使用 Python 进行稳定可靠的文件操作

时间:2022-06-13 13:59:11

程序需要更新文件。虽然大部分程序员知道在执行I/O的时候会发生不可预期的事情,但是我经常看到一些异常幼稚的代码。在本文中,我想要分享一些如何在Python代码中改善I/O可靠性的见解。

考虑下述Python代码片段。对文件中的数据进行某些操作,然后将结果保存回文件中:

1 with open(filename) as f:
2    input = f.read()
3 output = do_something(input)
4 with open(filename, 'w') as f:
5    f.write(output)

看起来很简单吧?可能看起来并不像乍一看这么简单。我在产品服务器中调试应用,经常会出现奇怪的行为。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(13:13)

2人顶

 翻译的不错哦!

其它翻译版本(1)
这是我看过的失效模式的例子:
  • 失控的服务器进程溢出大量日志,磁盘被填满。write()在截断文件之后抛出异常,文件将会变成空的。
  • 应用的几个实例并行执行。在各个实例结束之后,因为混合了多个实例的输出,文件内容最终变成了天书。
  • 在完成了写操作之后,应用会触发一些后续操作。几秒钟后断电。在我们重启了服务器之后,我们再一次看到了旧的文件内容。已经传递给其它应用的数据与我们在文件中看到的不再一致。

下面没有什么新的内容。本文的目的是为在系统编程方面缺少经验的Python开发者提供常见的方法和技术。我将会提供代码例子,使得开发者可以很容易的将这些方法应用到自己的代码中。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(13:57)

1人顶

 翻译的不错哦!

“可靠性”意味着什么?

广义的讲,可靠性意味着在所有规定的条件下操作都能执行它所需的函数。至于文件的操作,这个函数就是创建,替换或者追加文件的内容的问题。这里可以从数据库理论上获得灵感。经典的事务模型的ACID性质作为指导来提高可靠性。

开始之前,让我们先看看我们的例子怎样和ACID4个性质扯上关系:

  • 原子性(Atomicity)要求这个事务要么完全成功,要么完全失败。在上面的实例中,磁盘满了可能导致部分内容写入文件。另外,如果正当在写入内容时其它程序又在读取文件,它们可能获得是部分完成的版本,甚至会导致写错误
  • 一致性(Consistency) 表示操作必须从系统的一个状态到另一个状态。一致性可以分为两部分:内部和外部一致性。内部一致性是指文件的数据结构是一致的。外部一致性是指文件的内容与它相关的数据是相符合的。在这个例子中,因为我们不了解这个应用,所以很难推断是否符合一致性。但是因为一致性需要原子性,我们至少可以说没有保证内部一致性。
  • 隔离性(Isolation)如果在并发的执行事务中,多个相同的事务导致了不同的结果,就违反了隔离性。很明显上面的代码对操作失败或者其它隔离性失败都没有保护。
  • 持久性(Durability)意味着改变是持久不变的。在我们告诉用户成功之前,我们必须确保我们的数据存储是可靠的并且不只是一个写缓存。上面的代码已经成功写入数据的前提是假设我们调用write()函数,磁盘I/O就立即执行。但是POSIX标准是不保证这个假设的。
使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(14:46)

2人顶

 翻译的不错哦!

尽可能使用数据库系统

如果我们能够获得ACID 四个性质,那么我们增加可靠性方面取得了长远发展。但是这需要很大的编码功劳。为什么重复发明*?大多数数据库系统已经有ACID事务了。

可靠性数据存储已经是一个已解决的问题。如果你需要可靠性存储,请使用数据库。很可能,没有几十年的功夫,你自己解决这方面的能力没有那些已经专注这方面好些年的人好。如果你不想安装一个大数据库服务器,那么你可以使用sqlite,它具有ACID事务,很小,免费的,而且它包含在Python的标准库中。

使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(15:09)

1人顶

 翻译的不错哦!

