file-size-histogram

[farseerfc]

This issue is reserved for https://farseerfc.me/file-size-histogram.html

[Aloxaf]

1.46K……还有一堆 64～128B 的文件
我应该好好清理一下了……

[lilydjwg]

farseerfc 好棒～

我家刚好 4K 多一点呢：

然而根就只有 2K 了：

存了许多源码仓库、iso 镜像、视频文件的 xfs 才 1.6K：

缓存目录好多好小的文件啊：

[farseerfc]

百合的系統裏有好多 32~64 的小文件呀，我這兒還沒這麼多……是 rust 編譯結果之類的麼

[lilydjwg]

啊对，那个地方有一堆 rust 的编译中间产物。还有 ccache 的缓存。

[sihuan]

1.38K 感觉在我家里面高峰过早的出现了
512~1G 的大概是存的番剧，大于 1G 的就是一些 .iso 了

[MatheMatrix]

我这里貌似是典型的 4K：

[cuihaoleo]

我自己家目录是典型的4K。给两个特殊的。

USTC 镜像站可通过 rsync 访问的全部文件：

我们实验室计算集群，所有用户家目录的文件（除了程序和各种程序生成的文件，大部分是图片音频数据）：

[farseerfc]

2020年6月25日(木) 6:33 CUI Hao <notifications@github.com>:

我自己家目录是典型的4K。给两个特殊的。 USTC 镜像站可通过 rsync 访问的全部文件：

哇 USTC mirror 有 50T 的數據量了！

我们实验室计算集群，所有用户家目录的文件（除了程序和各种程序生成的文件，大部分是图片音频数据）：

有好多 1~32 的呢，看來畫圖的時候合併 1~32 的數據在一組也不是很合適，破壞曲線形狀了。

…

--

---------------------------------------------- 大阪大学国際公共政策研究科 楊 嘉晨 (YANG Jiachen) 〒560-0043豊中市待兼山町1-7 E-mail： yang@osipp.osaka-u.ac.jp TEL：080-3853-2770 -----------------------------------------------

[yichangshengwu]

说明系统文件又碎又多！！！ （逃跑

[Hexhu]

我的家目录:

一堆源码, 音乐和漫画 :3

[yingziwu]

根目录下的结果：

家目录下的结果，这应该是缓存文件比较多

[poscat0x04]

symlinks
the total file size tho...

[farseerfc]

symlinks
the total file size tho...

是把 /proc/kcore 算進去了嗎，還有這麼多 0 大小的… find 可以 -xdev

[yingziwu]

@farseerfc

symlinks
the total file size tho...

是把 /proc/kcore 算進去了嗎，還有這麼多 0 大小的… find 可以 -xdev

应该是把 /proc 算进去了。
感觉博文中的find命令可以更新一下：

find / -type f -not -path '/tmp/*' -not -path '/sys/*' -not -path '/dev/*' -not -path '/proc/*' -not -path '/run/*' -not -path '/media/*' -not -path '*/lost+found/*' -printf "%s %p\n" > /tmp/root.txt

[noirgif]

很有趣的文章！

这么一说好像的确是这样。我碰巧课上读过统计文件系统 trace 的论文，和这里的不同之处是，统计的不是某一时刻已有的文件大小，而是给定时间内创建的文件的大小。 Mary Baker 等的 Measurements of a Distributed File System 里的 CDF 就有这个现象：不同的 trace，文件大小中位数在 1K - 10K 不等，众数在 500B 。99年的 File system usage in Windows NT 4.0 里，中位数也是 1K 到 10K 这个量级（根据用途，read-only/read-write/write-only，各不相同）。

中位数和众数较小也是因为统计的对象不同？不过只是我的猜测。

不过在 NT 那篇里，如果按照读写的字节数给文件大小加权的话，绝大部分读写就落在了10K-1M这个区间。（现在可能会更大？但是我不知道有没有相关的研究，如果有我很乐意去看。）就是文中也有提到的长尾吧。

[poscat0x04]

symlinks
the total file size tho...

是把 /proc/kcore 算進去了嗎，還有這麼多 0 大小的… find 可以 -xdev

应该都是 nix 产生的 symlink (传统艺能)

[mokurin000]

我的学习资料……

[nicholascw]

[forliuyifei]

$ ./filesizehistogram.py myhome.txt
Traceback (most recent call last):
  File "./filesizehistogram.py", line 38, in <module>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
  File "./filesizehistogram.py", line 38, in <listcomp>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
ValueError: invalid literal for int() with base 10: '请输入密码\n'

[farseerfc]

$ ./filesizehistogram.py myhome.txt
Traceback (most recent call last):
  File "./filesizehistogram.py", line 38, in <module>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
  File "./filesizehistogram.py", line 38, in <listcomp>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
ValueError: invalid literal for int() with base 10: '请输入密码\n'

你看下 myhome.txt 的內容，感覺不太對吶，“請輸入密碼”是啥。
正常應該是每行一個數字和文件名，空格隔開，文件名可選。

[forliuyifei]

$ ./filesizehistogram.py myhome.txt
Traceback (most recent call last):
  File "./filesizehistogram.py", line 38, in <module>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
  File "./filesizehistogram.py", line 38, in <listcomp>
    data=np.array([int(x.split(' ')[0]) for fn in filenames for x in open(fn)])
ValueError: invalid literal for int() with base 10: '请输入密码\n'

你看下 myhome.txt 的內容，感覺不太對吶，“請輸入密碼”是啥。
正常應該是每行一個數字和文件名，空格隔開，文件名可選。

明白了，因为有个目录需要 root 权限，所以 find 之前加了 sudo ，myhome.txt 第一行多出了：“请输入密码” 🤣

[forliuyifei]

/home 目录, 我这里是 2k ?
或许是因为放了一些 git 仓库?

[WhiredPlanck]

学生党的 /home，有数不清的课件、截图、慕课啥啥啥，还有一些 git 源码 …… QwQ

[soda92]

[sgkoishi]

一只Windows上的文件
没有太多头绪为什么会有这些奇怪的突起.jpg

[h3fang]

去掉了/proc, /sys这些

sudo find / /home -xdev -type f -printf "%s\n" > data.txt

[liyewen521]

哈哈，差不多也符合统计值4K了，就是均值有一点大，达到了1.68M，可能因为我生成的大的log文件比较多。

[SamLukeYes]

扫了一下我的 /nix/store，好像把硬链接全都重复算了，实际占用只有不到 50G

[Sinofine]

emm 硬连接?我的硬盘加起来也只有1.5T喵

[illyber]

涨知识了。很有趣的研究