大量小文件的实时同步方案

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：

view plaincopy to clipboardprint?

1. #!/usr/bin/python

2. from pyinotify import *

3. import os, os.path

4. flags = IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW

5. dirs = {}

6. base = ‘/log/lighttpd/cache/images/icon/u241’

7. base = ‘tmp’

8. class UpdateParentDir(ProcessEvent):

9. def process_IN_CLOSE_WRITE(self, event):

10. print ‘modify’, event.pathname

11. mtime = os.path.getmtime(event.pathname)

12. p = event.path

13. while p.startswith(base):

14. m = os.path.getmtime(p)

15. if m < mtime:

16. print ‘update’, p

17. os.utime(p, (mtime,mtime))

18. elif m > mtime:

19. mtime = m

20. p = os.path.dirname(p)

21. process_IN_MODIFY = process_IN_CLOSE_WRITE

22. def process_IN_Q_OVERFLOW(self, event):

23. print ‘over flow’

24. max_queued_events.value *= 2

25. def process_default(self, event):

26. pass

27. wm = WatchManager()

28. notifier = Notifier(wm, UpdateParentDir())

29. dirs.update(wm.add_watch(base, flags, rec=True, auto_add=True))

30. 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

view plaincopy to clipboardprint?

1. #!/usr/bin/python

2. import sys,time,re,urllib

3. import os,os.path

4. from os.path import exists, isdir, getmtime

5. src = sys.argv1

6. dst = sys.argv2

7. def local_mirror(src, dst):

8. if exists(dst) and mtime == getmtime(dst):

9. return

10. if not isdir(src):

11. print ‘update:’, dst

12. open(dst,’wb’).write(open(src).read())

13. else:

14. if not exists(dst):

15. os.makedirs(dst)

16. for filename in os.listdir(src):

17. local_mirror(os.path.join(src,filename), os.path.join(dst,filename))

18. os.utime(dst, (mtime,mtime))

19. def get_info(path):

20. f = urllib.urlopen(path)

21. mtime = f.headers.get(‘Last-Modified’)

22. if mtime:

23. mtime = time.mktime(time.strptime(mtime, ‘%a, %d %b %Y %H:%M:%S %Z’))

24. content = f.read()

25. f.close()

26. return int(mtime), content

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

28. def remote_mirror(src, dst):

29. mtime, content = get_info(src)

30. if exists(dst) and mtime == int(getmtime(dst)):

31. return

32. print ‘update:’, dst, src

33. if not src.endswith(‘/’):

34. open(dst,’wb’).write(content)

35. else:

36. if not exists(dst):

37. os.makedirs(dst)

38. for mt,filename in p.findall(content):

39. mt = int(float(mt))

40. lpath = dst+filename

41. if not exists(lpath) or int(getmtime(lpath)) != mt:

42. remote_mirror(src+filename, lpath)

43. os.utime(dst, (mtime,mtime))

44. if src.startswith(‘http://’):

45. mirror = remote_mirror

46. else:

47. mirror = local_mirror

48. while True:

49. mirror(src, dst)

50. 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：

view plaincopy to clipboardprint?

1. #!/usr/bin/python

2. import os,os.path

3. import web

4. import time

5. root = ‘tmp’

6. HTTP_HEADER_TIME = ‘%a, %d %b %Y %H:%M:%S %Z’

7. class FileServer:

8. def GET(self, path):

9. path = root + path

10. if not os.path.exists(path):

11. return 404

12. mtime = time.localtime(os.path.getmtime(path))

13. web.header(‘Last-Modified’, time.strftime(HTTP_HEADER_TIME, mtime))

14. if os.path.isdir(path):

15. for file in os.listdir(path):

16. if file.startswith(‘.’): continue

17. p = os.path.join(path,file)

18. m = os.path.getmtime(p)

19. if os.path.isdir(p):

20. file += ‘/’

21. print m, file

22. else:

23. print open(path,’rb’).read()

24. urls = (

25. “(/.*)”, “FileServer”,

26. )

27. if name == ‘main’:

28. 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？

来自：