Skip to main content

数据同步

juicefs sync 是强大的数据同步工具，可以在所有支持的存储之间并发同步或迁移数据，包括对象存储、JuiceFS、本地文件系统，你可以在这三者之间以任意方向和搭配进行数据同步。除此之外，还支持同步通过 SSH 访问远程目录、HDFS、WebDAV 等，同时提供增量同步、模式匹配（类似 rsync）、分布式同步等高级功能。

混用社区版和企业版客户端

juicefs sync 功能的代码在社区版和企业版之间共享代码，因此即便交叉混用不同版本的 JuiceFS 客户端，sync 命令也能正常工作——除了一个特例，就是使用 jfs:// 协议头的情况。社区版和企业版客户端有着不同的元数据引擎实现，因此如果用到了 jfs:// 协议头，则不能混用不同版本的客户端。

juicefs sync 用法以及常见示范如下：

juicefs sync [command options] SRC DST

# 从 OSS 同步到 S3
juicefs sync oss://mybucket.oss-cn-shanghai.aliyuncs.com s3://mybucket.s3.us-east-2.amazonaws.com

# 拷贝所有以 .gz 结尾的文件
juicefs sync --match-full-path --include='**.gz' --exclude='*' s3://xxx s3://xxx

# 拷贝不以 .gz 结尾的所有文件
juicefs sync --match-full-path --exclude='**.gz' s3://xxx/ s3://xxx

# 拷贝所有文件，但忽略名为 tmpdir 的子目录
juicefs sync --match-full-path --exclude='**/tmpdir/**' s3://xxx/ s3://xxx

快速上手视频​

模式匹配​

你可以通过 --exclude 和 --include 来包含或排除要同步的文件路径。如果不提供任何规则，默认会同步所有扫描到的文件（默认就是 --include='*'）。但如果需要使用 --include 实现只包含特定命名模式的文件，则必须同时使用 --exclude 来排除其他文件，具体请参考上方的示范命令。

提示

当提供多个匹配模式时，取决于你具体使用的「过滤模式」，对于判断是否要同步某个文件可能会变得很困难。此时建议加上 --dry --debug 选项提前查看要同步的具体文件是否符合预期，如果不符合预期则需要调整匹配模式。

匹配规则​

匹配规则指的是给定一个路径与一个模式，然后确定该路径能否匹配上该模式。模式可以包含一些特殊字符（类似 shell 通配符）：

  • 单个 * 匹配任意字符，但在遇到 / 时终止匹配；
  • ** 匹配任意字符，包括 /；
  • ? 匹配任意非 / 的单个字符；
  • [...] 匹配一组字符，例如 [a-z] 匹配任意小写字母；
  • [^...] 不匹配一组字符，例如 [^abc] 匹配除 a、b、c 外的任意字符。

此外，还有一些匹配规则需要注意：

  • 如果匹配模式中不包含特殊字符，将会完整匹配路径中的文件名。比如 foo 可以匹配 foo 和 xx/foo，但不匹配 foo1（无法前缀匹配）、2foo（无法后缀匹配）和 foo/xx（foo 不是目录）；
  • 如果匹配模式以 / 结尾，将只匹配目录，而不匹配普通文件；
  • 如果匹配模式以 / 开头，则表示匹配完整路径（路径不需要以 / 开头），因此 /foo 匹配的是传输中根目录的 foo 文件。

以下是一些匹配模式的例子：

  • --exclude '*.o' 将排除所有文件名能匹配 *.o 的文件；
  • --exclude '/foo/*/bar' 将排除根目录中名为 foo 的目录向下「两层」的目录中名为 bar 的文件；
  • --exclude '/foo/**/bar' 将排除根目录中名为 foo 的目录向下「任意层级」的目录中名为 bar 的文件。

sync 命令支持「完整路径过滤」和「逐层过滤」两种模式，这两种模式都支持使用 --include 和 --exclude 来过滤文件，但是解析的行为并不一样：默认情况下，sync 命令使用逐层过滤模式，这种模式的过滤行为无论是理解还是使用都较为复杂，但是基本兼容 rsync 的 --include/--exclude 选项，所以只推荐已经习惯了 rsync 过滤行为的用户使用。对于大多数 JuiceFS 用户，推荐通过 --match-full-path 选项来使用完整路径过滤模式，他的工作流程更容易理解。

