本地百万级别小文件存储有什么优化空间吗

[jiangwei2222]

存储的内容全部是图片，每张图片大约 100kb ，目前磁盘使用的 1T 的三星 SSD 硬盘，NTFS 格式。

目前问题

1 、Windows 操作系统根本打不开文件夹

2 、Linux 系统执行不了 ls 命令，使用 Linux 桌面也进不去文件夹

注：

1 、为啥要存到本地

因为都是机器学习的训练集，存在本地才能读取

2 、为啥要打开文件夹

因为要做图片预处理，比如去背景这类似的操作，预处理完要大致浏览一般所有样本

3 、为啥不使用 xxxx

因为不打算改代码，目前代码全部都是直接读磁盘文件，换一下存储方案改动非常多（真的非常非常多，图片预处理脚本就有几十个，然后是各种训练脚本，再加上各种测试脚本）

[murmur]

为啥不分层存储呢 分三级，建子文件夹，到时候遍历进去就可以啊

[OysterQAQ]

Minio

[3dwelcome]

同楼上，用 hash 头分组文件夹就可以了。
web 后端的附件图片上传文件系统，大多都是这种结构。

[LeslieLeung]

满足不了打开文件夹预览的方法我倒是想到一个，用 pickle 存，然后封装读写方法给训练和测试脚本，代码改动不大。（这个方法减小了碎片化读取，能节省读取时间）

[dickie]

其实百万不算多 问题是你没有分文件夹 分三层 一层十个文件夹能解决

[dickie]

然后的话其实改存储如果代码变动很大 那是代码的问题 不管从本地还是网络存储读完文件应该统一，面向接口 而不是面向具体

[ClericPy]

1 、为啥要存到本地

这个问题前面有人提到 minio 搞个对象存储其实改动不大, 不过既然已经选了本地文件还不想动太多代码. 要么像前面说的文件夹分层, 做多层哈希前缀, 遇到文件夹里文件数量不均衡参考下环形哈希? 要么就先不动, 日常不要运行 ls. 很早以前工作存放视频本地缓存文件时候搞过类似的, 反正别轻易遍历(当时才四五十万就崩了)

2 、为啥要打开文件夹

预览就不要用系统自带的方式了, 自己搞个脚本取样几个文件可以么. 毕竟去背景时候是有日志的, 把文件名记下来, 逐行消费日志取样你想要的文件名, 然后直接把这些取样复制出来或者渲染到 HTML 里用浏览器看

3 、为啥不使用 xxxx

怕麻烦就别改. 反正原型项目确实奥卡姆剃刀没毛病, 以后正式环境再考虑复杂设计



总结就是, 想不花成本解决问题基本没戏, 绕开问题更换解决思路吧

[0o0O0o0O0o]

既然你加了这么多限制条件，那就自己写个简单的 explorer 吧，如果不是频繁新增文件，就定期遍历一次然后把文件数据持久化

[privil]

说 minio 的想啥呢，直接上 seaweedfs 不少你这种需求的在用 seaweedfs ，赶紧上，用了你会回来感谢我的

[privil]

seaweedfs 再挂载成文件系统用，就完事了

[fxxkgw]

linux 下可以用 ls -1 -f > xxx.file 方式快速看文件的

[carmark]

@OysterQAQ 这个明显不靠谱，minio 并没有优化海量文件的问题。后端存储还是单独按文件存的。

海量小文件优化，还是要做聚合，减少文件检索带来的磁盘操作。

[paopjian]

非要用文件浏览器打开吗?都要做机器学习了,直接用脚本读取,拆分到小文件夹里不好么

[jiangwei2222]

@privil 害，折腾了 5 个多小时，没把 seaweeds 搭建起来，看了一下介绍，感觉确实非常适合。可惜运维难度有点高

[OysterQAQ]

@carmark 我记错了，应该是 seaweed

[privil]

@jiangwei2222 #14 官方文档偏向开发角度，可以参照一下这两篇文章部署，https://www.trojansun.com/seaweedfs-guidance.html https://bambrow.com/20220107-seaweedfs-installation-guide/

[ebingtel]

也可以通过 offset ，把小文件存储到大文件里面，比如 64M 一个大文件

[jiangwei2222]

@privil 多谢