snowball uploader
1.0.0
数十億ファイルを効率的に雪玉に移動するスクリプト
- 2022.01.19
- added option to bypass setting the auto-extract metadata tag
- 2021.02.20
- save filelist_dir as filelist-currentdata.gz when executing genlist
- 2021.02.20
- performance improvement of genlist; dumping file list, not each line
- 2021.02.20
- replacing scandir.walk to os.walk. already os.walk module patched with scandir after python3.5
- 2021.02.10
- replacing os.path with scandir.path to improve performance of file listing
- 2021.02.09
- python2 compatibility for "open(filename, endoding)"
- 2021.02.01
- modifying to support Windows
- refactoring for more accurate defining of variables
- 2021.01.26
- multi processing support for parallel uploading of tar files
- relevant parameter: max_process
- 2021.01.25
- removing yaml feature, due for it to cause too much cpu consumtion and low performance
- fixing bug which use two profiles(sbe1, default), now only use "sbe1" profile
- showing progress
- 2020.02.25
- changing filelist file to contain the target filename
- 2020.02.24
- fixing FIFO error
- adding example of real snowball configuration
- 2020.02.22 - limiting multi-thread numbers
- adding multi-threading to improve performance
- adding fifo operation to reducing for big file which is over max_part_size
- 2020.02.19
- removing tarfiles_one_time logic
- spliting buffer by max_part_size
- 2020.02.18:
- supprt snowball limit:
- max_part_size: 512mb
- min_part_size: 5mb
- 2020.02.14:
- modifying for python3
- support korean in Windows
- 2020.02.12: adding features
- gen_filelist by size
- 2020.02.10: changing filename from tar_to_s3_v7_multipart.py to snowball_uploader_8.py
- adding features which can split tar file by size and count.
- adding feature which create file list
- showing help message
Snowball_uploaderは、多くのファイルを雪だるままたはSnowballedgeに効率的に移動するために開発されました。特に、何百万もの小さなファイルがある場合、それらを転送するのに時間がかかりすぎると、プロジェクトが遅れ、雪だるまを貸すために高コストが発生します。ただし、 Snowball_uploaderを使用すると、転送時間を短縮できます。ファイルをメモリ内の部分にアーカイブし、いくつかのTARファイルにBig Chunkと集約を送信します。
最初は、パフォーマンスの結果をお見せします。最初のスノーボールの結果は、各ファイルをアップロードするときに名前を変更するときに測定され、2番目の結果は、TARでアーカイブファイルを作成し、メモリ上の雪玉に送信するスクリプトを適用するときに測定されます。以下の表と数字を使用すると、2番目のオプションで少なくとも7倍のパフォーマンスが発生することに気付くでしょう。
| ターゲット | ファイル数 | 総容量 | NAS->雪玉の時間 | スノーボール - > S3時間 | 失敗したオブジェクト |
|---|---|---|---|---|---|
| 最初の雪玉のパフォーマンス | 19,567,430 | 2,408 GB | 1W | 113時間 | 954 |
| 2番目のスノーボールパフォーマンス | 約119,577,235 | 14,708 GB | 1W | 26時間 | 0 |
bucket_name = "your-own-bucket"
session = boto3 . Session ( profile_name = 'sbe1' )
s3 = session . client ( 's3' , endpoint_url = 'http://10.10.10.10:8080' )
# or below
#s3 = boto3.client('s3', endpoint_url='https://s3.ap-northeast-2.amazonaws.com')
#s3 = boto3.client('s3', region_name='ap-northeast-2', endpoint_url='https://s3.ap-northeast-2.amazonaws.com', aws_access_key_id=None, aws_secret_access_key=None)
target_path = '/move/to/s3/orgin/' ## very important!! change to your source directory
max_tarfile_size = 10 * 1024 ** 3 # 10GB
max_part_size = 300 * 1024 ** 2 # 300MB
min_part_size = 5 * 1024 ** 2 # 5MB
max_process = 5 # concurrent processes, set the value to less than filelist files in file list_dir
if os . name == 'nt' :
filelist_dir = "C:/Temp/fl_logdir_dkfjpoiwqjefkdjf/" #for windows
else :
filelist_dir = '/tmp/fl_logdir_dkfjpoiwqjefkdjf/' #for linux ec2-user > python3 snowball_uploader.py genlistGenListパラメーターは、元のファイルとターゲットファイルを含むマニフェストファイルを生成します。このパラメーターは、ファイルに対処する前に実行する必要があります。
ec2-user > ls /tmp/fl_logdir_dkfjpoiwqjefkdjf
fl_1.yml fl_2.yml fl_3.yml fl_4.yml fl_5.ymlec2-suer > cat f1_1.yaml
- ./snowball_uploader_11_failed.py: ./snowball_uploader_11_failed.py
- ./success_fl_2.yaml_20200226_002049.log: ./success_fl_2.yaml_20200226_002049.log
- ./file_list.txt: ./file_list.txt
- ./snowball-fl_1-20200218_151840.tar: ./snowball-fl_1-20200218_151840.tar
- ./bytesio_test.py: ./bytesio_test.py
- ./filelist_dir1_10000.txt: ./filelist_dir1_10000.txt
- ./snowball_uploader_14_success.py: ./snowball_uploader_14_success.py
- ./error_fl_1.txt_20200225_022018.log: ./error_fl_1.txt_20200225_022018.log
- ./snowball_uploader_debug_success.py: ./snowball_uploader_debug_success.py
- ./success_fl_1.txt_20200225_022018.log: ./success_fl_1.txt_20200225_022018.log
- ./snowball_uploader_20_thread.py: ./snowball_uploader_20_thread.py
- ./success_fl_1.yml_20200229_173222.log: ./success_fl_1.yml_20200229_173222.log
- ./snowball_uploader_14_ing.py: ./snowball_uploader_14_ing.py def rename_file ( org_file ):
target_file = org_file ##
return target_file CP_SNOWBALLパラメーターはファイルをスノーボールに転送します
スクリプトが実行されると、2つのログファイル、success_'file_name ' ' timestamp'.log and error 'file_name' _ 'timestamp'.logを作成します。
#print ('n')
print ( 'genlist: ' )
print ( 'this option will generate files which are containing target files list in %s' % ( filelist_dir ))
#print ('n')
print ( 'cp_snowball: ' )
print ( 'cp_snowball option will copy the files on server to snowball efficiently' )
print ( 'the mechanism is here:' )
print ( '1. reads the target file name from the one filelist file in filelist directory' )
print ( '2. accumulates files to max_part_size in memory' )
print ( '3. if it reachs max_part_size, send it to snowball using MultiPartUpload' )
print ( '4. during sending data chunk, threads are invoked to max_thread' )
print ( '5. after complete to send, tar file is generated in snowball' )
print ( '6. then, moves to the next filelist file recursively' )私はプロのプログラマではないので、いくらかの欠陥があるかもしれません。エラー処理は非常に貧弱です。また、このスクリプトは、多すぎるパラメーター（MAX_THREADS、MAX_PART_SIZE、およびMAX_TARFILE_SIZE）を設定しすぎると、膨大な量のメモリを消費する場合があり、システムの凍結を引き起こす可能性があります。したがって、サンプルデータで数回テストしてください。顧客サイトで使用すると、消費時間が10回以上短縮されました。このスクリプトからも助けを得ることができることを願っています。
