数据库-mongodb-Gridfs

GridFS是一种将大型文件存储在MongoDB的文件规范：

数据库支持以BSON格式保存二进制对象。 但是MongoDB中BSON对象最大不能超过4MB。

GridFS 规范提供了一种透明的机制，可以将一个大文件分割成为多个较小的文档。

为实现这点，该规范指定了一个将文件分块的标准。每个文件都将在文件集合对象中保存一个元数据对象，一个或多个块对象可被组合保存在一个块集合中。

文件如何被分块保存的细节可以参看GridFS Specification。

mongo自带有一个实现mongofliles，基本操作如下：

列出所有文件：
mongofiles list
上传一个文件：
mongofiles put xxx.txt
下载一个文件：
mongofiles get xxx.txt
查找文件：
mongofiles search xxx //会查找所有文件名中包含“xxx”的文件
mongofiles list xxx //会查找所有文件名以“xxx”为前缀的文件
参数说明：
–d 指定数据库 ，默认是fs，Mongofiles list –d testGridfs
-u –p 指定用户名，密码
-h 指定主机
-port 指定主机端口
-c 指定集合名，默认是fs   // 这个好像不对
-t 指定文件的MIME类型，默认会忽略   //这个没有测试过

原理：

GridFS在数据库中，默认使用fs.chunks和fs.files来存储文件。

1.fs.files集合存放文件的信息；

2.fs.chunks存放文件数据；

> show collections;  
fs.chunks  
fs.files  
system.indexes  
>  

fs.files集合包含了文件的元数据，而fs.chunks集合则存储实际的以256KB尺寸进行分割的文件块。如果你有分片的集合，那么文件块会分布到多台服务器上，或许能获得比文件系统更好的性能。

> db.fs.files.findOne();  
{  
"_id" : ObjectId("530cf1bf96038f5cb6df5f39"),  
"filename" : "./conn.log",  
"chunkSize" : 262144,  
"uploadDate" : ISODate("2014-02-25T19:40:47.321Z"),  
"md5" : "6515e95f8bb161f6435b130a0e587ccd",  
"length" : 1644981  
}  
>  

MongoDB还在files_id和文件块数中创建了复合索引，以帮助快速访问这些文件块

> db.fs.chunks.getIndexes();  
[  
{  
"v" : 1,  
"key" : {  
"_id" : 1  
},  
"ns" : "files.fs.chunks",  
"name" : "_id_"  
},  
{  
"v" : 1,  
"key" : {  
"files_id" : 1,  
"n" : 1  
},  
"ns" : "files.fs.chunks",  
"name" : "files_id_1_n_1"  
}  
]  
>  

一个fs.files集合中的一条记录内容如下，即一个file的信息如下：

{
	"_id" : ObjectId("4f4608844f9b855c6c35e298"), //唯一id，可以是用户自定义的类型
	"filename" : "CPU.txt", //文件名
	"length" : 778, //文件长度
	"chunkSize" : 262144, //chunk的大小
	"uploadDate" : ISODate("2012-02-23T09:36:04.593Z"), //上传时间
	"md5" : "e2c789b036cfb3b848ae39a24e795ca6", //文件的md5值
	"contentType" : "text/plain" //文件的MIME类型
	"meta" : null	//文件的其它信息，默认是没有”meta”这个key，用户可以自己定义为任意BSON对象
}

对应的fs.chunks中的chunk如下：

{
	"_id" : ObjectId("4f4608844f9b855c6c35e299"), //chunk的id
	"files_id" : ObjectId("4f4608844f9b855c6c35e298"), //文件的id，对应fs.files中的对象，相当于fs.files集合的外键
	"n" : 0, //文件的第几个chunk块，如果文件大于chunksize的话，会被分割成多个chunk块
	"data" : BinData(0,"QGV...")	//文件的二进制数据，这里省略了具体内容
}

默认chunk的大小是256K:

public static final int DEFAULT_CHUNKSIZE = 256 * 1024;

写入：

如果文件大于chunksize，则把文件分割成多个chunk，再把这些chunk保存到fs.chunks中，最后再把文件信息存入到fs.files中。

读取:

先据查询的条件，在fs.files中找到一个合适的记录，得到“_id”的值，再据这个值到fs.chunks中查找所有“files_id”为“_id”的chunk，并按“n”排序，最后依次读取chunk中“data”对象的内容，还原成原来的文件。

自定义Gridfs的hash函数：

尽管从理论上，无论用什么hash函数，都有可能出现hash值相同，但内容不相同的文件，但是对于GridFS默认使用的md5算法，目前已出现长度和md5值都相同但内容不一样的文件。

如果想要自已改用其它hash算法，可以从驱动入手。因为GridFS在MongoDB中实际也只是两个普通的集合，所以完全可以自已修改驱动，替换下hash算法即可。

注意事项：

1. GridFS不自动处理md5相同的文件，对于md5相同的文件，如果想在GridFS中只有一个存储，要用户自已处理。Md5值的计算由客户端完成。

2. 因为GridFS在上传文件过程中是先把文件数据保存到fs.chunks，最后再把文件信息保存到fs.files中，所以如果在上传文件过程中失败，有可能在fs.chunks中出现垃圾数据。这些垃圾数据可以定期清理掉。

四、GridFS的模块

如果你想把存储在MongoDB的GridFS的文件直接服务于Web服务器或文件系统，那么你可以使用下面的GridFS插件：

1）GridFS-Fuse：让GridFS的文件直接服务于文件系统

2）GridFS-Nginx：让GridFS的文件直接服务于Nginx

 

五、GridFS的局限性

GridFS也并非十全十美的，它也有一些局限性：

1）工作集

伴随数据库内容的GridFS文件会显著地搅动MongoDB的内存工作集。如果你不想让GridFS的文件影响到你的内存工作集，那么可以把GridFS的文件存储到不同的MongoDB服务器上。

2）性能

文件服务性能会慢于从Web服务器或文件系统中提供本地文件服务的性能。但是这个性能的损失换来的是管理上的优势。

3）原子更新

GridFS没有提供对文件的原子更新方式。如果你需要满足这种需求，那么你需要维护文件的多个版本，并选择正确的版本。

来自为知笔记(Wiz)