基于Web的大文件高效上传方法①

阮晓龙,李朋楠

1(河南中医药大学 信息技术学院,郑州 450046)

2(郑州祺石信息技术有限公司,郑州 450008)

1 现状分析

1.1 应用价值

大文件上传是Web 应用系统中常见的问题[1],尽管HTTP 是TCP 上层的协议,但是HTTP 协议本身并不适合处理超大的请求体,文件上传的稳定性存在着很大的问题.如果传输过程中因某种异常而中断,将前功尽弃,同时,若没有断点续传功能,那文件只能重新上传,这样不仅造成带宽资源的浪费,而且不能保证再次上传文件就能成功[2].

目前基于HTTP 协议的断点续传方案虽然保证大文件上传过程中的稳定性,但是在传输效率和安全性方面仍有不足,满足不了当前互联网Web 应用系统的需求,因此基于Web 的大文件高效上传方法的研究和实现是Web 应用中的重要基础[3,4].

1.2 常用技术

目前互联网中,已经存在许多基于Web 上传文件的方法,文献[5]中介绍了常用3 种方法如下所示:

(1)HTML Form

该方法主要利用HTML 中Form 表单实现简单的文件上传.其中表单的提交方式为POST,编码类型enctype 为“multipart/form-data”.同时Form 表单里还需要包含一个文件框Input,文件框类型(type)应为file.通过结合Javascript、Ajax 等脚本技术,从而实现文件异步上传、交互等操作.

(2)RIA 技术

RIA 技术主要是包括Flex、Silverlight、JavaFX等技术,该技术中最常用的文件上传插件为SWFUpload.

RIA 技术的倡导者为Adobe,其提供了Flex 技术来使程序员可以用编程的方式生成Flash 内容,因此一般常用Flex 技术开发文件上传的客户端程序.

同时,与Silverlight、JavaFX 等技术在运行库方面比较,Flex 也最是轻量级的.

(3)插件技术

在浏览器中也可以使用插件实现文件上传.虽然可能由于客户浏览器的安全性设置,导致插件无法运行,但是在学校内网、企业内网等内部环境还是可以考虑使用的.插件技术主要包括Activex、Applet 等.例如ActiveX 控件,该控件利用Winsock 技术建立与Web 服务之间的通信,并读取上传文件数据,再通过Socket 技术把数据以HTTP POST 方式发送给服务器.

此外,文献[6]中提出了一种文件分块上传的方法,使用单线程传输,通过固定大小分片可计算得到上传文件的偏移量,进而较好的实现了大文件的断点续传.文献[2,7]中指出了一种双线程传输方法,即一个线程传输文件内容,另一个线程记录文件内容的偏移量,同样可实现断点续传.这两种方法虽然可实现断点续传,但是其传输效率还有待提高.文献[8]中通过多线程方式,按线程数对文件进行分块,传输效率虽然有所提高,但是其每个线程同样是通过记录分块文件的偏移量,来实现断点续传.以上方法均为时序传输,一旦中断再传,只是从断点位置继续上传,不能保证已上传文件内容的完整性与正确性.

1.3 存在问题

目前大文件上传常用方法中主要存在以下4 个方面问题.

(1)单线程上传

常用的大文件上传方法一般采用单一线程进行文件的传输,对带宽的利用率较低、稳定性较差,不能较好实现文件传输过程中的交互操作.

(2)断点不续传

当使用简单上传功能来进行大文件上传,如果上传的过程中出现了异常造成中断,那么此次上传失败,重试必须从文件起始位置上传.

(3)安全性不足

常用的大文件上传方法在文件上传前后不做完整性和正确性验证,或只是简单的进行文件大小方面的完整性验证,无法保证文件上传后还是原来的文件.

(4)文件重复上传

当已成功上传的文件再次被上传时,如不能够有效识别该文件,会使文件再次进行上传操作,从而造成带宽、时间资源的浪费.

2 关键技术

本文提出基于Web 的大文件高效上传方法的研究与实现,其中包含7 个关键技术,具体如下.

