基于Dedup的数据打包技术

Posted 2020-09-17 D R Y ! -geek~

基于Dedup的数据打包技术

0、引言
    Tar, winrar, winzip是最为常见的数据打包工具软件，它们把文件集体封装成一个单独的数据包，从而方便数据的分布、传输、归档以及持久保存等目的。这类工具通常都支持数据压缩技术，从而有效减少数据的存储空间，常用压缩算法有Huffman编码、Z77/z78、LZW等。压缩算法的原理是通过对数据的重新编码，高频率数据片段采用较短的编码，低频率数据片段采用较长的编码，从而获得全局的上数据量较小的文件表示。

1、Dedup原理
   Deduplication，即重复数据删除，它是一种非常新的且流行度很高的存储技术，可以大大减少数据的数量。重复数据删除技术，通过数据集中重复的数据，从而消除冗余数据。借助dedup技术，可以提高存储系统的效率，有效节约成本、减少传输过程中的网络带宽。同时它也是一种绿色存储技术，能有效降低能耗(存储空间小了，所需要存储系统磁盘也就少了，自然所需要电能就减少了)。
   dedup按照消重的粒度可以分为文件级和数据块级。文件级的dedup技术也称为单一实例存储(SIS, Single Instance Store)，数据块级的重复数据删除，其消重粒度更小，可以达到4-24KB之间。显然，数据块级的可以提供更高的数据消重率，因此目前主流的dedup产品都是数据块级的。重复数据删除原理如下图所示。将文件都分割成数据块(可以是定长或变长的数据块)，采用MD5或SHA1等Hash算法(可以同时使用两种或以上hash算法，或CRC校验等，以获得非常小概率的数据碰撞发生)为数据块计算FingerPrint。具有相同FP指纹的数据块即可认为是相同的数据块，存储系统中仅需要保留一份。这样，一个物理文件在存储系统中就对应一个逻辑表示，由一组FP组成的元数据。当进行读取文件时，先读取逻辑文件，然后根据FP序列，从存储系统中取出相应数据块，还原物理文件副本。
   重复数据删除目前主要应用于数据备份，因此对数据进行多次备份后，存在大量重复数据，非常适合dedup技术。事实上，dedup技术可以用于很多场合，包括在线数据、近线数据、离线数据存储系统，甚至可以在文件系统、卷管理器、NAS、SAN中实施。还可以用于网络数据传输，当然也可以应用于数据打包技术。dedup技术可以帮助众多应用降低数据存储量，节省网络带宽，提高存储效率、减小备份窗口，绿色节能。这里，基于dedup实现一种数据打包技术。

 

2、基于Dedup的数据打包模型

  数据包文件的数据布局：

Header

Unique block data

File metadata

 数据包由三部分组成：文件头(header)、唯一数据块集(unique block data)和逻辑文件元数据(file metadata)。其中，header为一个结构体，定义了数据块大小、唯一数据块数量、数据块ID大小、包中文件数量、元数据在包中的位置等元信息。文件头后紧接就存储着所有唯一的数据块，大小和数量由文件头中元信息指示。在数据块之后，就是数据包中文件的逻辑表示元数据，由多个实体组成，结构如下所示，一个实体表示一个文件。解包时根据文件的元数据，逐一提取数据块，还原出当初的物理文件。
 
  逻辑文件的元数据表示：

 

 

Entry header

pathname

Entry data

Last block data

 

  逻辑文件的实体头中记录着文件名长度、数据块数量、数据块ID大小和最后一个数据块大小等信息。紧接着是文件名数据，长度在实体头中定义。文件名数据之后，存储着一组唯一数据块的编号，编号与唯一数据块集中的数据块一一对应。最后存储着文件最后一个数据块，由于这个数据块大小通常比正常数据块小，重复概率非常小，因此单独保存。


3、原型实现
基于上面的数据布局，就可以实现支持重复数据删除的数据打包方法。本人在Linux系统上实现了一个原型，实现中使用了hashtable来记录和查询唯一数据块信息，使用MD5算法计算数据块指纹，并使用zlib中的z77压缩算法对删除了重复数据后的数据包进行压缩。hashtable, MD5, z77算法和实现，这里不作介绍，有兴趣的读者可以参考相关资源。下面给出dedup.h, dedup.c undedup.c源码文件。目前实现的原型还相对比较粗糙。

/* dedup.h */

 

[cpp] view plain copy

 

 print?

