大量小文件的实时同步方案

原文：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：

view plainprint?

    #!/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
view plainprint?

    #!/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：
view plainprint?

    #!/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？:-)