2.1 无客户端值守

用户在上传一个几百兆、甚至是上千兆的大文件到服务器上时,通常采用的是FTP 协议和某些客户端软件,从而能较好地支持大文件的上传以及实现文件断点续传功能.由于HTTP 协议的超大范围使用和Web 技术的本身特点,也涌现了一批Web 上传大文件的插件[9,10].

本文提出的方法是基于HTML5 技术可以采用化整为零的文件上传方法,可将单个大文件转化为多个小分片文件进行上传,有效地解决了HTTP 协议本身并不适合处理超大请求文件问题.

2.2 多并发上传

在实际工作中,单一的Web 请求往往无法让网络传输速率达到饱和状态[8],因此采用多并发的方式进行文件上传,可以充分利于网络带宽、提高文件传输速度[7,11].

本文采用构建线程池的方法,使并发线程保持在一个合理值,实现了多并发可控上传,避免了并发线程过多且无序控制造成的线程排队长时等待现象,造成资源空耗的浪费.

2.3 文件传输校验

传统方式下,文件识别校验方法主要是对文件传输前后的MD5 值进行比对[12,13],该方法在针对小文件时可行,但对大文件或超大文件来说,采用该方法在计算MD5 值时就会非常耗费时间,且有可能造成服务器计算处理失败而崩溃.

针对此问题,本文提出同样可采用化整为零的MD5 计算方法,将单个大文件的MD5 计算,转化为多个小分片文件的MD5 计算,这样只要确保每个分片的MD5 在上传前后一致,即可确定在分片有序合并后的文件和原来保持一致[14,15].

2.4 断点续传

断点续传是指文件在上传过程中,如果碰到网络故障或其他一些因素,导致文件传输中断.待故障恢复后,可以接着未上传部分继续上传,从而节省上传文件时间[16].

本文断点续传不同于其他时序传输的断点续传,在某一分片首次上传时,遇到网络抖动、高延时等短时网络故障,即使该分片传输失败,传输并不会立即中断,而是会继续上传下一个分片,直至网络恢复或最后一个分片上传结束.在续传过程中,并不是简单的从中断的文件偏移位置继续上传,而会逐个校验分片的上传结果,找出传输失败和MD5 不一致的分片进行补充上传.

2.5 极速秒传

极速秒传是指当服务器上已经存在某个文件,而用户又要上传此文件,此时,服务器则会检测此文件的特征码已被收录,就可直接提示用户文件已上传完毕,而免去用户再次上传的过程[17,18].

2.6 文件切片

要想实现断点续传、多并发上传、文件传输校验等技术,关键在于文件分片,而且是在文件上传前已经完成分片.将大文件进行分片传输,可以有效地避免文件上传过程中可能出现的失败问题[19,20].

在HTML5 标准制定前,如果实现文件分片,则必须采用某些前端控件来实现;从HTML5 标准制定之后,直接可以使用HTML5 相应的File API 功能函数,解决文件在Web 前端无插件分片的问题.

2.7 文件合并

目前有两种方法实现对上传分片文件进行合并,一种是待所有分片传完之后统一合并,这就需要服务端将接收到的所有分片进行临时存储,最终合并也会消耗较长时间;另一种方法是“边传边合并”[19],服务端可以直接将上传过程中接收到文件分片,按顺序追加保存至第一个分片文件中,这就不需要存储临时文件,且最终所有分片文件上传完毕同时也完成文件合并操作,减少文件合并消耗时间.

3 方案设计

基于上述大文件上传方法与关键技术,综合其优缺点,本文提出一种基于Web 的大文件安全高效上传方案.该方案是基于HTTP 协议,利用HTML5 的XMLHttpRequest 2 特性[21],采用File API 提供的功能函数,实现无客户端方式下文件分块传输.并在首传和续传过程中对每一个分片进行MD5 校验,提高传输安全性.同时利用多线程技术,在前端构建线程池[22],实现多线程的创建与管理,提高文件传输的带宽利用率,进而提升了文件的上传效率.此外在处理重复文件上传时,通过提取文件特征码,匹配已上传的文件信息库,如果匹配成功,则可免去重复文件上传过程,节约带宽资源及时间成本.其基于Web 的大文件高效上传方法的逻辑设计过程如图1 所示.