1. #ifndef _DEDUP_H  
2. #define _DEDUP_H  
3. #include "md5.h"  
4. #include "hash.h"  
5. #include "hashtable.h"  
6. #include "libz.h"  
7. #ifdef __cplusplus  
8. extern "C" {  
9. #endif  
10. /*  
11.  * deduplication file data layout 
12.  * -------------------------------------------------- 
13.  * |  header  |  unique block data |  file metadata | 
14.  * -------------------------------------------------- 
15.  * 
16.  * file metedata entry layout 
17.  * ----------------------------------------------------------------- 
18.  * |  entry header  |  pathname  |  entry data  |  last block data | 
19.  * ----------------------------------------------------------------- 
20.  */  
21. typedef unsigned int block_id_t;  
22. #define BLOCK_SIZE  4096     /* 4K Bytes */  
23. #define BACKET_SIZE     10240  
24. #define MAX_PATH_LEN    255  
25. #define BLOCK_ID_SIZE   (sizeof(block_id_t))  
26. /* deduplication package header */  
27. #define DEDUP_MAGIC_NUM 0x1329149  
28. typedef struct _dedup_package_header {  
29.     unsigned int block_size;  
30.     unsigned int block_num;  
31.     unsigned int blockid_size;  
32.     unsigned int magic_num;  
33.     unsigned int file_num;  
34.     unsigned long long metadata_offset;  
35. } dedup_package_header;  
36. #define DEDUP_PKGHDR_SIZE   (sizeof(dedup_package_header))  
37. /* deduplication metadata entry header */  
38. typedef struct _dedup_entry_header {  
39.     unsigned int path_len;  
40.     unsigned int block_num;  
41.     unsigned int entry_size;  
42.     unsigned int last_block_size;  
43.     int mode;  
44. } dedup_entry_header;  
45. #define DEDUP_ENTRYHDR_SIZE (sizeof(dedup_entry_header))  
46. #ifdef __cplusplus  
47. }  
48. #endif  
49. #endif  

/* dedup.c */

 

 

[cpp] view plain copy

 

 print?

