大量小文件的实时同步方案

davies 发表于 2008 年 04 月 24 日

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 osos.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?:-)