原文转载自「刘悦的技术博客」https://v3u.cn/a_id_218

分治算法是一种很古老但很求实的办法。本意即便将一个较大的整体打碎分成小的部分，这样每个小的部分都不足以反抗大的整体。战国时期，秦国毁坏合纵的连横即是一种分而治之的伎俩；十九世纪，比利时殖民者霸占卢旺达， 将卢旺达的种族分为胡图族与图西族，以图进行决裂管制，莫不如是。

21世纪，人们往往会在Leetcode平台上刷分治算法题，但事实上，从工业角度上来看，算法如果不和理论业务场景相结合，算法就永远是扑朔迷离的存在，它只会呈现在开发者的某一次不经意的面试中，而实在的算法，并不是虚空的，它应该能帮忙咱们解决理论问题，是的，它应该落地成为实体。

大文件分片上传就是这样一个符合分治算法的场景，现而今，视频文件的体积越来越大，高清视频体积大略2-4g不等，但4K视频的分辨率是规范高清的四倍，须要四倍的存储空间——只需两到三分钟的未压缩4K 电影，或者电影预告片的长度，就能够达到500GB。 8K视频文件更是大得难以想象，而当初12K正在呈现，如此微小的文件，该怎么设计一套正当的数据传输计划？这里咱们以前后端拆散我的项目为例，前端应用Vue.js3.0配合ui库Ant-desgin，后端采纳并发异步框架Tornado实现大文件的分片无阻塞传输与异步IO写入服务。

前端分片

首先，装置Vue3.0以上版本：

npm install -g @vue/cli

装置异步申请库axios：

npm install axios --save

随后，装置Ant-desgin:

npm i --save ant-design-vue@next -S

Ant-desgin尽管因为已经的圣诞节“彩蛋门”事件而身败名裂，但主观地说，它仍然是业界不可多得的优良UI框架之一。

接着在我的项目程序入口文件引入应用：

import { createApp } from 'vue'  import App from './App.vue'  import { router } from './router/index'      import axios from 'axios'  import qs from 'qs'    import Antd from 'ant-design-vue';  import 'ant-design-vue/dist/antd.css';      const app = createApp(App)      app.config.globalProperties.axios = axios;  app.config.globalProperties.upload_dir = "https://localhost/static/";    app.config.globalProperties.weburl = "http://localhost:8000";    app.use(router);  app.use(Antd);    app.mount('#app')

随后，参照Ant-desgin官网文档：https://antdv.com/components/... 构建上传控件：

<a-upload        @change="fileupload"      :before-upload="beforeUpload"    >      <a-button>        <upload-outlined></upload-outlined>        上传文件      </a-button>    </a-upload>

留神这里须要将绑定的before-upload强制返回false，设置为手动上传：

beforeUpload:function(file){            return false;    }

接着申明分片办法：

fileupload:function(file){            var size = file.file.size;//总大小             var shardSize = 200 * 1024; //分片大小           this.shardCount = Math.ceil(size / shardSize); //总片数          console.log(this.shardCount);              for (var i = 0; i < this.shardCount; ++i) {             //计算每一片的起始与完结地位             var start = i * shardSize;             var end = Math.min(size, start + shardSize);            var tinyfile = file.file.slice(start, end);            let data = new FormData();          data.append('file', tinyfile);          data.append('count',i);          data.append('filename',file.file.name);            const axiosInstance = this.axios.create({withCredentials: false});            axiosInstance({              method: 'POST',              url:'http://localhost:8000/upload/',  //上传地址              data:data          }).then(data =>{               this.finished += 1;               console.log(this.finished);               if(this.finished == this.shardCount){              this.mergeupload(file.file.name);             }            }).catch(function(err) {              //上传失败          });              }            }

具体分片逻辑是，大文件总体积依照单片体积的大小做除法并向上取整，获取到文件的分片个数，这里为了测试不便，将单片体积设置为200kb，能够随时做批改。

随后，分片过程中应用Math.min办法计算每一片的起始和完结地位，再通过slice办法进行切片操作，最初将分片的下标、文件名、以及分片本体异步发送到后盾。

当所有的分片申请都发送结束后，封装分片合并办法，申请后端发动合并分片操作：

mergeupload:function(filename){            this.myaxios(this.weburl+"/upload/","put",{"filename":filename}).then(data =>{                  console.log(data);            });    }

至此，前端分片逻辑就实现了。

后端异步IO写入

为了防止同步写入引起的阻塞，装置aiofiles库：

pip3 install aiofiles

aiofiles用于解决asyncio应用程序中的本地磁盘文件，配合Tornado的异步非阻塞机制，能够无效的晋升文件写入效率：

import aiofiles    # 分片上传  class SliceUploadHandler(BaseHandler):            async def post(self):              file = self.request.files["file"][0]          filename = self.get_argument("filename")          count = self.get_argument("count")            filename = '%s_%s' % (filename,count) # 形成该分片惟一标识符            contents = file['body'] #异步读取文件          async with aiofiles.open('./static/uploads/%s' % filename, "wb") as f:              await f.write(contents)            return {"filename": file.filename,"errcode":0}

