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
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
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
17. m = os.path.getmtime(p)
18. if
19. print 'update', p
20. os.utime(p, (mtime,mtime))
21. elif
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. 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
4. import
5. from os.path import
6.
7. src = sys.argv[1]
8. dst = sys.argv[2]
9.
10. def
11. if exists(dst) and
12. return
13. if not
14. print 'update:', dst
15. 'wb').write(open(src).read())
16. else:
17. if not
18. os.makedirs(dst)
19. for filename in
20. local_mirror(os.path.join(src,filename), os.path.join(dst,filename))
21. os.utime(dst, (mtime,mtime))
22.
23. def
24. f = urllib.urlopen(path)
25. 'Last-Modified')
26. if
27. '%a, %d %b %Y %H:%M:%S %Z'))
28. content = f.read()
29. f.close()
30. return
31.
32. p = re.compile(r'([\d.]+?) +([\w/]+)')
33.
34. def
35. mtime, content = get_info(src)
36. if exists(dst) and
37. return
38. print 'update:', dst, src
39. if not src.endswith('/'):
40. 'wb').write(content)
41. else:
42. if not
43. os.makedirs(dst)
44. for mt,filename in
45. mt = int(float(mt))
46. lpath = dst+filename
47. if not exists(lpath) or
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. 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
4. import
5. import
6.
7. root = 'tmp'
8.
9. HTTP_HEADER_TIME = '%a, %d %b %Y %H:%M:%S %Z'
10.
11. class
12. def GET(self, path):
13. path = root + path
14. if not
15. return 404
16. mtime = time.localtime(os.path.getmtime(path))
17. 'Last-Modified', time.strftime(HTTP_HEADER_TIME, mtime))
18. if
19. for file in
20. if file.startswith('.'): continue
21. p = os.path.join(path,file)
22. m = os.path.getmtime(p)
23. if
24. '/'
25. print
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?:-)