文章本该在这里就结束的,但是还有一些有根有据的原因,就是不使用数据。它们通常是文件格式或者文件位置约束。这两个在数据库系统中都不好控制。理由如下:

  • 我们必须处理其它应用产生的固定格式或者在固定位置的文件,
  • 我们必须为了其它应用的消耗而写文件(和应用了同样的限制条件)
  • 我们的文件必须方便人阅读或者修改。

...等等。你懂的。

如果我们自己动手实现可靠的文件更新,那么这里有一些编程技术供参考。下面我将展示四种常见的操作文件更新模式。在那之后,我会讨论采取哪些步骤在每个文件更新模式下满足ACID性质。

使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(16:04)

1人顶

 翻译的不错哦!

其它翻译版本(1)

文件更新模式

文件可以以多种方式更新,但是我认为至少有四种常见的模式。这四种模式将做为本文剩余部分的基础。

截断-写

这可能是最基本的模式。在下述例子中,假设的域模型代码读数据,执行一些计算,然后以写模式重新打开存在的文件:

1 with open(filename, 'r') as f:
2    model.read(f)
3 model.process()
4 with open(filename, 'w') as f:
5    model.write(f)

此模式的一个变种以读写模式打开文件(Python中的“加”模式),寻找到开始的位置,显式调用truncate(),重写文件内容。

1 with open(filename, 'a+') as f:
2    f.seek(0)
3    model.input(f.read())
4    model.compute()
5    f.seek(0)
6    f.truncate()
7    f.write(model.output())

该变种的优势是只打开文件一次,始终保持文件打开。举例来说,这样可以简化加锁。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(15:30)

1人顶

 翻译的不错哦!

写-替换

另外一种广泛使用的模式是将新内容写到临时文件,之后替换原始文件:

1 with tempfile.NamedTemporaryFile(
2       'w', dir=os.path.dirname(filename), delete=False) as tf:
3    tf.write(model.output())
4    tempname = tf.name
5 os.rename(tempname, filename)

该方法与截断-写方法相比对错误更具有鲁棒性。请看下面对原子性和一致性的讨论。很多应用使用该方法。

这两个模式很常见,以至于linux内核中的ext4文件系统甚至可以自动检测到这些模式,自动修复一些可靠性缺陷。但是不要依赖这一特性:你并不是总是使用ext4,而且管理员可能会关掉这一特性。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(15:41)

1人顶

 翻译的不错哦!

追加

第三种模式就是追加新数据到已存在的文件:

1 with open(filename, 'a') as f:
2    f.write(model.output())

这个模式用来写日志文件和其它累积处理数据的任务。从技术上讲,它的显著特点就是极其简单。一个有趣的扩展应用就是常规操作中只通过追加操作更新,然后定期重新整理文件,使之更紧凑。

使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(15:43)

1人顶

 翻译的不错哦!

其它翻译版本(1)

Spooldir

这里我们将目录做为逻辑数据存储,为每条记录创建新的唯一命名的文件:

1 with open(unique_filename(), 'w') as f:
2    f.write(model.output())

该模式与附加模式一样具有累积的特点。一个巨大的优势是我们可以在文件名中放入少量元数据。举例来说,这可以用于传达处理状态的信息。spooldir模式的一个特别巧妙的实现是maildir格式。maildirs使用附加子目录的命名方案,以可靠的、无锁的方式执行更新操作。mdgocept.filestore库为maildir操作提供了方便的封装。

如果你的文件名生成不能保证唯一的结果,甚至有可能要求文件必须实际上是新的。那么调用具有合适标志的低等级os.open():

1 fd = os.open(filename, os.O_WRONLY | os.O_CREAT| os.O_EXCL, 0o666)
2 with os.fdopen(fd, 'w') as f:
3    f.write(...)

在以O_EXCL方式打开文件后,我们用os.fdopen将原始的文件描述符转化为普通的Python文件对象。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(16:19)

1人顶

 翻译的不错哦!

应用ACID属性到文件更新

下面,我将尝试加强文件更新模式。反过来让我们看看可以做些什么来满足ACID属性。我将会尽可能保持简单,因为我们并不是要写一个完整的数据库系统。请注意本节的材料并不彻底,但是可以为你自己的实验提供一个好的起点。

原子性

写-替换模式提供了原子性,因为底层的os.rename()是原子性的。这意味着在任意给定时间点,进程或者看到旧的文件,或者看到新的文件。该模式对写错误具有天然的鲁棒性:如果写操作触发异常,重命名操作就不会被执行,所有就没有用损坏的新文件覆盖正确的旧文件的风险。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(16:36)

1人顶

 翻译的不错哦!

