Das Programm benötigt aktualisierte Dateien. Obwohl die meisten Programmierer wissen, dass bei der Durchführung von I/O-Vorgängen unerwartete Dinge passieren können, sehe ich oft Code, der ungewöhnlich naiv ist. In diesem Artikel möchte ich einige Erkenntnisse darüber teilen, wie die E/A-Zuverlässigkeit in Python-Code verbessert werden kann.
Betrachten Sie den folgenden Python-Codeausschnitt. Führen Sie einige Vorgänge an den Daten in der Datei durch und speichern Sie die Ergebnisse wieder in der Datei:
with open(filename) as f: input = f.read() output = do_something(input) with open(filename, 'w') as f: f.write(output)
Sieht einfach aus, oder? Es scheint vielleicht nicht so einfach zu sein, wie es zunächst scheint. Ich debugge eine Anwendung auf einem Produktionsserver und es kommt häufig zu seltsamem Verhalten.
Hier sind Beispiele für Fehlermodi, die ich gesehen habe:
Ein außer Kontrolle geratener Serverprozess hat so viele Protokolle verloren, dass die Festplatte voll war. write() löst nach dem Abschneiden der Datei eine Ausnahme aus und die Datei wird leer.
Mehrere Instanzen der Anwendung werden parallel ausgeführt. Nach dem Ende jeder Instanz wird der Dateiinhalt schließlich zu einer Bibel, da die Ausgabe mehrerer Instanzen gemischt ist.
Nach Abschluss des Schreibvorgangs löst die Anwendung einige nachfolgende Vorgänge aus. Der Strom wird nach ein paar Sekunden abgeschaltet. Nachdem wir den Server neu gestartet hatten, sahen wir wieder den alten Dateiinhalt. Die an andere Anwendungen übergebenen Daten stimmen nicht mehr mit dem überein, was wir in der Datei sehen.
Im Folgenden gibt es nichts Neues. Der Zweck dieses Artikels besteht darin, allgemeine Methoden und Techniken für Python-Entwickler bereitzustellen, denen es an Erfahrung in der Systemprogrammierung mangelt. Ich werde Codebeispiele bereitstellen, damit Entwickler diese Methoden problemlos auf ihren eigenen Code anwenden können.
Im Großen und Ganzen bedeutet Zuverlässigkeit, dass ein Betrieb seine erforderliche Funktion unter allen spezifizierten Bedingungen erfüllt. Bei Dateioperationen geht es bei dieser Funktion darum, den Inhalt der Datei zu erstellen, zu ersetzen oder anzuhängen. Hier können Sie sich von der Datenbanktheorie inspirieren lassen. Die ACID-Eigenschaften des klassischen Transaktionsmodells dienen als Leitfaden zur Verbesserung der Zuverlässigkeit.
Bevor wir beginnen, sehen wir uns zunächst an, wie unser Beispiel mit den vier Eigenschaften von ACID zusammenhängt:
Atomizität erfordert, dass diese Transaktion entweder vollständig erfolgreich ist oder vollständig fehlschlägt. Im obigen Beispiel kann eine volle Festplatte dazu führen, dass Teilinhalte in die Datei geschrieben werden. Wenn andere Programme die Datei außerdem lesen, während sie geschrieben wird, erhalten sie möglicherweise eine unvollständige Version oder verursachen sogar Schreibfehler
Konsistenz bedeutet, dass der Vorgang von einem Zustand des Systems in einen anderen übergehen muss. Konsistenz kann in zwei Teile unterteilt werden: interne und externe Konsistenz. Interne Konsistenz bedeutet, dass die Datenstruktur der Datei konsistent ist. Externe Konsistenz bedeutet, dass der Inhalt einer Datei mit den zugehörigen Daten übereinstimmt. Da wir in diesem Fall die Anwendung nicht verstehen, ist es schwierig, auf Konsistenz zu schließen. Da Konsistenz jedoch Atomizität erfordert, können wir zumindest sagen, dass interne Konsistenz nicht garantiert ist.
IsolationWenn mehrere identische Transaktionen bei gleichzeitig ausgeführten Transaktionen zu unterschiedlichen Ergebnissen führen, wird die Isolation verletzt. Es ist offensichtlich, dass der obige Code keinen Schutz vor Betriebsfehlern oder anderen Isolationsfehlern bietet.
Dauerhaftigkeit bedeutet, dass die Veränderung dauerhaft ist. Bevor wir dem Benutzer den Erfolg mitteilen können, müssen wir sicherstellen, dass unser Datenspeicher zuverlässig ist und nicht nur ein Schreibcache. Die Voraussetzung, dass der obige Code erfolgreich Daten geschrieben hat, setzt voraus, dass wir die Funktion write() aufrufen und die Festplatten-E/A sofort ausgeführt wird. Der POSIX-Standard garantiert diese Annahme jedoch nicht.
Wenn wir die vier Eigenschaften von ACID erreichen können, haben wir langfristige Fortschritte bei der Erhöhung der Zuverlässigkeit gemacht. Dies erfordert jedoch einen hohen Codierungsaufwand. Warum das Rad neu erfinden? Die meisten Datenbanksysteme verfügen bereits über ACID-Transaktionen.
Eine zuverlässige Datenspeicherung ist bereits ein gelöstes Problem. Wenn Sie zuverlässigen Speicher benötigen, verwenden Sie eine Datenbank. Es ist sehr wahrscheinlich, dass Ihre Fähigkeit, dieses Problem selbst zu lösen, ohne jahrzehntelange Bemühungen nicht so gut ist wie die derjenigen, die sich seit mehreren Jahren mit diesem Problem beschäftigen. Wenn Sie keinen großen Datenbankserver installieren möchten, können Sie SQLite verwenden, das über ACID-Transaktionen verfügt, klein und kostenlos ist und in der Standardbibliothek von Python enthalten ist.
