具

    需使用支持P2P协议的客户端，如：

    • qBittorrent
    • μTorrent
    • Transmission
    • BitComet

  2. 操作步骤

    • 复制磁力链接。
    • 在客户端中选择"添加链接"或直接粘贴。
    • 客户端会解析链接并开始下载。

  3. 无Tracker下载

    现代DHT（分布式哈希表）技术允许节点间直接发现资源，即使没有Tracker服务器。

磁力链接的优势

  • 去中心化：不依赖特定服务器，降低单点故障风险。
  • 隐私性：无需注册或登录即可下载。
  • 灵活性：支持动态添加Tracker或文件元数据。

注意事项

  • 版权问题：部分资源可能涉及侵权，需遵守当地法律法规。
  • 安全性：建议配合防病毒软件使用，避免恶意文件。
  • 速度依赖：下载速度受网络环境和节点数量影响。

docs：bitmagnet

bitmagnet 是一个自托管平台，能够自动发现、分类和索引BitTorrent内容 。它采用独特的DHT爬虫 直接从网络发现种子，然后通过智能分类器 识别电影、音乐等内容类型。所有数据存储在数据库中，并通过强大的搜索查询引擎 提供Web界面和多种API访问。

可视化

章节列表

  1. HTTP API与网页界面
  2. 搜索查询引擎
  3. 数据模型(GORM)
  4. DHT爬虫
  5. 分类器
  6. 队列处理器
  7. DHT K表

第1章：HTTP API与Web界面

想象我们已经搭建好bitmagnet系统，它正在后台持续爬取网络上的种子资源。这很棒！但如何实际使用它呢？如何搜索特定电影，或者让媒体管理工具(如Sonarr或Radarr)自动查找最新剧集？

这就是HTTP API 和Web界面的用武之地！它们是系统与外界交互的"门户"，为用户(及其他程序)提供控制通道。可以将其视为系统的控制面板和显示屏。

HTTP API与Web界面解析

让我们解析这两个核心组件：

Web用户界面(WebUI)

WebUI是用户最熟悉的部分，基于Angular框架构建，可通过Chrome等浏览器直接访问。

  • 类比说明：将系统视为持续发现和组织种子的智能机器人，WebUI就是配备精美显示屏的控制台。用户通过鼠标键盘操作按钮、输入搜索词，直观查看系统发现的所有种子及其详情。专为人工浏览和管理设计。
  • 核心功能：可视化检索已索引种子、查看详细信息、监控系统运行状态(如爬取进度)。

HTTP应用程序接口(API)

HTTP API更偏技术向，专为其他程序与系统直接"对话"设计。采用与网页传输相同的HTTP协议，但返回结构化数据而非完整页面。

  • 类比说明 ：相当于机器人的命令行接口或专用指令集。其他程序(或高级用户脚本)可发送精确指令获取标准化格式数据。适用于自动化任务和第三方软件集成。
  • 核心功能 ：提供编程访问接口，包含两个主要模块：
    • GraphQL端点：灵活查询种子数据的精确字段
    • Torznab端点：为Sonarr等媒体管理工具提供标准化的种子搜索接口

使用指南

Web界面操作步骤

  1. 打开浏览器
  2. 访问系统地址 ：默认运行在本机时访问http://localhost:8080/webui，根目录会自动重定向至此
  3. 种子搜索：在搜索框输入关键词(如"The Matrix")，即可查看匹配结果的名称、大小、发现时间等元数据，点击条目可查看详情
  4. 功能导航 ：通过界面链接可访问不同模块，如仪表盘(/dashboard)查看系统状态，种子搜索页(/torrents)为主操作界面

HTTP API调用方式

1. GraphQL精准查询

通过http://localhost:8080/graphql访问交互式Playground，示例查询：

graphql 复制代码 
query {
  search(query: "电影名") {
    torrents {
      infoHash
      title
    }
  }
}

该查询会返回匹配种子的哈希值和标题字段，输出为结构化JSON格式。

2. Torznab自动化对接

媒体管理工具通过标准Torznab接口(通常为http://localhost:8080/torznab/*)自动请求资源。例如Sonarr在需要更新剧集时，系统会返回XML格式的种子列表供其直接处理。

技术实现原理

核心交互流程

WebUI搜索场景

用户 浏览器 服务器 Web处理器 GraphQL处理器 访问/webui 请求界面文件 获取Angular应用 返回前端资源 展示交互界面 输入搜索词 提交GraphQL查询 执行数据库检索 返回JSON结果 展示结果列表 用户 浏览器 服务器 Web处理器 GraphQL处理器

Torznab自动化场景

Sonarr 服务器 Torznab处理器 请求剧集资源 解析查询 返回XML结果 提供种子数据 Sonarr 服务器 Torznab处理器

代码架构解析

  1. 中央调度器(server.go)
go 复制代码 
func New(p Params) Result {
    g := gin.New() // HTTP服务器核心
    for _, o := range p.Options {
        o.Apply(g) // 注册各模块路由
    }
    return Result{}
}

