大量文件名记录的树形结构存储

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，本文将分享大量文件名记录的树形结构存储实践。

一、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。

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。

二、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。

三、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。

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。

四、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。

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。

五、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。

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。

六、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

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：

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。

七、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）

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。

作者：牛宁昌

来源：宜信技术学院