附加
式并不是原子性的,因为有附加不完整记录的风险。但是有个技巧可以使更新具有原子性:为每个写操作标注校验和。之后读日志的时候,忽略所有没有有效校验和
的记录。以这种方式,只有完整的记录才会被处理。在下面的例子中,应用做周期性的测量,每次在日志中附加一行JSON记录。我们计算记录的字节表示形式的
CRC32校验和,然后附加到同一行:

1 with open(logfile, 'ab') as f:
2     for i in range(3):
3         measure = {'timestamp': time.time(), 'value': random.random()}
4         record = json.dumps(measure).encode()
5         checksum = '{:8x}'.format(zlib.crc32(record)).encode()
6         f.write(record + b' ' + checksum + b'\n')

该例子代码通过每次创建随机值模拟测量。

1 $ cat log
2 {"timestamp": 1373396987.258189, "value": 0.9360123151217828} 9495b87a
3 {"timestamp": 1373396987.25825, "value": 0.40429005476999424} 149afc22
4 {"timestamp": 1373396987.258291, "value": 0.232021160265939} d229d937

想要处理这个日志文件,我们每次读一行记录,分离校验和,与读到的记录比较。

1 with open(logfile, 'rb') as f:
2     for line in f:
3         record, checksum = line.strip().rsplit(b' ', 1)
4         if checksum.decode() == '{:8x}'.format(zlib.crc32(record)):
5             print('read measure: {}'.format(json.loads(record.decode())))
6         else:
7             print('checksum error for record {}'.format(record))

现在我们通过截断最后一行模拟被截断的写操作:

1 $ cat log
2 {"timestamp": 1373396987.258189, "value": 0.9360123151217828} 9495b87a
3 {"timestamp": 1373396987.25825, "value": 0.40429005476999424} 149afc22
4 {"timestamp": 1373396987.258291, "value": 0.23202

当读日志的时候,最后不完整的一行被拒绝:

1 $ read_checksummed_log.py log
2 read measure: {'timestamp': 1373396987.258189, 'value': 0.9360123151217828}
3 read measure: {'timestamp': 1373396987.25825, 'value': 0.40429005476999424}
4 checksum error for record b'{"timestamp": 1373396987.258291, "value":'

添加校验和到日志记录的方法被用于大量应用,包括很多数据库系统。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(17:06)

2人顶

 翻译的不错哦!

spooldir中的单个文件也可以在每个文件中添加校验和。另外一个可能更简单的方法是借用写-替换模式:首先将文件写到一边,然后移到最终的位置。设计一个保护正在被消费者处理的文件的命名方案。在下面的例子中,所有以.tmp结尾的文件都会被读取程序忽略,因此在写操作的时候可以安全的使用。

1 newfile = generate_id()
2 with open(newfile + '.tmp', 'w') as f:
3    f.write(model.output())
4 os.rename(newfile + '.tmp', newfile)

最后,截断-写是非原子性的。很遗憾我不能提供满足原子性的变种。在执行完截取操作后,文件是空的,还没有新内容写入。如果并发的程序现在读文件或者有异常发生,程序中止,我们既看不久的版本也看不到新的版本。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(17:31)

1人顶

 翻译的不错哦!

一致性

我谈论的关于原子性的大部分内容也可以应用到一致性。实际上,原子性更新是内部一致性的前提条件。外部一致性意味着同步更新几个文件。这不容易做到,锁文
件可以用来确保读写访问互不干涉。考虑某目录下的文件需要互相保持一致。常用的模式是指定锁文件,用来控制对整个目录的访问。

写程序的例子:

1 with open(os.path.join(dirname, '.lock'), 'a+') as lockfile:
2    fcntl.flock(lockfile, fcntl.LOCK_EX)
3    model.update(dirname)

读程序的例子:

1 with open(os.path.join(dirname, '.lock'), 'a+') as lockfile:
2    fcntl.flock(lockfile, fcntl.LOCK_SH)
3    model.readall(dirname)

该方法只有控制所有读程序才生效。因为每次只有一个写程序活动(独占锁阻塞所有共享锁),所有该方法的可扩展性有限。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(20:18)

2人顶

 翻译的不错哦!

