同步非常大的文件夹结构

Question

我们的 Intranet 上有一个文件夹结构，其中包含大约 800,000 个文件，分为大约 4,000 个文件夹。我们需要将其同步到我们 DMZ 中的一小部分机器。结构的深度非常浅（它永远不会超过两层深）。

大多数文件永远不会改变，每天有几千个更新文件和 1-2000 个新文件。数据是在源数据已被清除的地方维护的历史报告数据（即，这些是源数据足够旧以至于我们存档和删除它的最终报告）。每天同步一次就足够了，因为它可以在合理的时间范围内发生。报告是在一夜之间生成的，我们早上第一件事就是同步作为计划任务。

显然，由于很少有文件定期更改，我们可以从增量复制中受益匪浅。我们已经尝试过 Rsync，但是仅仅完成“构建文件列表”操作就可能需要长达八到十二个小时的时间。很明显，我们正在迅速超越 rsync 的能力（12 小时的时间框架太长了）。

我们一直在使用另一个名为 RepliWeb 的工具来同步结构，它可以在大约 45 分钟内完成增量传输。然而，我们似乎已经超出了它的限制，它已经开始看到文件显示为删除，而实际上它们不是（也许某些内部内存结构已经耗尽，我们不确定）。

有没有其他人遇到过这种大规模的同步项目？是否有设计用于处理像这样的大量文件结构以进行同步？

Answer 1

如果您可以信任文件系统上次修改的时间戳，则可以通过将 Rsync 与 UNIX/Linux 的“查找”实用程序结合来加快速度。“查找”可以组合显示过去一天内最后修改时间的所有文件的列表，然后仅将缩短的文件/目录列表通过管道传输到 Rsync。这比让 Rsync 将发件人上每个文件的元数据与远程服务器进行比较要快得多。

简而言之，以下命令将仅在过去 24 小时内更改的文件和目录列表上执行 Rsync：（Rsync 不会费心检查任何其他文件/目录。）

find /local/data/path/ -mindepth 1 -ctime -0 -print0 | xargs -0 -n 1 -I {} -- rsync -a {} remote.host:/remote/data/path/.

如果您不熟悉 'find' 命令，它会通过特定的目录子树递归，查找满足您指定的任何条件的文件和/或目录。例如，这个命令：

find . -name '\.svn' -type d -ctime -0 -print

将从当前目录（“.”）开始并递归遍历所有子目录，寻找：

• 任何目录（“-type d”），
• 命名为“.svn”（“-name '.svn'”），
• 在过去 24 小时内修改了元数据（“-ctime -0”）。

它在标准输出上打印与这些条件匹配的任何内容的完整路径名（“-print”）。选项“-name”、“-type”和“-ctime”被称为“测试”，选项“-print”被称为“动作”。“查找”的手册页有完整的测试和操作列表。

如果你想变得非常聪明，你可以使用'find'命令的'-cnewer'测试，而不是'-ctime'来使这个过程更加容错和灵活。'-cnewer' 测试树中的每个文件/目录是否比某个参考文件更近地修改了其元数据。使用“touch”在每次运行开始时创建 NEXT 运行的参考文件，就在“find...”之前。rsync...' 命令执行。下面是基本实现：

#!/bin/sh
curr_ref_file=`ls /var/run/last_rsync_run.*`
next_ref_file="/var/run/last_rsync_run.$RANDOM"
touch $next_ref_file
find /local/data/path/ -mindepth 1 -cnewer $curr_ref_file -print0 | xargs -0 -n 1 -I {} -- rsync -a {} remote.host:/remote/data/path/.
rm -f $curr_ref_file

该脚本自动知道上次运行的时间，并且只传输自上次运行以来修改过的文件。虽然这更复杂，但它可以保护您免受由于停机或其他一些错误而错过运行作业超过 24 小时的情况。

Answer 2

试试unison，它是专门为解决这个问题而设计的，它通过将更改列表（构建文件列表）保存在每个服务器的本地，加快计算增量的时间，以及之后通过线路发送的减少量。