完整路径过滤模式（推荐） 新增自 v1.2.0​

从 v1.2.0 开始，sync 命令支持 --match-full-path 选项。完整路径过滤模式是指对于待匹配的对象，直接将其「全路径」与多个模式依次进行匹配，一旦某个匹配模式匹配成功将会直接返回结果（「同步」或者「排除」），忽略后续的匹配模式。

下面是完整路径过滤模式的工作流程图：

完整路径过滤模式流程图

例如有一个路径为 a1/b1/c1.txt 的文件，以及 3 个匹配模式 --include 'a*.txt' --inlude 'c1.txt' --exclude 'c*.txt'。在完整路径过滤模式下，会直接将 a1/b1/c1.txt 这个字符串与匹配模式依次进行匹配。具体步骤为：

  1. 尝试将 a1/b1/c1.txt 与 --include 'a*.txt' 匹配，结果是不匹配。因为 * 不能匹配 / 字符，参见「匹配规则」；
  2. 尝试将 a1/b1/c1.txt 与 --inlude 'c1.txt' 匹配，此时根据匹配规则将会匹配成功。后续的 --exclude 'c*.txt' 虽然根据匹配规则也能匹配上，但是根据完整路径过滤模式的逻辑，一旦匹配上某个模式，后续的模式将不再尝试匹配。所以最终的匹配结果是「同步」。

以下是更多示例：

  • --exclude '/foo**' 将排除所有根目录名为 foo 的文件或目录；
  • --exclude '**foo/**' 将排除所有以 foo 结尾的目录；
  • --include '*/' --include '*.c' --exclude '*' 将只包含所有目录和后缀名为 .c 的文件，除此之外的所有文件和目录都会被排除；
  • --include 'foo/bar.c' --exclude '*' 将只包含 foo 目录和 foo/bar.c 文件。

逐层过滤模式​

逐层过滤模式的核心是先将完整路径按照目录层级拆分，并逐层组合成多个字符串序列。比如完整路径为 a1/b1/c1.txt，组成的序列就是 a1、a1/b1、a1/b1/c1.txt。然后将这个序列中的每个元素都当成完整路径过滤模式中的路径，依次执行「完整路径过滤」。

如果某个元素匹配上了某个模式，则会有两种处理逻辑：

  • 如果该模式是 exclude 模式，则直接返回「排除」行为，作为最终的匹配结果；
  • 如果该模式是 include 模式，则跳过本层级的后续待匹配的模式，直接进入下一层级。

如果某层的所有模式都未匹配，则进入下一层级。如果所有层级匹配完毕后都没有返回「排除」，则返回默认的行为——即「同步」。

下面是逐层过滤模式的工作流程图：

逐层过滤模式流程图

例如有一个路径为 a1/b1/c1.txt 的文件，以及 3 个匹配模式 --include 'a*.txt' --inlude 'c1.txt' --exclude 'c*.txt'。在逐层过滤模式中，组成的序列就是 a1、a1/b1、a1/b1/c1.txt。具体匹配步骤为：

  1. 第一层级的路径为 a1，根据匹配模式，结果是全部未匹配。进入下一层级；
  2. 第二层级的路径为 a1/b1，根据匹配模式，结果是全部未匹配。进入下一层级；
  3. 第三层级的路径为 a1/b1/c1.txt，根据匹配模式，将会匹配上 --inlude 'c1.txt' 模式。该模式的行为是「同步」，进入下一层级；
  4. 由于没有下一层级了，所以最终返回的行为是「同步」。

上面的例子是到最后一层才匹配成功，除此之外可能还有两种情况：

  • 在最后一层之前匹配成功，且匹配模式是 exclude 模式，则直接返回「排除」行为作为最终结果，跳过后续的所有层级；
  • 所有层级都已经匹配完毕，但都未匹配上，此时也将会返回「同步」行为。

