[转]大量小文件的实时同步方案

作者：davies

来源：http://blog.daviesliu.net/2008/04/24/sync/

传统的文件同步方案有rsync(单向) 和 unison(双向)等，它们需要扫描所有文件后进行比对，差量传输。如果文件数量达到了百万甚至千万量级，扫描所有文件将非常耗时。而且正在发生变化的往往是其中很少的一部分，这是非常低效的方式。

之前看了Amazon的Dynamo的设计文档，它们每个节点的数据是通过Hash Tree来实现同步，既有通过日志来同步的软实时特点(msyql, bdb等)，也可以保证最终数据的一致性(rsync, unison等)。Hash Tree的大体思路是将所有数据存储成树状结构，每个节点的Hash是其所有子节点的Hash的Hash，叶子节点的Hash是其内容的Hash。这样一旦某个节点发生变化，其Hash的变化会迅速传播到根节点。需要同步的系统只需要不断查询跟节点的hash，一旦有变化，顺着树状结构就能够在logN级别的时间找到发生变化的内容，马上同步。

文件系统天然的是树状结构，尽管不是平衡的数。如果文件的修改时间是可靠的，可以表征文件的变化，那就可以用它作为文件的Hash值。另一方面，文件的修改通常是按顺序执行的，后修改的文件比早修改的文件具有更大的修改时间，这样就可以把一个目录内的最大修改时间作为它的修改时间，以实现Hash Tree。这样，一旦某个文件被修改，修改时间的信息就会迅速传播到根目录。

一般的文件系统都不是这样做的，目录的修改时间表示的是目录结构最后发生变化的时间，不包括子目录，否则会不堪重负。因为我们需要自己实现这个功能，利用Linux 2.6内核的新特性inotify获得某个目录内文件发生变化的信息，并把其修改时间传播到它的上级目录(以及再上级目录)。Python 有 pyinotify，watch.py的代码如下：

view plain copy to clipboard print ?

1. #!/usr/bin/python
3. frompyinotifyimport*
4. importos,os.path
6. flags=IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW
7. dirs={}
8. base='/log/lighttpd/cache/images/icon/u241'
9. base='tmp'
11. classUpdateParentDir(ProcessEvent):
12. defprocess_IN_CLOSE_WRITE(self,event):
13. print'modify',event.pathname
14. mtime=os.path.getmtime(event.pathname)
15. p=event.path
16. whilep.startswith(base):
17. m=os.path.getmtime(p)
18. ifm<mtime:
19. print'update',p
20. os.utime(p,(mtime,mtime))
21. elifm>mtime:
22. mtime=m
23. p=os.path.dirname(p)
25. process_IN_MODIFY=process_IN_CLOSE_WRITE
27. defprocess_IN_Q_OVERFLOW(self,event):
28. print'overflow'
29. max_queued_events.value*=2
31. defprocess_default(self,event):
32. pass
34. wm=WatchManager()
35. notifier=Notifier(wm,UpdateParentDir())
36. dirs.update(wm.add_watch(base,flags,rec=True,auto_add=True))
38. notifier.loop()

#!/usr/bin/python from pyinotify import * import os, os.path flags = IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW dirs = {} base = '/log/lighttpd/cache/images/icon/u241' base = 'tmp' class UpdateParentDir(ProcessEvent): def process_IN_CLOSE_WRITE(self, event): print 'modify', event.pathname mtime = os.path.getmtime(event.pathname) p = event.path while p.startswith(base): m = os.path.getmtime(p) if m < mtime: print 'update', p os.utime(p, (mtime,mtime)) elif m > mtime: mtime = m p = os.path.dirname(p) process_IN_MODIFY = process_IN_CLOSE_WRITE def process_IN_Q_OVERFLOW(self, event): print 'over flow' max_queued_events.value *= 2 def process_default(self, event): pass wm = WatchManager() notifier = Notifier(wm, UpdateParentDir()) dirs.update(wm.add_watch(base, flags, rec=True, auto_add=True)) notifier.loop()

在已经有Hash Tree的时候，同步就比较简单了，不停地获取根目录的修改时间并顺着目录结构往下找即可。需要注意的是，在更新完文件后，需要设置修改时间为原文件的修改时间，目录也是，保证Hash Tree的一致性，否则没法同步。mirror.py的代码如下

view plain copy to clipboard print ?

