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

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：

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：

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

Torznab自动化场景

代码架构解析

1. 中央调度器(server.go)

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。

2. Web界面处理(webui/httpserver.go)

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
}

3. GraphQL处理(gql/httpserver.go)

func (b builder) Apply(e *gin.Engine) {
e.POST("/graphql", handleQueries) // 查询端点
e.GET("/graphql", showPlayground) // 调试界面
}

4. Torznab处理(torznab/httpserver.go)

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"

"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

关键代码模块

1. 查询解析(tsquery.go)

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'"
}
// ...
}

2. 查询构建(query.go)

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,
// ...
)
}

3. 分面统计(facets.go)

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)