Node.js 进阶 - 多文件 Stream 合并，串行和并发两种模式实现

发表于 2年以前 | 总阅读数：624 次

将多个文件合并为一个文件，常见的场景是类似于大文件分片上传，事先根据一定的文件大小拆分为多个小文件上传到服务端，最后服务端在合并起来。怎么合并？一种简单的办法是使用 fs.readFile 读取，fs.writeFile 追加写入，这种方式是将文件数据先读入应用内存再写入，不是很推荐，Node.js 本身提供了 Stream 模块可以更好的处理这种场景。

在 Stream 中合并文件之前一个比较常用的 API 是 pipe，但是这个 API 对于错误处理不是很友好，一不小心还能搞出文件句柄内存泄漏问题。

本文先介绍 pipe 方法的使用及什么情况下会遇到文件句柄的内存泄漏问题，之后再分别介绍 Stream 合并的两种实现模式。

pipe VS pipeline

pipe

创建一个可读流 readable 和一个可写流 writeable，通过管道 pipe 将可写流绑定到可读流，一个简单的 Stream 操作就完成了。

const fs = require('fs');
const readable = fs.createReadStream('./test1.txt');
const writeable = fs.createWriteStream('./test2.txt');

readable.pipe(writeable);

pipe 方法的两个参数：

destination：是一个可写流对象，也就是一个数据写入的目标对象，例如，上面我们创建的 writeable 就是一个可写流对象
options：
end：读取结束时终止写入流，默认值是 true

readable.pipe(destination[, options])

默认情况下我们是不需要手动调用写入流的 end 方法关闭的。

现在我们改一下，设置 end 为 false 写入的目标流将会一直处于打开状态， 此时就需要监听可读流的 end 事件，结束之后手动调用可写流的 end 方法结束（为什么要这样做？下文 Stream 串行合并会再用到这一特性）。

// readable.pipe(writeable);

readable.pipe(writeable, {
  end: false,
});
readable.on('end', function() {
  writeable.end('结束');
});

还需要注意一点如果可读流期间发生什么错误，则写入的目标流将不会关闭，例如：process.stderr 和 process.stdout 可写流在 Nodejs 进程退出前将永远不会关闭，所以需要监听错误事件，手动关闭可写流，防止内存泄漏。

Linux 下一切皆文件，为了测试，在创建可读流时，你可以不创建 test1.txt 文件，让可读流自动触发 error 事件并且将 writeable 的 close 方法注释掉，通过 linux 命令 ls -l /proc/${pid}/fd 查看 error 和非 error 前后的文件句柄变化。

readable.on('error', function(err) {
  console.log('error', err);
  // writeable.close();
});

console.log(process.pid); // 打印进程 ID
setInterval(function(){}, 5000) // 让程序不中断，进程不退出

以下为触发 error 错误下 test2.txt 这个文件 fd 将会一直打开，除非进程退出，所以重要的事情再说一遍，如果使用 pipe 一定要做好错误监听手动关闭每个写入流，以防止 “内存泄漏”。

...
l-wx------ 1 root root 64 Apr 10 15:47 19 -> /root/study/test2.txt
...

注意，Mac 下没有 /proc 文件，可通过 docker 测试。不想开两个终端的，也可以在程序 setInterval 定时器函数里使用 child_process 模块的 exec 函数执行 ls -l /proc/${process.pid}/fd 命令。

const { exec } = require('child_process');

setInterval(function(){
  exec(`ls -l /proc/${process.pid}/fd`, (error, stdout, stderr) => {
    console.log(`stdout: \n`, stdout);
  })
}, 5000) // 让程序不中断，进程不退出

pipeline

Stream 模块的一个新 API pipeline 方法，添加于 Node.js v10.0，Promise 风格需要 Node.js v15.0+ 支持。相比较于 pipe 方法增加了错误处理机制，当管道中的某个流发生错误，它会自动处理并释放掉相应的资源。

try {
  await pipeline(
    readable,
    writable
  );
  console.log('Pipeline succeeded.');
} catch (err) {
  console.log('error', err);
}