这里后端获取到分片实体、文件名、以及分片标识后，将分片文件以文件名\_分片标识的格局异步写入到系统目录中，以一张378kb大小的png图片为例，分片文件应该程序为200kb和178kb，如图所示：

当分片文件都写入胜利后，触发分片合并接口：

import aiofiles    # 分片上传  class SliceUploadHandler(BaseHandler):            async def post(self):              file = self.request.files["file"][0]          filename = self.get_argument("filename")          count = self.get_argument("count")            filename = '%s_%s' % (filename,count) # 形成该分片惟一标识符            contents = file['body'] #异步读取文件          async with aiofiles.open('./static/uploads/%s' % filename, "wb") as f:              await f.write(contents)            return {"filename": file.filename,"errcode":0}          async def put(self):            filename = self.get_argument("filename")          chunk = 0            async with aiofiles.open('./static/uploads/%s' % filename,'ab') as target_file:                while True:                  try:                      source_file = open('./static/uploads/%s_%s' % (filename,chunk), 'rb')                      await target_file.write(source_file.read())                      source_file.close()                  except Exception as e:                      print(str(e))                      break                    chunk = chunk + 1          self.finish({"msg":"ok","errcode":0})

这里通过文件名进行寻址，随后遍历合并，留神句柄写入模式为增量字节码写入，否则会逐层将分片文件笼罩，同时也兼具了断点续写的性能。有些逻辑会将分片个数传入后端，让后端判断分片合并个数，其实并不需要，因为如果寻址失败，会主动抛出异样并且跳出循环，从而节约了一个参数的带宽占用。

轮询服务

在实在的超大文件传输场景中，因为网络或者其余因素，很可能导致分片工作中断，此时就须要通过降级疾速响应，返回托底数据，防止用户的长时间期待，这里咱们应用基于Tornado的Apscheduler库来调度分片工作：

pip install apscheduler

随后编写job.py轮询服务文件：

from datetime import datetime  from tornado.ioloop import IOLoop, PeriodicCallback  from tornado.web import RequestHandler, Application  from apscheduler.schedulers.tornado import TornadoScheduler      scheduler = None  job_ids   = []    # 初始化  def init_scheduler():      global scheduler      scheduler = TornadoScheduler()      scheduler.start()      print('[Scheduler Init]APScheduler has been started')    # 要执行的定时工作在这里  def task1(options):      print('{} [APScheduler][Task]-{}'.format(datetime.now().strftime('%Y-%m-%d %H:%M:%S.%f'), options))      class MainHandler(RequestHandler):      def get(self):          self.write('<a href="/scheduler?job_id=1&action=add">add job</a><br><a href="/scheduler?job_id=1&action=remove">remove job</a>')      class SchedulerHandler(RequestHandler):      def get(self):          global job_ids          job_id = self.get_query_argument('job_id', None)          action = self.get_query_argument('action', None)          if job_id:              # add              if 'add' == action:                  if job_id not in job_ids:                      job_ids.append(job_id)                      scheduler.add_job(task1, 'interval', seconds=3, id=job_id, args=(job_id,))                      self.write('[TASK ADDED] - {}'.format(job_id))                  else:                      self.write('[TASK EXISTS] - {}'.format(job_id))              # remove              elif 'remove' == action:                  if job_id in job_ids:                      scheduler.remove_job(job_id)                      job_ids.remove(job_id)                      self.write('[TASK REMOVED] - {}'.format(job_id))                  else:                      self.write('[TASK NOT FOUND] - {}'.format(job_id))          else:              self.write('[INVALID PARAMS] INVALID job_id or action')      if __name__ == "__main__":      routes    = [          (r"/", MainHandler),          (r"/scheduler/?", SchedulerHandler),      ]      init_scheduler()      app       = Application(routes, debug=True)      app.listen(8888)      IOLoop.current().start()

每一次分片接口被调用后，就建设定时工作对分片文件进行监测，如果分片胜利就删除分片文件，同时删除工作，否则就启用降级预案。

结语

分治法对超大文件进行分片切割，同时并发异步发送，能够进步传输效率，升高传输工夫，和之前的一篇：聚是一团火散作满天星，前端Vue.js+elementUI联合后端FastAPI实现大文件分片上传，逻辑上有殊途同归之妙，但手法上却略有不同，确是颇有互相借镜之处，最初代码开源于Github：https://github.com/zcxey2911/...\_Vuejs3\_Edu，与众亲同飨。

原文转载自「刘悦的技术博客」 https://v3u.cn/a_id_218