1. #!/usr/bin/python
3. importsys,time,re,urllib
4. importos,os.path
5. fromos.pathimportexists,isdir,getmtime
7. src=sys.argv[1]
8. dst=sys.argv[2]
10. deflocal_mirror(src,dst):
11. ifexists(dst)andmtime==getmtime(dst):
12. return
13. ifnotisdir(src):
14. print'update:',dst
15. open(dst,'wb').write(open(src).read())
16. else:
17. ifnotexists(dst):
18. os.makedirs(dst)
19. forfilenameinos.listdir(src):
20. local_mirror(os.path.join(src,filename),os.path.join(dst,filename))
21. os.utime(dst,(mtime,mtime))
23. defget_info(path):
24. f=urllib.urlopen(path)
25. mtime=f.headers.get('Last-Modified')
26. ifmtime:
27. mtime=time.mktime(time.strptime(mtime,'%a,%d%b%Y%H:%M:%S%Z'))
28. content=f.read()
29. f.close()
30. returnint(mtime),content
32. p=re.compile(r'([\d.]+?)+([\w/]+)')
34. defremote_mirror(src,dst):
35. mtime,content=get_info(src)
36. ifexists(dst)andmtime==int(getmtime(dst)):
37. return
38. print'update:',dst,src
39. ifnotsrc.endswith('/'):
40. open(dst,'wb').write(content)
41. else:
42. ifnotexists(dst):
43. os.makedirs(dst)
44. formt,filenameinp.findall(content):
45. mt=int(float(mt))
46. lpath=dst+filename
47. ifnotexists(lpath)orint(getmtime(lpath))!=mt:
48. remote_mirror(src+filename,lpath)
49. os.utime(dst,(mtime,mtime))
51. ifsrc.startswith('http://'):
52. mirror=remote_mirror
53. else:
54. mirror=local_mirror
56. whileTrue:
57. mirror(src,dst)
58. time.sleep(1)

#!/usr/bin/python import sys,time,re,urllib import os,os.path from os.path import exists, isdir, getmtime src = sys.argv[1] dst = sys.argv[2] def local_mirror(src, dst): if exists(dst) and mtime == getmtime(dst): return if not isdir(src): print 'update:', dst open(dst,'wb').write(open(src).read()) else: if not exists(dst): os.makedirs(dst) for filename in os.listdir(src): local_mirror(os.path.join(src,filename), os.path.join(dst,filename)) os.utime(dst, (mtime,mtime)) def get_info(path): f = urllib.urlopen(path) mtime = f.headers.get('Last-Modified') if mtime: mtime = time.mktime(time.strptime(mtime, '%a, %d %b %Y %H:%M:%S %Z')) content = f.read() f.close() return int(mtime), content p = re.compile(r'([\d.]+?) +([\w/]+)') def remote_mirror(src, dst): mtime, content = get_info(src) if exists(dst) and mtime == int(getmtime(dst)): return print 'update:', dst, src if not src.endswith('/'): open(dst,'wb').write(content) else: if not exists(dst): os.makedirs(dst) for mt,filename in p.findall(content): mt = int(float(mt)) lpath = dst+filename if not exists(lpath) or int(getmtime(lpath)) != mt: remote_mirror(src+filename, lpath) os.utime(dst, (mtime,mtime)) if src.startswith('http://'): mirror = remote_mirror else: mirror = local_mirror while True: mirror(src, dst) time.sleep(1)

如果源文件不在同一台机器上，可以通过NFS等共享过来。或者可以通过支持列目录的HTTP服务器来访问远程目录，mirror.py 已经支持这种访问方式。server.py 是用webpy做的一个简单的只是列目录的文件服务器。由于瓶颈在IO上，它的性能不是关键。server.py的代码如下：

view plain copy to clipboard print ?

1. #!/usr/bin/python
3. importos,os.path
4. importweb
5. importtime
7. root='tmp'
9. HTTP_HEADER_TIME='%a,%d%b%Y%H:%M:%S%Z'
11. classFileServer:
12. defGET(self,path):
13. path=root+path
14. ifnotos.path.exists(path):
15. return404
16. mtime=time.localtime(os.path.getmtime(path))
17. web.header('Last-Modified',time.strftime(HTTP_HEADER_TIME,mtime))
18. ifos.path.isdir(path):
19. forfileinos.listdir(path):
20. iffile.startswith('.'):continue
21. p=os.path.join(path,file)
22. m=os.path.getmtime(p)
23. ifos.path.isdir(p):
24. file+='/'
25. printm,file
26. else:
27. printopen(path,'rb').read()
29. urls=(
30. "(/.*)","FileServer",
31. )
33. if__name__=='__main__':
34. web.run(urls,globals())

#!/usr/bin/python import os,os.path import web import time root = 'tmp' HTTP_HEADER_TIME = '%a, %d %b %Y %H:%M:%S %Z' class FileServer: def GET(self, path): path = root + path if not os.path.exists(path): return 404 mtime = time.localtime(os.path.getmtime(path)) web.header('Last-Modified', time.strftime(HTTP_HEADER_TIME, mtime)) if os.path.isdir(path): for file in os.listdir(path): if file.startswith('.'): continue p = os.path.join(path,file) m = os.path.getmtime(p) if os.path.isdir(p): file += '/' print m, file else: print open(path,'rb').read() urls = ( "(/.*)", "FileServer", ) if __name__ == '__main__': web.run(urls, globals())

为了获得更好性能，以达到更好的实时性，Hash Tree最好是平衡的，比如BTree。如果一个文件发生变化，同步它需要进行的IO操作为N*M，其中N为数的层数，M为每层的文件数目。现在我们N为2，M最大为10000，适当减少它可以获得更好的性能，比如N为4，M为100。在以后创建目录结构时，最好能够考虑这方面的因素。

之前hongqn推荐过一个利用inotify的文件同步方案，同步方式类似于mysql和bdb等，由于过于复杂导致不可靠而没有采用。上面这个方案只用了一百多行Python代码就基本解决问题了，是不是很帅？:-)