Mongodb与GridFS

关注

原创最新推荐文章于 2026-05-06 17:06:59 发布 170 阅读 AI 写同款· GEO 优化 ›

MongoDB篇——Java Maven项目中使用MongoDB GridFS上传音频图片一、文件系统先简单的介绍一下文件系统和分布式文件系统 1、文件系统：是操作系统用来存取文件的，计算机通过文件系统存放数据。大部分均基于磁盘存储，典型的文件系统包括unix 的UFS,NTFS是window NT的文件存储系统。传统文件系统主要面临的问题就是磁盘容量不够时，需要扩容才可继续进行文件存储，如同咱电脑内存不够加块内存条。 2、分布式文件存储系统：同传统的纵向扩容不阅读详情

一、概述

GridFS是基于mongodb存储引擎是实现的“分布式文件系统”，底层基于mongodb存储机制，和其他本地文件系统相比，它具备大数据存储的多个优点。GridFS适合存储超过16MB的大型文件，不过16M数据在当今互联网时代，已经不足为奇。我们可以使用GridFS构建大规模的“图片服务器”、“文档服务器”、“视频、音频”文件服务器，GridFS对于web应用，可以结合nginx插件“ningx-gridfs”能够简单的实现负载均衡等特性，非常便捷；可以简单认为GridFS是为web应用而生。个人认为，目前架构比较简单的NoSQL文件系统中GridFS是最优秀的。

GridFS并不是将单个文件直接存储为一个document，而是将文件分成多个parts或者说chunks，然后将每个chunk作为作为一个单独的document存储，然后将chunks有序保存。默认情况下，GridFS的chunk大小位255k。GridFS使用2个collections来存储这些文件，一个collection存储文件的chunks（实际文件数据），另一个则存储文件的metadata（用户自定义的属性，filename，content-type等）。

当用户查询GridFS中的文件时，客户端或者driver将会重新按序组装这些chunks。用户可以range查询文件，也可以获取文件的任意部分的信息，比如：跳过（skip）视频或者音频（任何文件）的中间部，实现“range access of single file”。

对于mongodb而言，每个document最大尺寸为16M，如果想存储一条数据（比如一个文件）超过16M，那么只能使用GridFS支持；GridFS可以支持单个文件尺寸达到数G，读取文件时可以分段读取。此外，GridFS可以从Mongodb的高性能、高可用特性中获益，比如我们可以在“replica set”或者“sharding”架构模式下使用GridFS。

二、使用场景

document的大小超过16M是使用GridFS的条件之一，因为mongodb普通的collection无法支持16M以上的document，我们不得不选择其他方案；在一些情况下，将这些大文件存储在GridFS中，比直接存储在本地文件系统中更加适合：

1）如果你的文件系统对每个目录下文件的个数有限制（或者太多，将会影响文件的打开速度等）。

2）如果你的文件数据，有分数据中心镜像保存（大数据情况，可用性保证）。

3）如果你希望访问一个超大的文件，而不希望将它全部加入内存，而是有“range access”的情况，即分段读取，那么GridFS天生就具备这种能力，你可以随意访问任意片段。

对于一个大文件，如果你希望原子性的更新它的全部内容，那么GridFS将不适合；比如同时更新一个文件的多个chunk，因为mongodb本身没有事务机制。

对于小于16M的文件，比如一些图片、CSS、js文件等，应该将它们直接存储在普通的collection中而非GridFS（bindata，参见org.bson.types.Binary），因为它们通常较小，GridFS无法发挥其优势。当然，你为了统一application的“文件系统”存储方式，也可以将这些小文件保存在GridFS中，性能也不会差的太多，为了提升性能，对这些小文件，可以在存储时手动设置它的chunkSize，避免文件被切分成多个chunks来提高性能。

三、GridFS内部存储结构简析（JAVA代码示例）

比如我们创建了一个GridFS数据库，可以可以通过mongo shell指令看到：

> ./mongo --host 127.0.0.1 --port 27017
> use common-fs
> show collections;
fs.chunks
fs.files
system.indexes

我们可以看到“common-fs”数据库下有2个collection：“fs.chunks”和“fs.files”；其中前缀“fs”为bucket名称。

1）fs.chunks：存储二进制数据，如上文所述，保存在GridFS中的每个文件都会根据“chunkSize”拆分成多个chunks并依次保存在“fs.chunks”中，每个chunk都持有“files_id”即为“文件id”，“n”为chunk的序列；比如一个文件被拆分成3个chunks，那么“fs.chunks”中将会有3个document，它们持有相同的files_id，“n”分别为0、1、2。

{
  "_id" : <ObjectId>,	//chunk ID，全局唯一
  "files_id" : <ObjectId>,	//file collection表的"_id"值
  "n" : <num>,	//chunk的序列号，第一个chunk位0。
  "data" : <binary>	//二进制数据
}

> db.fs.chunks.getIndexes();
[
...
	{
		"v" : 1,
		"unique" : true,
		"key" : {
			"files_id" : 1,
			"n" : 1
		},
		"name" : "files_id_1_n_1",
		"ns" : "common-fs.fs.chunks"
	}
]

chunks默认情况下已经对“files_id”和“n”建立了唯一索引。

2）fs.files：存储文件的metadata，GridFS每保存一个文件，都会在此collection中插入一条document，结构如下所示。其中“metadata”字段用于保存用户自定义的K-V数据（比如保存文件的format），其他字段是GridFS内置的，开发者不能修改（除file_name外），每个文档都有一个md5字段，所以开发者不需要自己再去计算md5值。其中filename为开发者指定的“文件名称”。

