本文来自我的大规模数据系统专栏《系统日知录》，专注存储、数据库、分布式系统、AI Infra 和计算机基础知识。点击👉这里订阅，解锁更多文章。你的支持，是我前行的最大动力。
我们对文件（File）如此熟悉，以至于很少去思考其本质和关联的一些概念。本文参考 XV6 小册[1]将会简单梳理下文件抽象的本质、妙处和一些细节。
本质
说到文件，用惯了图形化操作系统的我们，第一反应是：文件夹中的一个个图标。但现代操作系统鼻祖 ------ Unix 最初设计"文件"时，对其定义远不止于此。即使在今天的 Linux、MacOS 、Windows 的应用开发者眼里，文件的范围也要更大的多。
这也是软件世界最常见的迷思之一------普通用户眼里的形形色色的图标，在系统程序员眼里都是流动的数据。普通用户眼中的操作系统其实是程序员常说的 GUI[2]（Graphic User Interface，用户图形界面） ，也即一个表面层。依靠进程（Process）、文件（File）、管道（Pipe）等核心抽象构建的各种系统调用和周边工具，才是真正的向下管理硬件、向上封装接口的操作系统。它是由一段段数据 和一个个控制有机组合而成的。
这里借用超棒科幻片 The Matrix[3] （黑客帝国）一幕名场景，来助大家体会下这种感觉：
黑客帝国名场面
值得一提的是，在时下大火的 AI 背后的深度学习，也是基于矩阵的（ Matrix-Based）。此外，笔者从事过的领域------图数据库的老大 Neo4j，以及其开源的最流行的图查询语言------OpenCypher，得名灵感都来自于本系列电影（Neo 就是主角，Cypher 是第一集中的叛徒）。之前在面试 Neo4j 的时候，还和他们的 talent acquisition 求证过这一点。
不得不说，这个拍于 1999 年的电影系列，用一幕幕精彩的场景堆砌出的各种隐喻和明喻，都十分精准和超前。这是唯一一个我看了超过三遍的系列。
回到正题，在 Unix 设计中，文件的本质是什么？答曰------字节流。
因此，操作系统中的"文件"远不止存在于外存（磁盘或 SSD）那些各种格式的文件，任何 IO 设备（网络通信、外设设备）、管道，甚至内存本身，都可以作为文件被进程打开------因为他们都可以被当做字节流。正是这种抓住本质的抽象，使得操作系统长我们今天看到的这样------其他过于复杂的抽象和实现都淹没在了历史长河中。
妙处
那么，使用字节流来作为文件的抽象有何妙处呢？答案是软件工程中提到的最多的一个词------解耦。有了这种抽象，进程（对 CPU 运算能力的抽象）就无需关心各种设备和组件底层细节。这会极大简化各种系统程序和应用程序对硬件的使用方式。
在这种"万法归一"的抽象基础上，还有一个很重要的伴生抽象------"管道"（Pipe）。如果说文件是对单个对象的抽象，那么管道就是连接不同对象的关键。没有管道，文件顶多是"字节集"；有了管道，文件才可以流动，成为真正的"字节流"。
数据作为软件中的基本元素，在流动的过程中，被不同的程序锻打、组合，最后套一个表面层，成为一个个可以被普通用户使用的网页、APP 和桌面软件。这背后，都离不开文件和管道。
细节
说完了感性部分，让我们来看下文件接口细节。通常来说，文件是可以被多个进程共享的，因此在软件的基础上，我们进一步抽象出：文件描述符 （file descriptor，缩写 fd）。它其实是对文件的一个视图，包含一个文件指向 和一个偏移量 。其中偏移量是隐式维护的。
Kafka 在对 Topic 进行抽象的时候，也是用的类似的方式------ Consumer 会维护一个关联到 Topic 的偏移量。从这个侧面也可以看出文件的抽象是多么成功。实际上，后来很多数据系统的接口都有它的影子。
文件描述符是一个进程范围的整数。且我们固定 0 是标准输入，1 是标准输出。这样就可以通过管道来将数据流进行重定向，从而对不同的"处理过程"进行自由组合：
-
每个处理过程（cmd 工具）都只管专注一小件事。
-
需要输入就从标准输入读取；需要输出，就输出到标准输出。
-
管道负责将一个个小工具串成一个复杂的处理过程。
这就是大名鼎鼎的 KISS[4] （keep it simple，stupid）原则，也是我们日常生活中拆解复杂任务[5]的一种惯常手段，也是现在常见的数据流工具 （Spark，Flink）的背后原理。
围绕文件描述符，我们有几大文件操作语义：
-
open：以某种模式打开文件，会返回一个文件描述符，并隐式的初始化该 fd 的 offset = 0 。
-
read(fd, buf, n) ：从文件描述符 fd 关联的文件和偏移量处读取最多 n 个字节到 buf 中；读取成功后，会前移 fd 关联的偏移量（因此调用者就可以用一个循环来连续读取，而不用自己维护偏移量），且返回实际读到的字节数；如果读取失败则返回值小于 0。
-
write(fd, buf, n) ：从 buf 中写入 n 个字节到文件描述符 fd 关联的文件和偏移量处；并且会自动前移 fd 相应字节的偏移量。写入成功，返回 n；写入失败，则返回值会小于 n。
-
close(fd) ：释放 fd 和所占资源（比如文件指针和偏移量等信息），且进程之后就可以复用该 fd 标号。
有了这几个基本的接口，进程就可以对文件的字节流进行管理和读写。
最后，实现和承载文件这一抽象的系统，我们通常称为文件系统。当然，这又是另外一个经典的话题。用关系数据库来类比，文件的抽象类似关系模型，open-read---close 类似 SQL，而文件系统就是类似 DBMS 的那个实现系统。
如果大家对这个话题感兴趣可以留言，我可以之后再专门写文章来聊文件系统。
参考资料
[1]6.S081 参考书 XV6: pdos.csail.mit.edu/6.828/2020/...
[2]GUI: en.wikipedia.org/wiki/Graphi...
[3]黑客帝国名场面: movie.douban.com/subject/129...
[4]KISS: en.wikipedia.org/wiki/KISS\\...
[5]拆解复杂任务: www.qtmuniao.com/2023/08/21/...
最后欢迎关注我的公众号：木鸟杂记，专注分布式系统、数据库和存储等大规模数据系统，关注后可回复"资料"领取一份我总结的分布式系统和数据库的入门资料大全。