图1 并发文件校验算法流程示意图

4 具体实现

针对文件上传流程示意图,基于Javascript 语言对流程中关键步骤进行代码实现,具体如下所示.

4.1 文件分片

在前端分片传输过程中,分片大小是一定的,分片越小,请求越多,开销越大;分片越大,灵活度越小,

分片上传的优势就会相对越不明显[6],因此,分片大小可以根据实际情况设置一个合适的值[23].

本文采取的shardSize = 2×1024×1024.初始化start =currentChunk×shardSize;end = start + shardSize ＞=file.size? file.size :start + shardSize,变量start 表示的是分片的开始节点,变量end 表示的是分片的终止节点.条件表达式start + shardSize ＞= file.size? file.size :start +shardSize,功能是获取下一个分片文件的终止节点.其表达式如式(1)所示.其中x代表分片序号currentChunk,取值从0 开始,递增量为1;y代表分片大小shardSize,是个固定值;z代表整个文件的大小file.size.

该表达式通过计算起始节点加分片大小获取文件上传传输的终止结点.参数arrayObj 为所有分片文件的M D 5 码存放数组,文件的M D 5 码可以通过spark.end()函数生成.

大文件上传的前端分片及MD5 计算关键代码摘录如下所示:

4.2 多并发上传

在并发上传过程中,浏览器支持的最大并发数t是一定的,因此设置的并发数如果超过该值,则会造成浏览器在执行过程中并发请求排队等待.所以,并发数的设置越接近t,传输效率越大.

本文采取不同并发数来观察它的效率变化情况,以控制并发数在一个合理值,poolSize 是最大并发请求数,poolCount 是活动并发数.通过定时函数setInterval()来执行并发请求,当poolCount＜poolSize 时,就发起一个并发请求进行分片传输,poolCount 增加1,传输完成后poolCount 减少1,以此来保证并发数在设定值.

多并发上传的关键代码摘录如下所示:

var idInt = setInterval(function(){

5 实验结果与分析

5.1 实验环境

本次实验服务器资源配置如表1 所示.

表1 服务器配置信息

为排除其它因素对本次实验的影响,此次实验仅保留原生的操作系统,不安装任何软件/服务/组件(测试程序除外),最大程度的减少实验影响因素.

5.2 实验结果

本文提出基于Web 的大文件安全高效上传方法主要设置参数为浏览器请求并发数,为验证其灵活性及通用性,本次实验在保持分片大小不变的基础上,采用不同并发数上传同一文件进行验证,重复进行3 次,实现结果如图2 所示.

图2 不同线程数文件上传耗时图

通过图2 实验结果可得出文件传输耗时是L 型变化的,请求并发数设置为3 时产生拐点.请求并发数与耗费时间在拐点之前呈反比关系,耗费时间随着并发数的增大而线性减少,由于网络带宽以及浏览器软件等实验环境因素的影响,在拐点之后耗费时间趋于平稳.

5.3 实验分析

对于文件上传来说其优劣主要由传输的正确性、时间成本、适应性、可移植性、鲁棒性这五个方面决定,通过这些判断条件能够很好的评估大文件安全高效上传方案是否准确高效.

本文提出的大文件安全高效上传方案基于Web方式进行优化,利用HTML5 文件接口对大文件进行前端切片,后端合并,其本质相当于对待上传文件进行了一次完整的数据传输,最终得到结果文件与上传文件完全相符.在保持文件内容不变的前提下,使用并发上传能够大大节约时间成本.其中基于Web 和HTML5 切片的传输方式,几乎能适应所有规模的文件Web 上传环境;并通过断点续传确保了Web 传输的可靠性.

6 总结

本文提出基于Web 的大文件高效上传方法,在传统单线程大文件上传基础上,采用了多并发上传,充分利用带宽资源提高传输效率,对于存储的资源文件进行特征库收录,实现已收录文件的极速秒传,节约了时间成本.同时对于大文件的MD5 计算,利用循环切片计算的方式极大的降低磁盘I/O 和内存的占用.该方法普适性强、能够很好地在文件传输过程中提高上传效率、提升稳定性、增强安全性,从而更好地为用户服务.