1. #include <stdio.h>  
2. #include <stdlib.h>  
3. #include <sys/types.h>  
4. #include <sys/stat.h>  
5. #include <dirent.h>  
6. #include <unistd.h>  
7. #include <getopt.h>  
8. #include <fcntl.h>  
9. #include <dirent.h>  
10. #include <errno.h>  
11. #include "dedup.h"  
12. /* unique block number in package */  
13. static unsigned int g_unique_block_nr = 0;  
14. /* regular file number in package */  
15. static unsigned int g_regular_file_nr = 0;  
16. /* block length */  
17. static unsigned int g_block_size = BLOCK_SIZE;  
18. /* hashtable backet number */  
19. static unsigned int g_htab_backet_nr = BACKET_SIZE;  
20. void show_md5(unsigned char md5_checksum[16])  
21. {  
22.     int i;  
23.     for (i = 0; i < 16; i++)  
24.     {  
25.             printf("%02x", md5_checksum[i]);  
26.     }  
27. }  
28. void show_pkg_header(dedup_package_header dedup_pkg_hdr)  
29. {  
30.         printf("block_size = %d/n", dedup_pkg_hdr.block_size);  
31.         printf("block_num = %d/n", dedup_pkg_hdr.block_num);  
32.     printf("blockid_size = %d/n", dedup_pkg_hdr.blockid_size);  
33.     printf("magic_num = 0x%x/n", dedup_pkg_hdr.magic_num);  
34.     printf("file_num = %d/n", dedup_pkg_hdr.file_num);  
35.     printf("metadata_offset = %lld/n", dedup_pkg_hdr.metadata_offset);  
36. }  
37. int dedup_regfile(char *fullpath, int prepos, int fd_bdata, int fd_mdata, hashtable *htable, int debug)  
38. {  
39.     int fd;  
40.     char *buf = NULL;  
41.     unsigned int rwsize, pos;  
42.     unsigned char md5_checksum[16 + 1] = {0};  
43.     unsigned int *metadata = NULL;  
44.     unsigned int block_num = 0;  
45.     struct stat statbuf;  
46.     dedup_entry_header dedup_entry_hdr;  
47.     if (-1 == (fd = open(fullpath, O_RDONLY)))  
48.     {  
49.         perror("open regulae file");  
50.         return errno;  
51.     }  
52.     if (-1 == fstat(fd, &statbuf))  
53.     {  
54.         perror("fstat regular file");  
55.         goto _DEDUP_REGFILE_EXIT;  
56.     }  
57.     block_num = statbuf.st_size / g_block_size;  
58.     metadata = (unsigned int *)malloc(BLOCK_ID_SIZE * block_num);  
59.     if (metadata == NULL)  
60.     {  
61.         perror("malloc metadata for regfile");  
62.         goto _DEDUP_REGFILE_EXIT;  
63.     }  
64.     buf = (char *)malloc(g_block_size);  
65.     if (buf == NULL)  
66.     {  
67.         perror("malloc buf for regfile");  
68.         goto _DEDUP_REGFILE_EXIT;  
69.     }  
70.     pos = 0;  
71.     while (rwsize = read(fd, buf, g_block_size))   
72.     {  
73.         /* if the last block */  
74.         if (rwsize != g_block_size)  
75.             break;  
76.         /* calculate md5 */  
77.         md5(buf, rwsize, md5_checksum);  
78.         /* check hashtable with hashkey */  
79.         unsigned int *bindex = (block_id_t *)hash_value((void *)md5_checksum, htable);  
80.         if (bindex == NULL)  
81.         {  
82.             bindex = (unsigned int *)malloc(BLOCK_ID_SIZE);  
83.             if (NULL == bindex)  
84.             {  
85.                 perror("malloc in dedup_regfile");  
86.                 break;  
87.             }  
88.             /* insert hash entry and write unique block into bdata*/  
89.             *bindex = g_unique_block_nr;  
90.             hash_insert((void *)strdup(md5_checksum), (void *)bindex, htable);  
91.             write(fd_bdata, buf, rwsize);  
92.             g_unique_block_nr++;  
93.         }  
94.         metadata[pos] = *bindex;  
95.         memset(buf, 0, g_block_size);  
96.         memset(md5_checksum, 0, 16 + 1);  
97.         pos++;  
98.     }  
99.     /* write metadata into mdata */  
100.     dedup_entry_hdr.path_len = strlen(fullpath) - prepos;  
101.     dedup_entry_hdr.block_num = block_num;  
102.     dedup_entry_hdr.entry_size = BLOCK_ID_SIZE;  
103.     dedup_entry_hdr.last_block_size = rwsize;  