更进一步,我们可以对整个目录应用写-替换
式。这涉及为每次更新创建新的目录,更新完成后改变符合链接。举例来说,镜像应用维护一个包含压缩包和列出了文件名、文件大小和校验和的索引文件的目录。
当上流的镜像更新,仅仅隔离地对压缩包和索引文件进项原子性更新是不够的。相反,我们需要同时提供压缩包和索引文件以免校验和不匹配。为了解决这个问题,
我们为每次生成维护一个子目录,然后改变符号链接激活该次生成。

01 mirror
02 |-- 483
03 |   |-- a.tgz
04 |   |-- b.tgz
05 |   `-- index.json
06 |-- 484
07 |   |-- a.tgz
08 |   |-- b.tgz
09 |   |-- c.tgz
10 |   `-- index.json
11 `-- current -> 483

新的生成484正在被更新的过程中。当所有压缩包准备好,索引文件更新后,我们可以用一次原子调用os.symlink()来切换current符号链
接。其它应用总是或者看到完全旧的或者完全新的生成。读程序需要使用os.chdir()进入current目录,很重要的是不要用完整路径名指定文件。
否在当读程序打开current/index.json,然后打开current/a.tgz,但是同时符号链接已经改变时就会出现竞争条件。

使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(22:11)

1人顶

 翻译的不错哦!

隔离性

隔离性意味着对同一文件的并发更新是可串行化的——存在一个串行调度使得实际执行的并行调度返回相同的结果。“真实的”数据库系统使用像MVCC这种高级技术维护可串行性,同时允许高等级的可并行性。回到我们的场景,我们最后使用加锁来串行文件更新。

截断-写更新进行加锁是容易的。仅仅在所有文件操作前获取一个独占锁就可以。下面的例子代码从文件中读取一个整数,然后递增,最后更新文件:

1 def update():
2    with open(filename, 'r+') as f:
3       fcntl.flock(f, fcntl.LOCK_EX)
4       n = int(f.read())
5       n += 1
6       f.seek(0)
7       f.truncate()
8       f.write('{}\n'.format(n))
使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(22:29)

1人顶

 翻译的不错哦!

其它翻译版本(1)
使用
写-替换模式加锁更新就有点儿麻烦啦。像
截断-写那样使用锁可能导致更新冲突。某个幼稚的实现可能看起来像这样:
01 def update():
02    with open(filename) as f:
03       fcntl.flock(f, fcntl.LOCK_EX)
04       n = int(f.read())
05       n += 1
06       with tempfile.NamedTemporaryFile(
07             'w', dir=os.path.dirname(filename), delete=False) as tf:
08          tf.write('{}\n'.format(n))
09          tempname = tf.name
10       os.rename(tempname, filename)

这段代码有什么问题呢?设想两个进程竞争更新某个文件。第一个进程运行在前面,但是第二个进程阻塞在fcntl.flock()调用。当第一个进程替换了
文件,释放了锁,现在在第二个进程中打开的文件描述符指向了一个包含旧内容的“幽灵”文件(任意路径名都不可达)。想要避免这个冲突,我们必须检查打开的
文件是否与fcntl.flock()返回的相同。所以我写了一个新的LockedOpen上下文管理器来替换内建的open上下文。来确保我们实际打开
了正确的文件:

01 class LockedOpen(object):
02  
03     def __init__(self, filename, *args, **kwargs):
04         self.filename = filename
05         self.open_args = args
06         self.open_kwargs = kwargs
07         self.fileobj = None
08  
09     def __enter__(self):
10         f = open(self.filename, *self.open_args, **self.open_kwargs)
11         while True:
12             fcntl.flock(f, fcntl.LOCK_EX)
13             fnew = open(self.filename, *self.open_args, **self.open_kwargs)
14             if os.path.sameopenfile(f.fileno(), fnew.fileno()):
15                 fnew.close()
16                 break
17             else:
18                 f.close()
19                 f = fnew
20         self.fileobj = f
21         return f
22  
23     def __exit__(self, _exc_type, _exc_value, _traceback):
24         self.fileobj.close()
1 def update(self):
2     with LockedOpen(filename, 'r+') as f:
3         n = int(f.read())
4         n += 1
5         with tempfile.NamedTemporaryFile(
6                 'w', dir=os.path.dirname(filename), delete=False) as tf:
7             tf.write('{}\n'.format(n))
8             tempname = tf.name
9         os.rename(tempname, filename)
使用 Python 进行稳定可靠的文件操作
袁不语
翻译于 昨天(22:55)

1人顶

 翻译的不错哦!