如果你已经熟悉上一小节的“完整路径过滤模式”，那么逐层过滤其实就是按路径层级由高到低依次执行完整路径过滤，每层过滤只有两种结果：要么直接得到「排除」作为最终结果，要么进入下一层级。得到「同步」结果的唯一方式就是执行完所有过滤层级。

以下是更多示例：

  • --exclude /foo 将排除所有根目录名为 foo 的文件或目录；

  • --exclude foo/ 将排除所有名为 foo 的目录；

  • 对于 dir_name/.../.../... 这种多级目录来说，将按照目录层级匹配 dir_name 下的所有路径。如果某个文件的父目录被「排除」了，那即使加上了这个文件的 include 规则，也不会同步这个文件。如果想要同步这个文件就必须保证它的「所有父目录」都不要被排除。例如，下面的例子中 /some/path/this-file-will-not-be-synced 文件将不会被同步，因为它的父目录 some 已经被规则 --exclude '*' 所排除：

    --include '/some/path/this-file-will-not-be-synced' \
    --exclude '*'

    一种解决方式是包含目录层级中的所有目录，也就是使用 --include '*/' 规则（需放在 --exclude '*' 规则的前面）；另一种解决方式是为所有父目录增加 include 规则，例如：

    --include '/some/' \
    --include '/some/path/' \
    --include '/some/path/this-file-will-be-synced' \
    --exclude '*'

存储协议​

凡是 JuiceFS 支持的存储系统，都可以使用 sync 命令来同步数据。特别一提，如果其中一端是 JuiceFS 文件系统，那么建议优先使用无挂载点同步方式。

无挂载点同步 新增自 v1.1​

在两个存储系统之间同步数据，如果其中一方是 JuiceFS，推荐直接使用 jfs:// 协议头，而不是先挂载 JuiceFS，再访问本地目录。这样便能跳过挂载点，直接读取或写入数据，在大规模场景下，绕过 FUSE 挂载点将能节约资源开销以及提升数据同步性能。

myfs=redis://10.10.0.8:6379/1 juicefs sync s3://ABCDEFG:[email protected]/movies/ jfs://myfs/movies/

对象存储与 JuiceFS 之间同步​

将对象存储的 movies 目录同步到 JuiceFS 文件系统：

# 挂载 JuiceFS
juicefs mount -d redis://10.10.0.8:6379/1 /mnt/jfs
# 执行同步
juicefs sync s3://ABCDEFG:[email protected]/movies/ /mnt/jfs/movies/

将 JuiceFS 文件系统的 images 目录同步到对象存储：

# 挂载 JuiceFS
juicefs mount -d redis://10.10.0.8:6379/1 /mnt/jfs
# 执行同步
juicefs sync /mnt/jfs/images/ s3://ABCDEFG:[email protected]/images/

对象存储与对象存储之间同步​

将对象存储的全部数据同步到另一个对象存储桶：

juicefs sync s3://ABCDEFG:[email protected] oss://ABCDEFG:[email protected]

本地及服务器之间同步​

对于本地计算机上的目录之间拷贝文件，直接指定数据源与目标端的路径即可，比如将 /media/ 目录同步到 /backup/ 目录：

juicefs sync /media/ /backup/

如果需要在服务器之间同步，可以通过 SFTP/SSH 协议访问目标服务器，例如，将本地的 /media/ 目录同步到另一台服务器的 /backup/ 目录：

juicefs sync /media/ [email protected]:/backup/
# 指定密码（可选）
juicefs sync /media/ "username:password"@192.168.1.100:/backup/

当使用 SFTP/SSH 协议时，如果没有指定密码，执行 sync 任务时会提示输入密码。如果希望显式指定用户名和密码，则需要用半角引号把用户名和密码括起来，用户名和密码之间用半角冒号分隔。