104.     dedup_entry_hdr.mode = statbuf.st_mode;  
105.     write(fd_mdata, &dedup_entry_hdr, sizeof(dedup_entry_header));  
106.     write(fd_mdata, fullpath + prepos, dedup_entry_hdr.path_len);  
107.     write(fd_mdata, metadata, BLOCK_ID_SIZE * block_num);  
108.     write(fd_mdata, buf, rwsize);  
109.     g_regular_file_nr++;  
110. _DEDUP_REGFILE_EXIT:  
111.     close(fd);  
112.     if (metadata) free(metadata);  
113.     if (buf) free(buf);  
114.     return 0;  
115. }  
116. int dedup_dir(char *fullpath, int prepos, int fd_bdata, int fd_mdata, hashtable *htable, int debug)  
117. {  
118.     DIR *dp;  
119.     struct dirent *dirp;  
120.     struct stat statbuf;  
121.     char subpath[MAX_PATH_LEN] = {0};  
122.     if (NULL == (dp = opendir(fullpath)))  
123.     {  
124.         return errno;  
125.     }  
126.     while ((dirp = readdir(dp)) != NULL)  
127.     {  
128.         if (strcmp(dirp->d_name, ".") == 0 || strcmp(dirp->d_name, "..") == 0)  
129.             continue;  
130.         sprintf(subpath, "%s/%s", fullpath, dirp->d_name);  
131.         if (0 == lstat(subpath, &statbuf))  
132.         {  
133.             if (debug)  
134.                 printf("%s/n", subpath);  
135.             if (S_ISREG(statbuf.st_mode))   
136.                 dedup_regfile(subpath, prepos, fd_bdata, fd_mdata, htable,debug);  
137.             else if (S_ISDIR(statbuf.st_mode))  
138.                 dedup_dir(subpath, prepos, fd_bdata, fd_mdata, htable, debug);  
139.         }  
140.     }  
141.     closedir(dp);  
142.     return 0;  
143. }  
144. int dedup_package(int path_nr, char **src_paths, char *dest_file, int debug)  
145. {  
146.     int fd, fd_bdata, fd_mdata, ret = 0;  
147.     struct stat statbuf;  
148.     hashtable *htable = NULL;  
149.     dedup_package_header dedup_pkg_hdr;  
150.     char **paths = src_paths;  
151.     int i, rwsize, prepos;  
152.     char buf[1024 * 1024] = {0};  
153.     if (-1 == (fd = open(dest_file, O_WRONLY | O_CREAT, 0755)))  
154.     {  
155.         perror("open dest file");  
156.         ret = errno;  
157.         goto _DEDUP_PKG_EXIT;  
158.     }  
159.     htable = create_hashtable(g_htab_backet_nr);  
160.     if (NULL == htable)  
161.     {  
162.         perror("create_hashtable");  
163.         ret = errno;  
164.         goto _DEDUP_PKG_EXIT;  
165.     }  
166.     fd_bdata = open("./.bdata", O_RDWR | O_CREAT, 0777);  
167.     fd_mdata = open("./.mdata", O_RDWR | O_CREAT, 0777);  
168.     if (-1 == fd_bdata || -1 == fd_mdata)  
169.     {  
170.         perror("open bdata or mdata");  
171.         ret = errno;  
172.         goto _DEDUP_PKG_EXIT;  
173.     }  
174.     g_unique_block_nr = 0;  
175.     g_regular_file_nr = 0;  
176.     for (i = 0; i < path_nr; i++)  
177.     {  
178.         if (lstat(paths[i], &statbuf) < 0)  
179.         {  
180.             perror("lstat source path");  
181.             ret = errno;  
182.             goto _DEDUP_PKG_EXIT;  
183.         }  
184.         if (S_ISREG(statbuf.st_mode) || S_ISDIR(statbuf.st_mode))  
185.         {  
186.             if (debug)  
187.                 printf("%s/n", paths[i]);  
188.             /* get filename position in pathname */   
189.             prepos = strlen(paths[i]) - 1;  
190.             if (strcmp(paths[i], "/") != 0 && *(paths[i] + prepos) == ‘/‘)  
191.             {  
192.                 *(paths[i] + prepos--) = ‘/0‘;  
193.             }  
194.             while(*(paths[i] + prepos) != ‘/‘ && prepos >= 0) prepos--;  
195.             prepos++;  
196.             if (S_ISREG(statbuf.st_mode))  
197.                 dedup_regfile(paths[i], prepos, fd_bdata, fd_mdata, htable, debug);  
198.             else  
199.                 dedup_dir(paths[i], prepos, fd_bdata, fd_mdata, htable, debug);  
200.         }     
201.         else   
202.         {  
203.             if (debug)  