追加更新上锁如同给截断-写更新上锁一样简单:需要一个排他锁,然后追加就完成了。需要长期运行的会将文件长久的打开的进程,可以在更新时释放锁,让其它进入。

spooldir模式有个很优美的性质就是它不需要任何锁。此外,你建立在使用灵活的命名模式和一个健壮的文件名分代。邮件目录规范就是一个spooldir模式的好例子。它可以很容易的适应其它情况,不仅仅是处理邮件。

使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(22:49)

1人顶

 翻译的不错哦!

持久性

持久性有点特殊,因为它不仅依赖于应用,也与OS和硬件配置有关。理论上来说,我们可以假定,如果数据没有到达持久存储,os.fsync()或
os.fdatasync()调用就没有返回结果。在实际情况中,我们有可能会遇到几个问题:我们可能会面对不完整的fsync实现,或者糟糕的磁盘控制
器配置,它们都无法提供任何持久化的保证。有一个来自 MySQL 开发者 的讨论对哪里会发生错误进行了详尽的讨论。有些像PostgreSQL 之类的数据库系统,甚至提供了持久化机制的选择 ,以便管理员在运行时刻选择最佳的一个。然而不走运的人只能使用os.fsync(),并期待它可以被正确的实现。

使用 Python 进行稳定可靠的文件操作
super0555
翻译于 昨天(16:37)

1人顶

 翻译的不错哦!

通过截断-写模式,在结束写操作以后关闭文件以前,我们需要发送一个同步信号。注意通常这还牵涉到另一个层次的写缓存。glibc 缓存 甚至会在写操作传递到内核以前,在进程内部拦住它。同样为了得到空的glibc缓存,我们需要在同步以前对它flush():

1 with open(filename, 'w') as f:
2    model.write(f)
3    f.flush()
4    os.fdatasync(f)

要不,你也可以带参数-u调用Python,以此为所有的文件I/O获得未缓冲的写。

大多数时候相较os.fsync()我更喜欢os.fdatasync(),以此避免同步元数据的更新(所有权、大小、mtime…)。元数据的更新可最终导致磁盘I/O搜索操作,这会使整个过程慢不少。

使用 Python 进行稳定可靠的文件操作
super0555
翻译于 昨天(19:22)

1人顶

 翻译的不错哦!

写-替换风格更新使用同样的技巧只是成功了一半。我们得确保在代替旧文件之前,新写入文件的内容已经写入了非易失性存储器上了,但是替换操作怎么办?我们不能保证那个目录更新是否执行的刚刚好。在网络上有很多关于怎么让同步目录更新的长篇大论。但是在我们这种情况,旧文件和新文件都在同一个目录下,我们可以使用简单的解决方案来逃避这个这题。

1 os.rename(tempname, filename)
2 dirfd = os.open(os.path.dirname(filename), os.O_DIRECTORY)
3 os.fsync(dirfd)
4 os.close(dirfd)

我们调用底层的os.open()来打开目录(Python自带的open()方法不支持打开目录),然后在目录文件描述符上执行os.fsync()。

对待追加更新和我以及说过的截断-写是相似的。

spooldir模式与写-替换模式同样的目录同步问题。幸运地是,可以使用同样的解决方案:第一步同步文件,然后同步目录。

使用 Python 进行稳定可靠的文件操作
Lesus
翻译于 昨天(23:15)

1人顶

 翻译的不错哦!

总结

这使可靠的更新文件成为可能。我已经演示了满足
ACID的四大性质。这些展示的实例代码充当一个工具箱。掌握这编程技术最大的满足你的需求。有时,你并不需要满足所有的ACID性质,可能仅仅需要一到
两个。我希望这篇文章可以帮助你去做已充分了解的决定,什么该去实现以及什么该舍弃。