采用Gin框架构建，通过选项模式集成各功能模块。

  1. Web界面处理(webui/httpserver.go)
go 复制代码 
func (b *builder) Apply(e *gin.Engine) {
    e.StaticFS("/webui", staticFiles) // 托管前端资源
    e.GET("/", redirectToWebUI)      // 根路径重定向
}
  1. GraphQL处理(gql/httpserver.go)
go 复制代码 
func (b builder) Apply(e *gin.Engine) {
    e.POST("/graphql", handleQueries)   // 查询端点
    e.GET("/graphql", showPlayground)  // 调试界面
}
  1. Torznab处理(torznab/httpserver.go)
go 复制代码 
func (b builder) Apply(e *gin.Engine) {
    e.GET("/torznab/*any", handleRequest) // 通配路由
}

总结

HTTP API与Web界面构成系统双通道交互体系：

  • WebUI提供人性化可视化操作
  • API 支持程序化集成与自动化
    两者共同搭建起系统与用户/外部工具的沟通桥梁。

接下来我们将深入探索系统的检索核心：搜索查询引擎

第2章：搜索查询引擎

在第1章：HTTP API与Web界面中，我们了解了如何通过Web界面和API与系统交互。但系统在收到搜索请求后具体如何运作？如何从海量数据中精准定位目标资源？

这就是搜索查询引擎的职责所在！它如同系统的智能图书管理员，能理解用户需求，快速筛选数百万"书籍"（种子资源），精准返回结果并推荐相关内容。

搜索查询引擎解析

这是系统实现信息检索的核心大脑，支持通过不同规则和条件检索所有已索引的种子资源。

核心特性：

  • 信息检索：支持关键词搜索（如"电影名"）
  • 智能过滤：支持精确短语、排除项、分类筛选等高级语法
  • 结果聚合 ：通过分面统计将结果按类别分组（如"电影类：150项"）

引擎基于PostgreSQL全文搜索实现高效文本检索。

搜索功能详解

基础搜索

通过Web界面搜索框直接输入关键词即可触发基础搜索。

高级搜索语法

支持在Web界面或GraphQL API中使用特殊语法：

语法 功能说明 示例
引号(") 精确短语匹配 "香蕉船"匹配完整短语
点号(.) 指定词序（类似引号） 苹果.橙子近似"苹果 橙子"
或运算符(` `) 逻辑或
非运算符(!) 排除项 橙子!苹果排除含"苹果"结果
通配符(*) 前缀匹配（仅词尾） appl*匹配"apple"等
括号(()) 条件分组 `(苹果
标准化 不区分大小写/特殊字符 cafe匹配"café"

案例演示：搜索"蒸汽船威利"

复制代码 
"蒸汽船威利" 1928 !4k | "米老鼠"
  • "蒸汽船威利"：精确匹配标题
  • 1928：包含该年份版本
  • !4k：排除4K分辨率资源
  • | "米老鼠"：同时显示相关资源

分面统计功能

通过分面过滤实现结果分类导航：

  • 分类维度：内容类型、标签、语言等
  • 聚合统计：显示各类别结果数量（如"电影(150)"）
  • 动态筛选：点击分类可实时缩小结果范围

技术实现原理

核心处理流程

用户 前端界面 查询引擎 数据库 提交搜索请求 转发查询 1.语法解析→TSQuery转换 执行TSQuery检索 返回原始数据+统计 2.结果处理+聚合计算 结构化结果 渲染展示 用户 前端界面 查询引擎 数据库

关键代码模块

  1. 查询解析(tsquery.go)
go 复制代码 
func AppQueryToTsquery(str string) string {
    // 将用户搜索转换为PostgreSQL的TSQuery语法
    if str == `"蒸汽船威利" 1928 !4k` {
        return "('蒸汽船' <-> '威利') & '1928' & !'4k'"
    }
    // ...
}
  1. 查询构建(query.go)
go 复制代码 
func TorrentContent(ctx context.Context, opts ...Option) {
    // 组合各类查询条件
    query.GenericQuery(
        ctx,
        query.Options(append([]Option{query.SelectAll()}, opts...)...),
        model.TableNameTorrentContent,
        // ...
    )
}
  1. 分面统计(facets.go)
go 复制代码 
func calculateAggregations(ctx context.Context) (Aggregations, error) {
    // 对每个分类维度执行计数查询
    // SELECT count(*) WHERE (...) AND content_type='movie'
    // ...
}

总结

搜索查询引擎通过：

  1. 智能语法解析
  2. 高效数据库检索
  3. 动态结果聚合
    构建起系统的核心检索能力。下一章将深入探讨数据存储结构：数据模型(GORM)
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03BongoCat - 跨平台键盘猫动画工具04《大数据技术原理与应用》实验报告三 熟悉HBase常用操作05Linux下V2Ray安装配置指南06GitLab 零基础入门指南：从安装到项目管理全流程07NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南08jdk21下载、安装（Windows、Linux、macOS）09安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）10在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）