204.                 printf("%s is not regular file or directory./n", paths[i]);  
205.         }  
206.     }  
207.     /* fill up dedup package header */  
208.     dedup_pkg_hdr.block_size = g_block_size;  
209.     dedup_pkg_hdr.block_num = g_unique_block_nr;  
210.     dedup_pkg_hdr.blockid_size = BLOCK_ID_SIZE;  
211.     dedup_pkg_hdr.magic_num = DEDUP_MAGIC_NUM;  
212.     dedup_pkg_hdr.file_num = g_regular_file_nr;   
213.     dedup_pkg_hdr.metadata_offset = DEDUP_PKGHDR_SIZE + g_block_size * g_unique_block_nr;  
214.     write(fd, &dedup_pkg_hdr, DEDUP_PKGHDR_SIZE);  
215.     /* fill up dedup package unique blocks*/  
216.     lseek(fd_bdata, 0, SEEK_SET);  
217.     while(rwsize = read(fd_bdata, buf, 1024 * 1024))  
218.     {  
219.         write(fd, buf, rwsize);  
220.         memset(buf, 0, 1024 * 1024);  
221.     }  
222.     /* fill up dedup package metadata */  
223.     lseek(fd_mdata, 0, SEEK_SET);  
224.     while(rwsize = read(fd_mdata, buf, 1024 * 1024))  
225.     {  
226.         write(fd, buf, rwsize);  
227.         memset(buf, 0, 1024 * 1024);  
228.     }  
229.     if (debug)  
230.         show_pkg_header(dedup_pkg_hdr);  
231. _DEDUP_PKG_EXIT:  
232.     close(fd);  
233.     close(fd_bdata);  
234.     close(fd_mdata);  
235.     unlink("./.bdata");  
236.     unlink("./.mdata");  
237.     hash_free(htable);  
238.       
239.     return ret;  
240. }  
241. void usage()  
242. {  
243.     printf("Usage:  dedup [OPTION...] <target file> <source files ...>/n");  
244.     printf("/nPackage files with deduplicaton technique./n");  
245.     printf("Mandatory arguments to long options are mandatory for short options too./n");  
246.     printf("  -z, --compress   filter the archive through compress/n");  
247.     printf("  -b, --block      block size for deduplication, default is 4096/n");  
248.     printf("  -t, --hashtable  hashtable backet number, default is 10240/n");  
249.     printf("  -d, --debug      print debug messages/n");  
250.     printf("  -h, --help       give this help list/n");  
251.     printf("/nReport bugs to <[email protected]>./n");  
252. }  
253. int main(int argc, char *argv[])  
254. {  
255.     char tmp_file[] = "./.dedup/0";  
256.     int bz = 0, bhelp = 0, bdebug = 0;  
257.     int ret = -1, c;  
258.     struct option longopts[] =  
259.     {  
260.         {"compress", 0, &bz, ‘z‘},  
261.         {"block", 1, 0, ‘b‘},  
262.         {"hashtable", 1, 0, ‘t‘},  
263.         {"debug", 0, &bdebug, ‘d‘},  
264.         {"help", 0, &bhelp, ‘h‘},  
265.         {0, 0, 0, 0}  
266.     };  
267.     /* parse options */  
268.     while ((c = getopt_long (argc, argv, "zb:t:dh", longopts, NULL)) != EOF)  
269.     {  
270.         switch(c)   
271.         {  
272.         case ‘z‘:  
273.             bz = 1;  
274.             break;  
275.         case ‘b‘:  
276.             g_block_size = atoi(optarg);  
277.             break;  
278.         case ‘t‘:  
279.             g_htab_backet_nr = atoi(optarg);  
280.             break;  
281.         case ‘d‘:  
282.             bdebug = 1;  
283.             break;  
284.         case ‘h‘:  
285.         case ‘?‘:  
286.         default:  
287.             bhelp = 1;  
288.             break;  
289.         }  
290.     }  
291.     if (bhelp == 1 || (argc - optind) < 2)  
292.     {  
293.         usage();  
294.         return 0;  
295.     }  
296.     if (bz)  
297.     {  
298.         /* dedup and compress */  
299.         ret = dedup_package(argc - optind -1 , argv + optind + 1, tmp_file, bdebug);  
300.         if (ret == 0)  
301.         {  
302.             ret = zlib_compress_file(tmp_file, argv[optind]);  
303.             unlink(tmp_file);  
304.         }  
305.     }   
306.     else   
307.     {  
308.         /* dedup only */  
309.         ret = dedup_package(argc - optind - 1, argv + optind + 1, argv[optind], bdebug);  
310.     }  
311.     return ret;  
312. }   

