[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：

#!/usr/bin/python

 frompyinotifyimport*
 importos,os.path

flags=IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW
dirs={}
base='/log/lighttpd/cache/images/icon/u241'
base='tmp'

 classUpdateParentDir(ProcessEvent):
 defprocess_IN_CLOSE_WRITE(self,event):
 print'modify',event.pathname
 mtime=os.path.getmtime(event.pathname)
p=event.path
 whilep.startswith(base):
 m=os.path.getmtime(p)
 ifm<mtime:
 print'update',p
 os.utime(p,(mtime,mtime))
 elifm>mtime:
mtime=m
 p=os.path.dirname(p)

process_IN_MODIFY=process_IN_CLOSE_WRITE

 defprocess_IN_Q_OVERFLOW(self,event):
 print'overflow'
max_queued_events.value*=2

 defprocess_default(self,event):
 pass

wm=WatchManager()
notifier=Notifier(wm,UpdateParentDir())
 dirs.update(wm.add_watch(base,flags,rec=True,auto_add=True))

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

#!/usr/bin/python

 importsys,time,re,urllib
 importos,os.path
 fromos.pathimportexists,isdir,getmtime

 src=sys.argv[1]
 dst=sys.argv[2]

 deflocal_mirror(src,dst):
 ifexists(dst)andmtime==getmtime(dst):
 return
 ifnotisdir(src):
 print'update:',dst
 open(dst,'wb').write(open(src).read())
 else:
 ifnotexists(dst):
 os.makedirs(dst)
 forfilenameinos.listdir(src):
 local_mirror(os.path.join(src,filename),os.path.join(dst,filename))
 os.utime(dst,(mtime,mtime))

 defget_info(path):
 f=urllib.urlopen(path)
 mtime=f.headers.get('Last-Modified')
 ifmtime:
 mtime=time.mktime(time.strptime(mtime,'%a,%d%b%Y%H:%M:%S%Z'))
 content=f.read()
 f.close()
 returnint(mtime),content

 p=re.compile(r'([\d.]+?)+([\w/]+)')

 defremote_mirror(src,dst):
mtime,content=get_info(src)
 ifexists(dst)andmtime==int(getmtime(dst)):
 return
 print'update:',dst,src
 ifnotsrc.endswith('/'):
 open(dst,'wb').write(content)
 else:
 ifnotexists(dst):
 os.makedirs(dst)
 formt,filenameinp.findall(content):
 mt=int(float(mt))
lpath=dst+filename
 ifnotexists(lpath)orint(getmtime(lpath))!=mt:
remote_mirror(src+filename,lpath)
 os.utime(dst,(mtime,mtime))

 ifsrc.startswith('http://'):
mirror=remote_mirror
 else:
mirror=local_mirror

 whileTrue:
mirror(src,dst)
 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：

#!/usr/bin/python

 importos,os.path
 importweb
 importtime

root='tmp'

HTTP_HEADER_TIME='%a,%d%b%Y%H:%M:%S%Z'

 classFileServer:
 defGET(self,path):
path=root+path
 ifnotos.path.exists(path):
 return404
 mtime=time.localtime(os.path.getmtime(path))
 web.header('Last-Modified',time.strftime(HTTP_HEADER_TIME,mtime))
 ifos.path.isdir(path):
 forfileinos.listdir(path):
 iffile.startswith('.'):continue
 p=os.path.join(path,file)
 m=os.path.getmtime(p)
 ifos.path.isdir(p):
 file+='/'
 printm,file
 else:
 printopen(path,'rb').read()

urls=(
"(/.*)","FileServer",
)

 if__name__=='__main__':
 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？:-)