LibreTorrent:Android平台上的开源BitTorrent客户端
LibreTorrent是一款功能强大且完全免费的Android BitTorrent客户端,采用GPLv3开源协议发布。该项目致力于为用户提供一个自由、透明且功能完整的torrent下载解决方案,强调隐私保护和用户自由。
项目概述
LibreTorrent基于libtorrent4j库构建,支持BitTorrent 2.0协议和WebTorrent技术。它提供了完整的torrent下载管理功能,包括文件选择下载、流媒体播放、RSS订阅自动下载等高级特性。应用采用Material Design设计语言,支持深色主题和Android TV适配。
核心技术特性
完整的协议支持
- BitTorrent 2.0和WebTorrent协议兼容
- 支持DHT、PeX、加密连接、LSD(本地发现)
- UPnP和NAT-PMP端口映射支持
- µTP(Micro Transport Protocol)协议
高级功能
- 文件选择性下载和优先级设置
- 下载完成后自动移动文件到指定目录
- 支持流媒体播放,可边下边播
- RSS订阅和自动下载管理
- 支持创建包含多个大文件的种子
- IP过滤功能(支持eMule DAT和PeerGuardian列表)
用户界面
- Material Design设计,支持深色和黑色主题
- 平板电脑和Android TV优化界面
- 多语言支持(超过35种语言)
- 可定制的网络、电池和UI设置
技术架构
LibreTorrent采用现代化的Android架构,主要包含以下核心组件:
TorrentEngine - 核心下载引擎,管理所有torrent会话和下载任务
TorrentRepository - 数据持久层,负责torrent信息的存储和检索
FileSystemFacade - 文件系统抽象层,处理各种存储方案的兼容性
SettingsRepository - 配置管理,支持丰富的自定义设置选项
项目使用Room数据库进行数据持久化,支持复杂的torrent状态管理和恢复功能。网络层基于libtorrent4j库,提供了稳定高效的P2P传输能力。
应用场景
LibreTorrent适用于多种使用场景:
移动下载 - 在Android设备上快速下载大文件 媒体播放 - 支持流媒体播放,无需等待完整下载 内容分享 - 创建和分享自己的torrent文件 RSS订阅 - 自动监控和下载感兴趣的内容 Android TV - 大屏幕设备上的torrent下载和管理
项目特点
完全开源 - 采用GPLv3协议,代码完全开放透明 隐私保护 - 不收集用户数据,所有权限明确告知 无广告 - 纯净的使用体验,无任何广告干扰 社区驱动 - 鼓励用户参与翻译和功能开发 跨设备支持 - 支持手机、平板、TV等多种设备形态
开发与贡献
项目欢迎开发者贡献代码,贡献指南详见CONTRIBUTING.md。开发遵循KISS(Keep It Simple, Stupid)原则,注重代码的可维护性和可读性。
本地化文件位于app/src/main/res/values-*目录下,支持通过Weblate平台进行翻译贡献。项目使用标准的Android开发工具链,支持Gradle构建。
许可证与隐私
LibreTorrent采用GNU General Public License v3.0许可证,确保软件的自由性。隐私政策明确说明应用不收集用户个人信息,所有数据本地存储。
要获取项目源代码,可以克隆仓库:
git clone https://gitcode.com/gh_mirrors/li/libretorrent
LibreTorrent代表了Android平台上torrent客户端的开源解决方案,为追求自由软件和隐私保护的用户提供了优秀的选择。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0187
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0112
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
omega-aiOmega-AI:基于java打造的深度学习框架,帮助你快速搭建神经网络,实现模型推理与训练,引擎支持自动求导,多线程与GPU运算,GPU支持CUDA,CUDNN。Java03
llm-universe本项目是一个面向小白开发者的大模型应用开发教程,在线阅读地址:https://datawhalechina.github.io/llm-universe/Jupyter Notebook08




