大量文件名记录的树形结构存储

牛宁昌 2017-12-01 浏览量:2781

    2017年初,为满足“824监管”的要求,我们开发了备份系统,对涉及客户资料的NAS卷进行定期备份。十多年来,NAS中已经存在的目录和文件达到10亿之多,在设计和开发备份系统的过程中碰到了很多挑战,今天拿出其中一个与大家分享。

1.引言

    既然是定期备份,肯定会有1次以上的备份。对于一个特定目录,每次备份时都要与上次备份时进行比较,以期找出哪些文件被删除了,又新增了哪些文件,这就需要每次备份时把该目录下的所有文件名进行保存。我们首先想到的是把所有文件名用特定字符进行拼接后保存。由于我们使用了MySQL保存这些信息,当目录下文件很多时,这种拼接的方式很可能超出MySQL的Blob长度限制。根据经验,当一个目录有大量文件时,这些文件的名称往往是程序生成的,有一定规律的,而且开头一般是重复的,于是我们想到了使用一种树形结构来进行存储。

    例如,一个有abc、abc1、ad、cde 4个文件的目录对应的树如图1所示。

 1.png

图1 树形结构示例


    图1中,R表示根节点,青色节点我们称为结束节点,从R到每个结束节点的路径都表示一个文件名。可以在树中查找是否含有某个文件名、遍历树中所有的文件名、对树序列化进行保存、由序列化结果反序列化重新生成树。

2. 涉及的数据结构

    注意:我们使用java编写,文中涉及语言特性相关的知识点都是指java。

2.1 Node的结构

包括根节点在内的每个节点都使用Node类来表示。代码如下:

    class Node {
        private char value;
        private Node[]children = new Node[0];
        private byte end = 0;
    }

字段说明:

    value:该节点表示的字符,当Node表示根节点时,value无值。

    children:该节点的所有子节点,初始化为长度为0的数组。

    end:标记节点是否是结束节点。0不是;1是。叶子节点肯定是结束节点。默认非结束节点。

2.2 Node的操作

    public Node(char v);
    public Node findChild(char v);
    public Node addChild(char v);

操作说明:

    Node:构造方法。将参数v赋值给this.value。

    findChild:查找children中是否含有value为v的子节点。有则返回子节点,没有则返回null。

    addChild:首先查找children中是否已经含有value为v的子节点,如果有则直接将查到的子节点返回;否则创建value为v的节点,将children的长度延长1,将新创建的节点作为children的最后一个元素,并返回新创建的节点。

2.3 Tree的结构

    class Tree {
        public Node root = new Node();
    }

字段说明:

    Tree只含有root Node。如前所述,root的value无值,end为0。初始时的children长度为0。

2.4 Tree的操作

    public void addName(String name) ;
    public boolean contain(String name);
    public Found next(Found found);
    public void writeTo(OutputStream out);
    public static Tree readFrom(InputStream in);

操作说明:

    addName:向树中增加一个新的文件名,即参数name。以root为起点,name中的每个字符作参数调用addChild,返回值又作为新的起点,直到name中的全部字符添加完毕,对最后一次调用addChild的返回值标记为结束节点。

    contain:查询树中是否含有一个文件名。

    next:对树中包含的所有文件名进行遍历,为了使遍历能够顺利进行,我们引入了新的类Found,细节会在后文详述。

    writeTo:将树写入一个输出流以进行持久化。

    readFrom:此方法是静态方法。从一个输入流来重新构建树。

3. 树的构建

    在新建的Tree上调用addName方法,将所有文件名添加到树中,树构建完成。仍然以含有abc、abc1、ad、cde 四个文件的目录为例,对树的构建进行图示。

 2.jpg

图2 树的构建过程

    图2中,橙色节点表示需要在该节点上调用addChild方法增加子节点,同时addChild的返回值作为新的橙色节点。直到没有子节点需要增加时,把最后的橙色节点标记为结束节点。