{
  "_id" : <ObjectId>,	//
  "length" : <num>,	//文件的长度
  "chunkSize" : <num>,	//chunkSize
  "uploadDate" : <timestamp>,	//文件生成的时间戳
  "md5" : <hash>,	//HASH值

  "filename" : <string>,	//文件名，用户指定
  "contentType" : <string>,	//
  "aliases" : <string array>,	//别名
  "metadata" : <dataObject>,	//用户自定的metadata
}

> db.fs.files.getIndexes();
[
...
	{
		"v" : 1,
		"key" : {
			"filename" : 1,
			"uploadDate" : 1
		},
		"name" : "filename_1_uploadDate_1",
		"ns" : "common-fs.fs.files"
	}
]

其中“filename”和“updateDate”默认已经建立了组合索引，但不是unique，所以GridFS中filename是可以重复的；建议使用_id来获取文档，比如如果你使用GridFS构建一个图片服务器，可以使用_id的值作为图片的名称。

其中有一个比较重要的参数“chunkSize”，这个值默认为“261120”（即255k），对于web应用此值基本不需要调整；如果你的应用是文件的“上传”、“下载”等，可以考虑将此值扩大，比如64M等。还有一种特例，比如你的文件通常较小，比如只有1M左右，而且通常不会涉及到“range access”，那么可以将每个file的chunkSize设置为文档的大小，这样可以在存储时只有一个chunk。

客户端查询文件时首先会查询“fs.files”获取metadata并获得files_id值（即_id）,然后再根据files_id查询“fs.chunks”获取chunks列表（根据n排序），当客户端需要读取某个chunk数据时才会触发实际数据传输。

四、Sharding架构

随着GridFS中文件数量的增加，最终有可能存储空间会达到单机磁盘上限，或者由于Read操作较多单机无法承载压力，此时就需要考虑分布式部署；解决此文件的方案为sharding，即将GridFS的数据分布存储在多个mongod节点中。

sharding基本原理和mongodb一样，此处不再赘言；因为一个GridFS数据库，由“fs.files”和“fs.chunks”两个collections构成，一个文件将不同的信息保存在两个collections中，那么究竟该如何设计sharding呢？首先表明无论两个collection同时sharding还是只有其中一个sharding，都不需要客户端修改代码，也不会影响数据访问，因为无论是“通过filename查询fs.files”还是“通过files_id查询fs.chunks”中间都会经过mongos实例路由。

因为fs.files文件中只保存metadata，通常都比较小，因此在可以不sharding。如果sharding，则根据应用需要选择合适的“shard key”，比如你通常使用_id来查询文件，那么可以将_id作为“shard key”的一部分（比如shard key为{_id : 1,filename:1}）,如果你的应用通常使用filename查询文件，那么可以将filename作为shard key（或者前缀）；我们最终的目的，就是确保查询方式与数据sharding保持一致，提供高效的查询，同时还需要尽可能保证数据的均匀分布。

对于fs.chunks文件，这个是优先被sharding的，因为它的数据量通常为fs.files的数倍；不过这个collection的shard key只能为{"files_id" : 1, n : 1}，因为这个collection只有这种查询方式，且只有这样才会保证同一个file_id的多个chunk尽可能的保存在同一个shard-chunk中。

具体如何sharding请参见相关文档。

五、GridFS代码样例（JAVA）

1、构建GridFS实例

MongoClient mongoClient = new MongoClient("127.0.0.1",30017);//单例
DB db = mongoClient.getDB("common-fs");

//单例即可，创建多个实例并无影响，内部间接使用了mongoClient作为通讯支撑
GridFS gridFS = new GridFS(db);//可以指定bucket名字，默认值为“fs”

2、创建文件

FileInputStream inputStream = new FileInputStream(new File("/data/logs/support-web/web-all.log"));
GridFSInputFile inputFile = gridFS.createFile(inputStream);
inputFile.setFilename("web-all.log");
inputFile.setContentType("text/plain");
inputFile.save();
ObjectId fileId = (ObjectId)inputFile.getId();//此ID，在客户端生成
System.out.println(fileId.toHexString());//此字符串ID，可供application使用

3、读取文件

GridFSDBFile file = gridFS.find(new ObjectId("56457faf6dca030a4b3e46cd"));
file.writeTo(new File("/data/logs/test-1.log"));

//此外还可以使用inputstream方式
BufferedInputStream inputStream = new BufferedInputStream(file.getInputStream(),1024);
OutputStream outputStream = new FileOutputStream(new File("/data/logs/test-2.log"));
byte[] bytes = new byte[1024];
while (true) {
    int count = inputStream.read(bytes);
    if(count < 1024) {
        break;
    }
    outputStream.write(bytes,0,count);
}
inputStream.close();
outputStream.close();

参考文档：

1）GridFS：【官方文档】

2）GridFS构建解答：【1】【2】

3）Nginx插件：https://github.com/mdirolf/nginx-gridfs，不过此插件已经停止维护了，可能随着mongodb版本的升级将有可能不兼容；此后大只能在tomcat中访问gridfs了（或者NodeJS）。