同步行为​

增量同步与全量同步​

juicefs sync 默认以增量同步方式工作，对于已存在的文件，仅在文件大小不一样时，才再次同步进行覆盖。在此基础上，还可以指定 --update，在源文件 mtime 更新时进行覆盖。如果你的场景对正确性有着极致要求，可以指定 --check-new 或 --check-all，来对两边的文件进行字节流比对，确保数据一致。

如需全量同步，即不论目标路径上是否存在相同的文件都重新同步，可以使用 --force-update 或 -f。例如，将对象存储的 movies 目录全量同步到 JuiceFS 文件系统：

# 挂载 JuiceFS
juicefs mount -d redis://10.10.0.8:6379/1 /mnt/jfs
# 执行全量同步
juicefs sync --force-update s3://ABCDEFG:[email protected]/movies/ /mnt/jfs/movies/

目录结构与文件权限​

默认情况下，sync 命令只同步文件对象以及包含文件对象的目录，空目录不会被同步。如需同步空目录，可以使用 --dirs 选项。

另外，在 local、SFTP、HDFS 等文件系统之间同步时，如需保持文件权限，可以使用 --perms 选项。

JuiceFS sync 在本地目录之间同步时，支持通过设置 --links 选项开启遇到符号链时同步其自身而不是其指向的对象的功能。同步后的符号链接指向的路径为源符号链接中存储的原始路径，无论该路径在同步前后是否可达都不会被转换。

另外需要注意的几个细节

  1. 符号链接自身的 mtime 不会被拷贝；
  2. --check-new 和 --perms 选项的行为在遇到符号链接时会被忽略。

数据同步与碎片合并​

对于顺序写场景，一定要尽力保证每个文件的写入都有最少 4M（默认块大小）的缓冲区可用，如果写并发太高，或者缓冲区设置太小，都会导致原本高效的“大块写”退化为“碎片化缓慢写”。叠加上 JuiceFS 的碎片合并，可能会带来严重的写放大问题。

碎片合并情况可以通过 juicefs_compact_size_histogram_bytes 这个指标来观测。如果在 sync 期间碎片合并流量很高，说明需要进行相关调优。推荐实践和调优思路如下：

  • 如果对象存储的写带宽不足，慎用高并发（--threads），最好从默认值甚至更低的并发开始测起，谨慎增加到满意的速度；
  • 如果目的地是 JuiceFS 文件系统，确保该文件系统的 JuiceFS 客户端有着充足的读写缓冲区，按照每个文件的写入都必须起码预留 4M 的写入空间，那么 --buffer-size 起码要大于等于 --threads 参数的 4 倍，如果希望进一步提高写入并发，那么建议使用 8 或 12 倍的并发量来设置缓冲区。特别注意，根据写入目的地使用的协议头不同，设置缓冲区的方法也不同：
    • 目的地是 jfs:// 协议头的文件系统，客户端进程就是 juicefs sync 命令本身，此时 --buffer-size 参数需要追加到 juicefs sync 命令里；
    • 目的地是本地的 FUSE 挂载点，那么客户端进程是宿主机上运行的 juicefs mount 命令，此时 --buffer-size 参数追加到该挂载点的 juicefs mount 命令里。
  • 如果需要施加限速，那么加上了 --bwlimit 参数后，需要降低 --threads，避免过高的并发争抢带宽，产生类似的碎片化问题。每个对象存储的延迟和吞吐不尽相同，再次无法给出细致的调优计算流程，建议从更低的并发开始重新测试。

删除特定文件​

模式匹配还可以实现删除存储系统中特定文件。诀窍是在本地创建一个空目录，将其作为 SRC。

示范如下，谨慎起见，所有示范均添加了 --dry --debug 选项来空运行，不会实际删除任何文件，而是打印执行计划。验证成功后，去掉这两个选项便能实际执行。

mkdir empty-dir
# 删除 mybucket 中所有对象，但保留后缀名为 .gz 的文件
juicefs sync ./empty-dir/ s3://mybucket.s3.us-east-2.amazonaws.com/ --match-full-path --delete-dst --exclude='**.gz' --include='*' --dry --debug
# 删除 mybucket 中所有后缀名为 .gz 的文件
juicefs sync ./empty-dir/ s3://mybucket.s3.us-east-2.amazonaws.com/ --match-full-path --delete-dst --include='**.gz' --exclude='*' --dry --debug