Der Artikel hätte hier enden sollen, aber es gibt einige triftige Gründe, Daten nicht zu verwenden. Dabei handelt es sich in der Regel um Dateiformat- oder Dateispeicherortbeschränkungen. Beides ist in einem Datenbanksystem schwer zu kontrollieren. Die Gründe sind wie folgt:
Wir müssen mit Dateien in festen Formaten oder an festen Speicherorten umgehen, die von anderen Anwendungen generiert wurden,
Wir müssen Dateien für die Nutzung durch andere Anwendungen schreiben (mit denselben Einschränkungen)
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。
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。
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：
with open(filename, 'r') as f: model.read(f) model.process() with open(filename, 'w') as f: 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。
with open(filename, 'a+') as f: f.seek(0) model.input(f.read()) model.compute() f.seek(0) f.truncate() 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。
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：
with tempfile.NamedTemporaryFile(
'w', dir=os.path.dirname(filename), delete=False) as tf:
tf.write(model.output())
tempname = tf.name
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。
第三种模式就是追加新数据到已存在的文件：
with open(filename, 'a') as f: 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。
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：
with open(unique_filename(), 'w') as f: 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。md和gocept.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()：
fd = os.open(filename, os.O_WRONLY | os.O_CREAT| os.O_EXCL, 0o666) with os.fdopen(fd, 'w') as f: 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。
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。
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。
附加模式并不是原子性的，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：
with open(logfile, 'ab') as f:
for i in range(3):
measure = {'timestamp': time.time(), 'value': random.random()}
record = json.dumps(measure).encode()
checksum = '{:8x}'.format(zlib.crc32(record)).encode()
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。
$ cat log
{"timestamp": 1373396987.258189, "value": 0.9360123151217828} 9495b87a
{"timestamp": 1373396987.25825, "value": 0.40429005476999424} 149afc22
{"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。
with open(logfile, 'rb') as f:
for line in f:
record, checksum = line.strip().rsplit(b' ', 1)
if checksum.decode() == '{:8x}'.format(zlib.crc32(record)):
print('read measure: {}'.format(json.loads(record.decode())))
else:
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：
$ cat log
{"timestamp": 1373396987.258189, "value": 0.9360123151217828} 9495b87a
{"timestamp": 1373396987.25825, "value": 0.40429005476999424} 149afc22
{"timestamp": 1373396987.258291, "value": 0.23202当读日志的时候，最后不完整的一行被拒绝：
$ read_checksummed_log.py log
read measure: {'timestamp': 1373396987.258189, 'value': 0.9360123151217828}
read measure: {'timestamp': 1373396987.25825, 'value': 0.40429005476999424}
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。
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。
newfile = generate_id() with open(newfile + '.tmp', 'w') as f: f.write(model.output()) 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。
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:
with open(os.path.join(dirname, '.lock'), 'a+') as lockfile: fcntl.flock(lockfile, fcntl.LOCK_EX) model.update(dirname)
读程序的例子:
with open(os.path.join(dirname, '.lock'), 'a+') as lockfile: fcntl.flock(lockfile, fcntl.LOCK_SH) 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。
更进一步，我们可以对整个目录应用写-替换模式。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。
mirror |-- 483 | |-- a.tgz | |-- b.tgz | `-- index.json |-- 484 | |-- a.tgz | |-- b.tgz | |-- c.tgz | `-- index.json `-- 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。
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。
对截断-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：
def update():
with open(filename, 'r+') as f:
fcntl.flock(f, fcntl.LOCK_EX)
n = int(f.read())
n += 1
f.seek(0)
f.truncate()
f.write('{}\n'.format(n))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：
def update():
with open(filename) as f:
fcntl.flock(f, fcntl.LOCK_EX)
n = int(f.read())
n += 1
with tempfile.NamedTemporaryFile(
'w', dir=os.path.dirname(filename), delete=False) as tf:
tf.write('{}\n'.format(n))
tempname = tf.name
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：
class LockedOpen(object):
def __init__(self, filename, *args, **kwargs):
self.filename = filename
self.open_args = args
self.open_kwargs = kwargs
self.fileobj = None
def __enter__(self):
f = open(self.filename, *self.open_args, **self.open_kwargs)
while True:
fcntl.flock(f, fcntl.LOCK_EX)
fnew = open(self.filename, *self.open_args, **self.open_kwargs)
if os.path.sameopenfile(f.fileno(), fnew.fileno()):
fnew.close()
break
else:
f.close()
f = fnew
self.fileobj = f
return f
def __exit__(self, _exc_type, _exc_value, _traceback):
self.fileobj.close() def update(self):
with LockedOpen(filename, 'r+') as f:
n = int(f.read())
n += 1
with tempfile.NamedTemporaryFile(
'w', dir=os.path.dirname(filename), delete=False) as tf:
tf.write('{}\n'.format(n))
tempname = tf.name
os.rename(tempname, filename)给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。
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。
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()：
with open(filename, 'w') as f: model.write(f) f.flush() 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。
对写-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。
os.rename(tempname, filename) dirfd = os.open(os.path.dirname(filename), os.O_DIRECTORY) os.fsync(dirfd) 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。
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。
英文来源：http://blog.gocept.com/2013/07/15/reliable-file-updates-with-python/
Das obige ist der detaillierte Inhalt vonSo verwenden Sie Python für stabile und zuverlässige Dateivorgänge. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