4. 树的查询

    查找树中是否含有一个某个文件名,对应Tree的contain方法。在图2中的结果上分别查找ef、ab和abc三个文件来演示查找的过程。如图3所示。

 3.jpg

图3 树的查询示意图

    图3中,橙色节点表示需要在该节点上调用findChild方法查找子节点。


5. 树的遍历

    此处的遍历不同于一般树的遍历。一般遍历是遍历树中的节点,而此处的遍历是遍历根节点到所有结束节点的路径。

    我们采用从左到右、由浅及深的顺序进行遍历。我们引入了Found类,并作为next方法的参数进行遍历。

5.1 Found的结构

    class Found {    
        private String name;
        private int[] idx ;
    }

    为了更加容易的说明问题,在图1基础上进行了小小的改造,每个节点的右下角增加了下标,如图4。

 4.jpg

图4 带下标的Tree

    对于abc这个文件名,Found中的name值为“abc”,idx为{0,0,0}。

    对于abc1这个文件名,Found中的name值为“abc1”,idx为{0,0,0,0}。

    对于ad这个文件名,Found中的name值为“ad”,idx为{0,1}。

    对于cde这个文件名,Found中的name值为“cde”,idx为{1,0,0}。


5.2 如何遍历

    对于图4而言,第一次调用next方法应传入null,则返回第一个结果,即abc代表的Found;继续以这个Found作为参数进行第二次next的调用,则返回第二个结果,即abc1代表的Found;再继续以这个Found作为参数进行第三次next的调用,则返回第三个结果,即ad所代表的Found;再继续以这个Found作为参数进行第四次next的调用,则返回第四个结果,即cde所代表的Found;再继续以这个Found作为参数进行第五次调用,则返回null,遍历结束。

6. 序列化与反序列化

6.1 序列化

    首先应该明确每个节点序列化后应该包含3个信息:节点的value、节点的children数量和节点是否为结束节点。

6.1.1 节点的value

    虽然之前所举的例子中节点的value都是英文字符,但实际上文件名中可能含有汉字或者其他语言的字符。为了方便处理,我们没有使用变长编码。而是直接使用unicode码。字节序采用大端编码。

6.1.2 节点的children数量

    由于节点的value使用了unicode码,所以children的数量不会多于unicode能表示的字符的数量,即65536。children数量使用2个字节。字节序同样采用大端编码。

6.1.3 节点的end

    0或1可以使用1位(1bit)来表示,但java中最小单位是字节。如果采用1个字节来表示end,有些浪费空间,其实任何一个节点children数量达到65536/2的可能性都是极小的,因此我们考虑借用children数量的最高位来表示end。

综上所述,一个节点序列化后占用4个字节,以图4中的根节点、value为b的节点和value为e的节点为例:


表1 Node序列化示例


valueunicode

children数量

end

children数量|(end<<15)

最终结果

根节点

0x0000

2

0

0x0002

0x00020000

b节点

0x0062

1

0

0x0001

0x00010062

e节点

0x0065

0

1

0x8000

0x80000065


6.1.4 树的序列化过程

对树进行广度遍历,在遍历过程中需要借助队列,以图4的序列化为例进行说明: 

5.jpg

图5 对图4的序列化过程


6.2 反序列化

    反序列化是序列化的逆过程,由于篇幅原因不再进行阐述。值得一提的是,反序列化过程同样需要队列的协助。

7. 讨论

7.1 关于节省空间

    为方便讨论,假设目录下的文件名是10个阿拉伯数字的全排列,当位数为1时,目录下含有10个文件,即0、1、2……8、9,当位数为2时,目录下含有100个文件,即00、01、02……97、98、99,以此类推。

    比较2种方法,一种使用“/”分隔,另一种是本文介绍的方法。


表2  2种方法的存储空间比较(单位:字节)

    位数

方法

 1

2

3

4

5

6

/”分隔

19

299

3999

49999

599999

6999999

Tree

44

444

4444

44444

444444

4444444

由表2可见,当位数为4时,使用Tree的方式开始节省空间,位数越多节省的比例越高,这正是我们所需要的。

    

    表中,使用“/”分隔时,字节数占用是按照utf8编码计算的。如果直接使用unicode进行存储,占用空间会加倍,那么会在位数为2时就开始节省空间。同样使用“/”分隔,看起来utf8比使用unicode会更省空间,但实际上,文件名中有时候会含有汉字,汉字的utf8编码占用3个字节。

7.2 关于时间

    在树的构建、序列化反序列化过程中,引入了额外的运算,根据我们的实践,user CPU并没有明显变化。

7.3 关于理想化假设

    最初我们就是使用了“/”分隔的方法对文件名进行存储,并且数据库的相应字段类型是Blob(Blob的最大值是65K)。在测试阶段就发现,超出65K是一件很平常的事情。在不可能预先统计最大目录里所有文件名拼接后的大小的情况下,我们采取了2种手段,一是使用LongBlob类型,另一种就是尽量减小拼接结果的大小,即本文介绍的方法。

    即使使用树形结构来存储文件名,也不能够保证最终结果不超出4G(LongBlob类型的最大值),至少在我们实践的过程并未出现问题,如果真出现这种情况,只能做特殊处理了。

7.4 关于其他压缩方法

    把文件名使用“/”拼接后,使用gzip等压缩算法对拼接结果进行压缩后再存储,在节省存储空间方面会取得更好的效果。但是在压缩之前,拼接结果存在于内存,这样对JVM的堆内存有比较高的要求;另外,使用“/”拼接时,查找会比较麻烦。


发现文章有错误、对内容有疑问,都可以通过关注宜信技术学院微信公众号(CE_TECH),在后台留言给我们。我们每周会挑选出一位热心小伙伴,送上一份精美的小礼品。快来扫码关注我们吧!
分享硬核IT 专注金融