加速同步​

juicefs sync 默认启用 10 个线程执行同步任务，可以根据需要设置 --threads 选项调大或减少线程数。但也要注意，受限于有限的单机资源，一味增加 --threads 未必能持续提升同步速度，反而可能会导致 OOM。因此如果同步速度不足，还需要考虑：

  • SRC 和 DST 的存储系统是否已经达到了带宽上限，如果其中一个存储已经到达带宽限制，同步的瓶颈就在这里，增加并发度也不会继续提升同步速度；
  • 单机资源是否吃紧，比如 CPU、网卡拥堵。如果同步受限于单机资源，那么可以考虑：
    • 如果运行环境有硬件条件更好的节点（CPU、网络出口带宽等），可以换用该节点来运行 juicefs sync，通过 SSH 访问源数据，例如 juicefs sync root@src:/data /jfs/data；
    • 使用分布式同步，在下方相关小节介绍。
  • 如果同步的数据以小文件为主，并且 SRC 的存储系统的 list API 性能极佳，那么 juicefs sync 默认的单线程 list 可能会成为瓶颈。此时考虑启用并发 list 操作，在下一小节介绍。

并发 list​

在 juicefs sync 命令的输出中，关注 Pending objects 的数量，如果该值持续为 0，说明消费速度大于生产，可以增大 --list-threads 来启用并发 list，以及用 --list-depth 来控制并发 list 的目录深度。

比方说，如果你面对的是 JuiceFS 所使用的对象存储服务，那么目录结构为 /<vol-name>/chunks/xxx/xxx/...，对于这样的目录结构，使用 --list-depth=2 来实现对于 /<vol-name>/chunks 的并发列表操作，是比较合适的选择。

分布式同步​

在两个对象存储之间同步数据，就是从一端拉取数据再推送到另一端，同步的效率取决于客户端与云之间的带宽：

JuiceFS-sync-single

在同步大量数据时，单机带宽往往会被占满出现瓶颈，针对这种情况，考虑使用多机并发同步：

JuiceFS-sync-worker

Manager 作为主控执行 sync 命令，通过 --worker 参数定义多个 Worker 节点（Manager 自身也参与同步），JuiceFS 会根据 Worker 的总数量，动态拆分同步任务并分发给各个节点并发执行，单位时间内能处理的数据量更大，总带宽也成倍增加。

在配置多机并发同步任务时，需要提前配置好 Manager 节点到 Worker 节点的 SSH 免密登录，如果 Worker 节点的 SSH 端口不是默认的 22，请在 Manager 节点的 ~/.ssh/config 设置其端口号。Manager 会将 JuiceFS 客户端程序分发到 Worker 节点，为避免兼容性问题，Manager 和 Worker 应使用相同类型和架构的操作系统。

举例说明，用分布式同步的方式进行对象存储间的数据同步：

juicefs sync --worker [email protected],[email protected] s3://ABCDEFG:[email protected] oss://ABCDEFG:[email protected]

运行这个命令后，当前节点与两个 Worker 节点 [email protected] 和 [email protected] 将共同分担数据同步任务。

上方的示范中是对象存储 → 对象存储的数据同步，如果需要基于 FUSE 挂载点做数据同步，那么可以在所有节点挂载 JuiceFS，然后用类似下方的命令来进行分布式同步：

# 源文件系统需要更好的读性能，因此增大 buffer-size
parallel-ssh -h hosts.txt -i juicefs mount -d redis://10.10.0.8:6379/1 /jfs-src --buffer-size=1024 --cache-size=0

# 目标文件系统需要更好的写性能
parallel-ssh -h hosts.txt -i juicefs mount -d redis://10.10.0.8:6379/1 /jfs-dst --buffer-size=1024 --cache-size=0 --max-uploads=50

