大量小文件的实时同步的解决方案分析

Question

如题所述

Answer 1

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：
复制代码
   
代码如下:
#!/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
复制代码
   
代码如下:
#!/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：
复制代码
   
代码如下:
#!/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？:-)