 

/* undedup.c */

 

[cpp] view plain copy

 

 print?

1. #include <stdio.h>  
2. #include <stdlib.h>  
3. #include <sys/types.h>  
4. #include <sys/stat.h>  
5. #include <unistd.h>  
6. #include <getopt.h>  
7. #include <fcntl.h>  
8. #include <errno.h>  
9. #include "dedup.h"  
10. /* block length */  
11. static unsigned int g_block_size = BLOCK_SIZE;  
12. void show_pkg_header(dedup_package_header dedup_pkg_hdr)  
13. {  
14.         printf("block_size = %d/n", dedup_pkg_hdr.block_size);  
15.         printf("block_num = %d/n", dedup_pkg_hdr.block_num);  
16.         printf("blockid_size = %d/n", dedup_pkg_hdr.blockid_size);  
17.         printf("magic_num = 0x%x/n", dedup_pkg_hdr.magic_num);  
18.         printf("file_num = %d/n", dedup_pkg_hdr.file_num);  
19.         printf("metadata_offset = %lld/n", dedup_pkg_hdr.metadata_offset);  
20. }  
21. int prepare_target_file(char *pathname, char *basepath, int mode)  
22. {  
23.     char fullpath[MAX_PATH_LEN] = {0};  
24.     char path[MAX_PATH_LEN] = {0};  
25.     char *p = NULL;  
26.     int pos = 0, fd;  
27.     sprintf(fullpath, "%s/%s", basepath, pathname);  
28.     p = fullpath;  
29.     while (*p != ‘/0‘)  
30.     {  
31.         path[pos++] = *p;  
32.         if (*p == ‘/‘)  
33.             mkdir(path, 0755);  
34.         p++;  
35.     }   
36.     fd = open(fullpath, O_WRONLY | O_CREAT, mode);  
37.     return fd;  
38. }  
39. int undedup_regfile(int fd, dedup_entry_header dedup_entry_hdr, char *dest_dir, int debug)  
40. {  
41.     char pathname[MAX_PATH_LEN] = {0};  
42.     block_id_t *metadata = NULL;  
43.     unsigned int block_num = 0;  
44.     char *buf = NULL;  
45.     char *last_block_buf = NULL;  
46.     long long offset, i;  
47.     int fd_dest, ret = 0;  
48.     metadata = (block_id_t *) malloc(BLOCK_ID_SIZE * dedup_entry_hdr.block_num);  
49.     if (NULL == metadata)  
50.         return errno;  
51.     buf = (char *)malloc(g_block_size);  
52.     last_block_buf = (char *)malloc(g_block_size);  
53.     if (NULL == buf || NULL == last_block_buf)  
54.     {  
55.         ret = errno;  
56.         goto _UNDEDUP_REGFILE_EXIT;  
57.     }  
58.     read(fd, pathname, dedup_entry_hdr.path_len);  
59.     read(fd, metadata, BLOCK_ID_SIZE * dedup_entry_hdr.block_num);  
60.     read(fd, last_block_buf, dedup_entry_hdr.last_block_size);  
61.     fd_dest = prepare_target_file(pathname, dest_dir, dedup_entry_hdr.mode);  
62.     if (fd_dest == -1)  
63.     {  
64.         ret = errno;  
65.         goto _UNDEDUP_REGFILE_EXIT;  
66.     }  
67.     if (debug)  
68.         printf("%s/%s/n", dest_dir, pathname);  
69.     /* write regular block */  
70.     block_num = dedup_entry_hdr.block_num;  
71.     for(i = 0; i < block_num; ++i)  
72.     {  
73.         offset = DEDUP_PKGHDR_SIZE + metadata[i] * g_block_size;  
74.         lseek(fd, offset, SEEK_SET);  
75.         read(fd, buf, g_block_size);  
76.         write(fd_dest, buf, g_block_size);  
77.     }  
78.     /* write last block */  
79.     write(fd_dest, last_block_buf, dedup_entry_hdr.last_block_size);  
80.     close(fd_dest);  
81. _UNDEDUP_REGFILE_EXIT:  
82.     if (metadata) free(metadata);  
83.     if (buf) free(buf);  
84.     if (last_block_buf) free(last_block_buf);  
85.     return ret;  
86. }  
87. int undedup_package(char *src_file, char *dest_dir, int debug)  
88. {  
89.     int fd, i, ret = 0;  
90.     dedup_package_header dedup_pkg_hdr;  
91.     dedup_entry_header dedup_entry_hdr;  
92.     unsigned long long offset;  
93.         if (-1 == (fd = open(src_file, O_RDONLY)))  