# 挂载完毕后，用下方命令拷贝数据
juicefs sync --worker host1,host2 /jfs-src /jfs-dst

观测和监控​

简单来说，用 sync 命令拷贝大文件时，进度条可能会迟迟不更新，如果担心命令未能正常工作，可以用其他手段对传输情况进行观测。

sync 假定了使用场景是拷贝大量文件，因此进度的计算也是针对多个文件设计的：每一个文件完成了拷贝后，进度会更新一次。因此如果面对的都是大文件，单个文件的拷贝速度太慢，进度条就会变化缓慢，或者呈现卡死的状态。如果目的地端协议不支持 multipart upload（比如 file、sftp、jfs、gluster 协议头），单个文件会单线程进行复制，无法对大文件进行并发上传。可想而知，大文件 + 不支持 multipart upload，将会更容易出现进度条卡死的情况。

如果你观察到进度不再变化，参考下列手段进行观测和排查：

  • 为 juicefs sync 添加 --verbose 或 --debug 参数，打印 debug 日志；

  • 如果数据同步的两方有任何一个是 JuiceFS 宿主机挂载点：

  • 如果数据同步的目的地是宿主机本地盘，可以直接观察目录下是否存在名称中带 .tmp.xxx 后缀的临时文件，sync 过程中会将传输结果写入临时文件，待传输完成后进行重命名，才完成最终的写入。观察临时文件大小是否变化，就能确定当前的写入状况；

  • 如果传输目的地均为对象存储，可以通过类似 nethogs 的命令，查看出入网流量，来判断传输进展；

  • 以上手段均未能获得有效排查信息，则需要对 sync 进程采集 goroutine，结合源码分析排查：

    # 将 <PID> 替换为卡死的 sync 命令的 PID，记下 pprof 监听端口
    lsof -p <PID> | grep TCP | grep LISTEN
    # pprof 端口一般是 6061，如果已经被占用，则需要递增，需要根据实际情况修改
    curl -s localhost:6061/debug/pprof/goroutine?debug=1

如果需要监控 sync 命令的进度，可以使用 --metrics 参数指定监控指标地址，默认为 127.0.0.1:9567。用 Prometheus 抓取这些指标，就能进行监控。

场景应用​

数据异地容灾备份​

异地容灾备份针对的是文件本身，因此应将 JuiceFS 中存储的文件同步到其他的对象存储，例如，将 JuiceFS 文件系统中的文件同步到对象存储：

# 挂载 JuiceFS
juicefs mount -d redis://10.10.0.8:6379/1 /mnt/jfs
# 执行同步
juicefs sync /mnt/jfs/ s3://ABCDEFG:[email protected]/

建立 JuiceFS 数据副本​

与面向文件本身的容灾备份不同，建立 JuiceFS 数据副本的目的是为 JuiceFS 的数据存储建立一个内容和结构完全相同的镜像，当使用中的对象存储发生了故障，可以通过修改配置切换到数据副本继续工作。需要注意这里仅复制了 JuiceFS 文件系统的数据，并没有复制元数据，元数据引擎的数据备份依然需要。

这需要直接操作 JuiceFS 底层的对象存储，将它与目标对象存储之间进行同步。例如，要把对象存储作为 JuiceFS 文件系统的数据副本：

juicefs sync cos://ABCDEFG:[email protected] oss://ABCDEFG:[email protected]

使用 S3 网关进行跨区域数据同步​

通过 POSIX 方式访问 JuiceFS 时，会有频繁的元数据访问，跨区域访问元数据的延迟比较高会影响访问性能。如果需要跨区域传输大量小文件，这时元数据服务延迟高对性能影响更严重。

sync via public metadata service

在这种情况下，可以通过跨区访问部署在源区域的 S3 网关来提升性能，它可以大幅减少跨区域访问的请求数。

sync via gateway

阅读「S3 网关」学习如何使用和部署 S3 网关。

在 X 上关注我们
在 Slack 上交流
加入微信用户群