]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/SearchIdx.pm
use consistent {ibx} field for writable code paths
[public-inbox.git] / lib / PublicInbox / SearchIdx.pm
index f10a9104e789fe82beae8e8a7b98d3ec9932f6c9..4b1b1736e2270b3ccdec5ae1c2b79ef9db7b0043 100644 (file)
@@ -8,11 +8,11 @@
 # This writes to the search index.
 package PublicInbox::SearchIdx;
 use strict;
-use warnings;
-use base qw(PublicInbox::Search PublicInbox::Lock);
+use v5.10.1;
+use parent qw(PublicInbox::Search PublicInbox::Lock);
 use PublicInbox::Eml;
 use PublicInbox::InboxWritable;
-use PublicInbox::MID qw/mid_clean mid_mime mids_for_index/;
+use PublicInbox::MID qw(mid_mime mids_for_index mids);
 use PublicInbox::MsgIter;
 use Carp qw(croak);
 use POSIX qw(strftime);
@@ -50,8 +50,7 @@ sub new {
        $ibx = PublicInbox::InboxWritable->new($ibx);
        my $self = bless {
                inboxdir => $inboxdir,
-               -inbox => $ibx,
-               git => $ibx->git,
+               ibx => $ibx,
                -altid => $altid,
                ibx_ver => $version,
                indexlevel => $indexlevel,
@@ -78,12 +77,12 @@ sub new {
 sub need_xapian ($) { $_[0]->{indexlevel} =~ $xapianlevels }
 
 sub _xdb_release {
-       my ($self) = @_;
+       my ($self, $wake) = @_;
        if (need_xapian($self)) {
                my $xdb = delete $self->{xdb} or croak 'not acquired';
                $xdb->close;
        }
-       $self->lock_release if $self->{creat};
+       $self->lock_release($wake) if $self->{creat};
        undef;
 }
 
@@ -341,6 +340,8 @@ sub add_xapian ($$$$) {
        add_val($doc, PublicInbox::Search::YYYYMMDD(), $yyyymmdd);
        my $dt = strftime('%Y%m%d%H%M%S', @ds);
        add_val($doc, PublicInbox::Search::DT(), $dt);
+       add_val($doc, PublicInbox::Search::BYTES(), $smsg->{bytes});
+       add_val($doc, PublicInbox::Search::UID(), $smsg->{num});
 
        my $tg = term_generator($self);
        $tg->set_document($doc);
@@ -376,7 +377,7 @@ sub _msgmap_init ($) {
 
 sub add_message {
        # mime = PublicInbox::Eml or Email::MIME object
-       my ($self, $mime, $smsg) = @_;
+       my ($self, $mime, $smsg, $sync) = @_;
        my $hdr = $mime->header_obj;
        my $mids = mids_for_index($hdr);
        $smsg //= bless { blob => '' }, 'PublicInbox::Smsg'; # test-only compat
@@ -387,7 +388,8 @@ sub add_message {
        };
 
        # v1 and tests only:
-       $smsg->populate($hdr, $self);
+       $smsg->populate($hdr, $sync);
+       $smsg->{bytes} //= length($mime->as_string);
 
        eval {
                # order matters, overview stores every possible piece of
@@ -410,88 +412,32 @@ sub add_message {
        $smsg->{num};
 }
 
-# returns begin and end PostingIterator
-sub find_doc_ids {
-       my ($self, $termval) = @_;
-       my $db = $self->{xdb};
-
-       ($db->postlist_begin($termval), $db->postlist_end($termval));
-}
-
-# v1 only
-sub batch_do {
-       my ($self, $termval, $cb) = @_;
-       my $batch_size = 1000; # don't let @ids grow too large to avoid OOM
-       while (1) {
-               my ($head, $tail) = $self->find_doc_ids($termval);
-               return if $head == $tail;
-               my @ids;
-               for (; $head != $tail && @ids < $batch_size; $head++) {
-                       push @ids, $head->get_docid;
+sub xdb_remove {
+       my ($self, $oid, @removed) = @_;
+       my $xdb = $self->{xdb} or return;
+       for my $num (@removed) {
+               my $doc = eval { $xdb->get_document($num) };
+               unless ($doc) {
+                       warn "E: $@\n" if $@;
+                       warn "E: #$num $oid missing in Xapian\n";
+                       next;
                }
-               $cb->(\@ids);
-       }
-}
-
-# v1 only, where $mid is unique
-sub remove_message {
-       my ($self, $mid) = @_;
-       $mid = mid_clean($mid);
-
-       if (my $over = $self->{over}) {
-               my $nr = eval { $over->remove_oid(undef, $mid) };
-               if ($@) {
-                       warn "failed to remove <$mid> from overview: $@\n";
-               } elsif ($nr == 0) {
-                       warn "<$mid> missing for removal from overview\n";
+               my $smsg = bless {}, 'PublicInbox::Smsg';
+               $smsg->load_expand($doc);
+               my $blob = $smsg->{blob} // '(unset)';
+               if ($blob eq $oid) {
+                       $xdb->delete_document($num);
+               } else {
+                       warn "E: #$num $oid != $blob in Xapian\n";
                }
        }
-       return unless need_xapian($self);
-       my $db = $self->{xdb};
-       my $nr = 0;
-       eval {
-               batch_do($self, 'Q' . $mid, sub {
-                       my ($ids) = @_;
-                       $db->delete_document($_) for @$ids;
-                       $nr += scalar @$ids;
-               });
-       };
-       if ($@) {
-               warn "failed to remove <$mid> from Xapian: $@\n";
-       } elsif ($nr == 0) {
-               warn "<$mid> missing for removal from Xapian\n";
-       }
 }
 