94.         {  
95.                 perror("open source file");  
96.                 return errno;  
97.         }  
98.     if (read(fd, &dedup_pkg_hdr, DEDUP_PKGHDR_SIZE) != DEDUP_PKGHDR_SIZE)  
99.     {  
100.         perror("read dedup_package_header");  
101.         ret = errno;  
102.         goto _UNDEDUP_PKG_EXIT;  
103.     }  
104.     if (debug)  
105.         show_pkg_header(dedup_pkg_hdr);  
106.     offset = dedup_pkg_hdr.metadata_offset;  
107.     for (i = 0; i < dedup_pkg_hdr.file_num; ++i)  
108.     {  
109.         if (lseek(fd, offset, SEEK_SET) == -1)  
110.         {  
111.             ret = errno;  
112.             break;  
113.         }  
114.               
115.         if (read(fd, &dedup_entry_hdr, DEDUP_ENTRYHDR_SIZE) != DEDUP_ENTRYHDR_SIZE)  
116.         {  
117.             ret = errno;  
118.             break;  
119.         }  
120.         ret = undedup_regfile(fd, dedup_entry_hdr, dest_dir, debug);  
121.         if (ret != 0)  
122.             break;  
123.         offset += DEDUP_ENTRYHDR_SIZE;  
124.         offset += dedup_entry_hdr.path_len;  
125.         offset += dedup_entry_hdr.block_num * dedup_entry_hdr.entry_size;  
126.         offset += dedup_entry_hdr.last_block_size;  
127.     }  
128. _UNDEDUP_PKG_EXIT:  
129.     close(fd);  
130.     return ret;  
131. }  
132. void usage()  
133. {  
134.         printf("Usage:  undedup [OPTION...] <source file>/n");  
135.     printf("/nUnpackage files with deduplicaton technique./n");  
136.     printf("Mandatory arguments to long options are mandatory for short options too./n");  
137.     printf("  -z, --uncompress  filter the archive through uncompress/n");  
138.     printf("  -c, --directory   change to directory, default is PWD/n");  
139.     printf("  -d, --debug       print debug messages/n");  
140.     printf("  -h, --help        give this help list/n");  
141.     printf("/nReport bugs to <[email protected]>./n");  
142. }  
143. int main(int argc, char *argv[])  
144. {  
145.     char tmp_file[] = "./.dedup/0";  
146.     char path[MAX_PATH_LEN] = "./0";  
147.     int bz = 0, bhelp = 0, bdebug = 0;  
148.     int ret = -1, c;  
149.     struct option longopts[] =  
150.     {  
151.         {"compress", 0, &bz, ‘z‘},  
152.         {"directory", 1, 0, ‘c‘},  
153.         {"debug", 0, &bdebug, ‘d‘},  
154.         {"help", 0, &bhelp, ‘h‘},  
155.         {0, 0, 0, 0}  
156.     };  
157.     while ((c = getopt_long (argc, argv, "zc:dh", longopts, NULL)) != EOF)  
158.     {  
159.         switch(c)  
160.         {  
161.         case ‘z‘:  
162.             bz = 1;  
163.             break;  
164.         case ‘c‘:  
165.             sprintf(path, "%s", optarg);  
166.             break;  
167.         case ‘d‘:  
168.             bdebug = 1;  
169.             break;  
170.         case ‘h‘:  
171.         case ‘?‘:  
172.         default:  
173.             bhelp = 1;  
174.             break;  
175.         }  
176.     }  
177.     if (bhelp == 1 || (argc - optind) < 1)  
178.     {  
179.         usage();  
180.         return 0;  
181.     }  
182.     if (bz)  
183.     {  
184.         /* uncompress and undedup */  
185.         ret = zlib_decompress_file(argv[optind], tmp_file);  
186.         if (ret == 0)  
187.         {  
188.             ret = undedup_package(tmp_file, path, bdebug);  
189.             unlink(tmp_file);  
190.         }  
191.     }  
192.     else  
193.     {  
194.         /* only undedup */  
195.         ret = undedup_package(argv[optind], path, bdebug);  
196.     }  
197.     return ret;  
198. }  

