大量小文件的实时同步方案（python…

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：

1. #!/usr/bin/python   
2.   
3. from pyinotify import *   
4. import os, os.path   
5.   
6. flags = IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW   
7. dirs = {}   
8. base = '/log/lighttpd/cache/images/icon/u241'   
9. base = 'tmp'   
10.   
11. class UpdateParentDir(ProcessEvent):   
12.     def process_IN_CLOSE_WRITE(self, event):   
13.         print 'modify', event.pathname   
14.          mtime = os.path.getmtime(event.pathname)   
15.          p = event.path   
16.         while p.startswith(base):   
17.              m = os.path.getmtime(p)   
18.             if m < mtime:   
19.                 print 'update', p   
20.                 os.utime(p, (mtime,mtime))   
21.             elif m > mtime:   
22.                  mtime = m   
23.              p = os.path.dirname(p)   
24.        
25.      process_IN_MODIFY = process_IN_CLOSE_WRITE   
26.   
27.     def process_IN_Q_OVERFLOW(self, event):   
28.         print 'over flow'   
29.          max_queued_events.value *= 2   
30.   
31.     def process_default(self, event):   
32.         pass  
33.   
34. wm = WatchManager()   
35. notifier = Notifier(wm, UpdateParentDir())   
36. dirs.update(wm.add_watch(base, flags, rec=True, auto_add=True))   
37.   
38. 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

1. #!/usr/bin/python   
2.   
3. import sys,time,re,urllib  
4. import os,os.path   
5. from os.path import exists, isdir, getmtime   
6.   
7. src = sys.argv[1]   
8. dst = sys.argv[2]   
9.   
10. def local_mirror(src, dst):   
11.     if exists(dst) and mtime == getmtime(dst):   
12.         return  
13.     if not isdir(src):   
14.         print 'update:', dst   
15.         open(dst,'wb').write(open(src).read())   
16.     else:   
17.         if not exists(dst):   
18.             os.makedirs(dst)   
19.         for filename in os.listdir(src):   
20.              local_mirror(os.path.join(src,filename), os.path.join(dst,filename))   
21.     os.utime(dst, (mtime,mtime))   
22.   
23. def get_info(path):   
24.      f = urllib.urlopen(path)   
25.      mtime = f.headers.get('Last-Modified')   
26.     if mtime:   
27.          mtime = time.mktime(time.strptime(mtime, '%a, %d %b %Y %H:%M:%S %Z'))   
28.      content = f.read()   
29.      f.close()   
30.     return int(mtime), content   
31.   
32. p = re.compile(r'([\d.]+?) +([\w/]+)')   
33.   
34. def remote_mirror(src, dst):   
35.      mtime, content = get_info(src)   
36.     if exists(dst) and mtime == int(getmtime(dst)):   
37.         return  
38.     print 'update:', dst, src   
39.     if not src.endswith('/'):   
40.         open(dst,'wb').write(content)   
41.     else:   
42.         if not exists(dst):   
43.             os.makedirs(dst)   
44.         for mt,filename in p.findall(content):   
45.              mt = int(float(mt))   
46.              lpath = dst+filename   
47.             if not exists(lpath) or int(getmtime(lpath)) != mt:   
48.                  remote_mirror(src+filename, lpath)   
49.     os.utime(dst, (mtime,mtime))   
50.   
51. if src.startswith('http://'):   
52.      mirror = remote_mirror   
53. else:   
54.      mirror = local_mirror   
55.   
56. while True:   
57.      mirror(src, dst)   
58.     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：

1. #!/usr/bin/python   
2.   
3. import os,os.path   
4. import web   
5. import time  
6.   
7. root = 'tmp'   
8.   
9. HTTP_HEADER_TIME = '%a, %d %b %Y %H:%M:%S %Z'   
10.   
11. class FileServer:   
12.     def GET(self, path):   
13.          path = root + path   
14.         if not os.path.exists(path):   
15.             return 404   
16.          mtime = time.localtime(os.path.getmtime(path))   
17.          web.header('Last-Modified', time.strftime(HTTP_HEADER_TIME, mtime))   
18.         if os.path.isdir(path):   
19.             for file in os.listdir(path):   
20.                 if file.startswith('.'): continue  
21.                  p = os.path.join(path,file)   
22.                  m = os.path.getmtime(p)   
23.                 if os.path.isdir(p):   
24.                     file += '/'   
25.                 print m, file  
26.         else:   
27.             print open(path,'rb').read()   
28.   
29. urls = (   
30.     "(/.*)", "FileServer",   
31. )   
32.   
33. if __name__ == '__main__':   
34.      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？:-)

#Linux