串行模式 Stream 合并

使用 pipe 方法实现串行模式的流合并，根据前面讲的，设置可读流的 end 为 false 保持写入流一直处于打开状态，直到所有的可读流结束（待合并的文件完成后），我们再将可写流给关闭。

streamMerge 函数为入口函数
streamMergeRecursive 函数递归调用合并文件

const fs = require('fs');
const path = require('path');

/**
 * Stream 合并
 * @param { String } sourceFileDirectory 源文件目录
 * @param { String } targetFile 目标文件
 */
function streamMerge(sourceFileDirectory, targetFile) {
  const scripts =  fs.readdirSync(path.resolve(__dirname, sourceFileDirectory)); // 获取源文件目录下的所有文件
  const fileWriteStream = fs.createWriteStream(path.resolve(__dirname, targetFile)); // 创建一个可写流

  // fs.readdir 读取出来的结果，根据具体的规则做下排序，防止因为顺序不对导致最终合并之后的文件无效。

  return streamMergeRecursive(scripts, fileWriteStream, sourceFileDirectory);
}

/**
 * Stream 合并的递归调用
 * @param { Array } scripts
 * @param { Stream } fileWriteStream
 */
function streamMergeRecursive(scripts=[], fileWriteStream, sourceFileDirectory) {
  // 递归到尾部情况判断
  if (!scripts.length) {
    return fileWriteStream.end("console.log('Stream 合并完成')"); // 最后关闭可写流，防止内存泄漏
  }

  const currentFile = path.resolve(__dirname, sourceFileDirectory, scripts.shift());
  const currentReadStream = fs.createReadStream(currentFile); // 获取当前的可读流

  currentReadStream.pipe(fileWriteStream, { end: false });
  currentReadStream.on('end', function() {
    streamMergeRecursive(scripts, fileWriteStream, sourceFileDirectory);
  });

  currentReadStream.on('error', function(error) { // 监听错误事件，关闭可写流，防止内存泄漏
    console.error(error);
    fileWriteStream.close();
  });
}

streamMerge('./files', './file.js');

并发模式 Stream 合并

流合并也是可以采用并发模式的，核心是通过可写流的 start、end 属性控制。

start 有点类似于数据库查询的 skip，在计算时要求文件分块的下标必须是 0、1、2... 这样的规则，这种方式可以不用关注每一个流分块在文件中的存储顺序，也可以将可读流传输至可写流的指定位置。

例如，有一个大文件 dec47b76e3220432100a1155eff7f402（文件 md5 后的 hash 值）根据 chunkSize（1048576）拆分为 3 个小文件。

/chunks
└── dec47b76e3220432100a1155eff7f402-1048576
    ├── dec47b76e3220432100a1155eff7f402-0
    ├── dec47b76e3220432100a1155eff7f402-1
    └── dec47b76e3220432100a1155eff7f402-2

并发模式的 Stream 合并代码实现如下：

/**
 * Stream concurrent merge
 * @param {String} sourceFileDirectory
 * @param {String} targetFile
 * @param {Number} chunkSize
 */
export const streamConcurrentMerge = async (sourceFileDirectory, targetFile, chunkSize) => {
  const filenames = await fs.readdir(sourceFileDirectory);

  await Promise.all(filenames.map(filename => {
    const index = filename.split('-').pop();
    const start = index * chunkSize;
    const end = (index + 1) * chunkSize;

    return pipeline(
      createReadStream(path.join(sourceFileDirectory, filename)),
      createWriteStream(targetFile, {
        start,
        end,
      })
    );
  }))
}

总结

使用 pipe 时错误处理是件需要注意的事情，特别是出现这种情况 readable.pipe(a).pipe(b).pipe(writable)其中任何一个流关闭或出错都会导致整个管道停止工作，这个时候就要销毁所有的流，这种复杂的处理起来极其麻烦，推荐使用 stream API pipeline 处理，或使用社区 NPM 库 pump。

将多个文件合并为一个文件，使用流的方式有两种：