/* dedup usage */
Usage:  dedup [OPTION...] <target file> <source files ...>

Package files with deduplicaton technique.

  -z, --compress   filter the archive through compress
  -b, --block      block size for deduplication, default is 4096
  -t, --hashtable  hashtable backet number, default is 10240
  -d, --debug      print debug messages
  -h, --help       give this help list

/* undedup usage */
Usage:  undedup [OPTION...] <source file>

Unpackage files with deduplicaton technique.

 

  -z, --uncompress  filter the archive through uncompress
  -c, --directory   change to directory, default is PWD
  -d, --debug       print debug messages
  -h, --help        give this help list


4、初步测试
  这里使用linux最新的kernel源码进行测试，并与tar工具进行比较。从www.kernel.org 下载linux-2.6.32.tar.gz文件，并解压出源文件，然后分别使用tar和dedup工具进行打包，分别得到以下几个文件。

 

Filename	File size	commands
linux-2.6.32.tar	382392320 (365MB)	tar cvf linux-2.6.32.tar linux-2.6.32/
linux-2.6.32.tar.dd	380381944 (363M)	dedup linux-2.6.32.tar.dd linux-2.6.32.tar
linux-2.6.32.dd	357325910 (341MB)	dedup linux-2.6.32.dd linux-2.6.32/
linux-2.6.32.tar.gz	84322110 (81MB)	gzip -c linux-2.6.32.tar > linux-2.6.32.tar.gz
linux-2.6.32.tar.dd.gz	83978234 (81MB)	gzip -c linux-2.6.32.tar.dd > linux-2.6.32.tar.dd.gz
linux-2.6.32.dd.gz	83674306 (80MB)	gzip -c linux-2.6.32.dd > linux-2.6.32.dd.gz

 

    linux-2.6.32.tar.gz解压出来的kernel源码文件数据很多，使用这个文件来测试应该具有普遍的意义。通过初步的测试结果，我们可以看出，即使在这样不明确数据是否具备较高重复率的情况下，dedup技术也能较明显地减少数据包的数据量。在数据重复率很高的测试用例下，比如全0或全1的大文件，dedup要远远优于tar。比如，全0的64MB文件，tar+gzip的结果为65KB，而dedup的结果才有286字节。

5、TODO
  1、变长数据块。目前是定长数据块的实现，技术上较为简单，变长数据块可能会获得更高的数据压缩率。
  2、相似文件识别。如果两个文件只有很小的差别，比如在某处插入了若干字节，找出这些数据块并单独处理，可能会提高数据压缩率。

 

原文博客地址：

http://blog.csdn.net/liuaigui/article/details/5166538

 

 

 

 

 

 

 

 

（转）