小文件同步的方法 Merkle tree（转）

原文http://hi.baidu.com/bailiangcn/blog/item/ecd69c2a2888de305243c100.html


从网上看到豆瓣的分享，知道他们是用Merkle tree(Hash Tree)的方式进行数据同步的，对于大量的小文件来说，这个比用一般的rsync比较好，具体思路可看davies写的这篇文章
(中间提到了Amazon的Dynamo的设计文档，以前的日志里也提到过，在线地址为http://www.allthingsdistributed.com/2007/10/amazons_dynamo.html)

——

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
  3. from pyinotify import *
  4. import os, os.path
  6. flags = IN_CLOSE_WRITE|IN_CREATE|IN_Q_OVERFLOW
  7. dirs = {}
  8. base = ’/log/lighttpd/cache/images/icon/u241′
  9. base = ’tmp’
  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)
  25. process_IN_MODIFY = process_IN_CLOSE_WRITE
  27. def process_IN_Q_OVERFLOW(self, event):
  28. print ‘over flow’
  29. max_queued_events.value *= 2
  31. def process_default(self, event):
  32. pass
  34. wm = WatchManager()
  35. notifier = Notifier(wm, UpdateParentDir())
  36. dirs.update(wm.add_watch(base, flags, rec=True, auto_add=True))
  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
  3. import sys,time,re,urllib
  4. import os,os.path
  5. from os.path import exists, isdir, getmtime
  7. src = sys.argv[1]
  8. dst = sys.argv[2]
  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))
  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
  32. p = re.compile(r’([\d.]+?) +([\w/]+)’)
  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))
  51. if src.startswith(’http://’):
  52. mirror = remote_mirror
  53. else:
  54. mirror = local_mirror
  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
  3. import os,os.path
  4. import web
  5. import time
  7. root = ’tmp’
  9. HTTP_HEADER_TIME = ’%a, %d %b %Y %H:%M:%S %Z’
  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()
  29. urls = (
  30. “(/.*)”, ”FileServer”,
  31. )
  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？:-)


posted @ 2011-11-24 17:41  jiangC  阅读(524)  评论(0)  编辑  收藏  举报