-# MID is a hint in V2
 sub remove_by_oid {
-       my ($self, $oid, $mid) = @_;
-
-       $self->{over}->remove_oid($oid, $mid) if $self->{over};
-
-       return unless need_xapian($self);
-       my $db = $self->{xdb};
-
-       # XXX careful, we cannot use batch_do here since we conditionally
-       # delete documents based on other factors, so we cannot call
-       # find_doc_ids twice.
-       my ($head, $tail) = $self->find_doc_ids('Q' . $mid);
-       return if $head == $tail;
-
-       # there is only ONE element in @delete unless we
-       # have bugs in our v2writable deduplication check
-       my @delete;
-       for (; $head != $tail; $head++) {
-               my $docid = $head->get_docid;
-               my $doc = $db->get_document($docid);
-               my $smsg = bless { mid => $mid }, 'PublicInbox::Smsg';
-               $smsg->load_expand($doc);
-               if ($smsg->{blob} eq $oid) {
-                       push(@delete, $docid);
-               }
-       }
-       $db->delete_document($_) foreach @delete;
-       scalar(@delete);
+       my ($self, $oid, $num) = @_;
+       die "BUG: remove_by_oid is v2-only\n" if $self->{over};
+       $self->begin_txn_lazy;
+       xdb_remove($self, $oid, $num) if need_xapian($self);
 }
 
 sub index_git_blob_id {
@@ -504,10 +450,29 @@ sub index_git_blob_id {
        }
 }
 
-sub unindex_blob {
-       my ($self, $mime) = @_;
-       my $mid = eval { mid_mime($mime) };
-       $self->remove_message($mid) if defined $mid;
+# v1 only
+sub unindex_eml {
+       my ($self, $oid, $eml) = @_;
+       my $mids = mids($eml);
+       my $nr = 0;
+       my %tmp;
+       for my $mid (@$mids) {
+               my @removed = eval { $self->{over}->remove_oid($oid, $mid) };
+               if ($@) {
+                       warn "E: failed to remove <$mid> from overview: $@\n";
+               } else {
+                       $nr += scalar @removed;
+                       $tmp{$_}++ for @removed;
+               }
+       }
+       if (!$nr) {
+               $mids = join('> <', @$mids);
+               warn "W: <$mids> missing for removal from overview\n";
+       }
+       while (my ($num, $nr) = each %tmp) {
+               warn "BUG: $num appears >1 times ($nr) for $oid\n" if $nr != 1;
+       }
+       xdb_remove($self, $oid, keys %tmp) if need_xapian($self);
 }
 
 sub index_mm {
@@ -546,47 +511,50 @@ sub unindex_mm {
        $self->{mm}->mid_delete(mid_mime($mime));
 }
 
-sub index_both {
-       my ($self, $mime, $smsg) = @_;
-       my $num = index_mm($self, $mime);
-       $smsg->{num} = $num;
-       add_message($self, $mime, $smsg);
+# returns the number of bytes to add if given a non-CRLF arg
+sub crlf_adjust ($) {
+       if (index($_[0], "\r\n") < 0) {
+               # common case is LF-only, every \n needs an \r;
+               # so favor a cheap tr// over an expensive m//g
+               $_[0] =~ tr/\n/\n/;
+       } else { # count number of '\n' w/o '\r', expensive:
+               scalar(my @n = ($_[0] =~ m/(?<!\r)\n/g));
+       }
 }
 
-sub unindex_both {
-       my ($self, $mime) = @_;
-       unindex_blob($self, $mime);
-       unindex_mm($self, $mime);
+sub index_both { # git->cat_async callback
+       my ($bref, $oid, $type, $size, $sync) = @_;
+       my ($nr, $max) = @$sync{qw(nr max)};
+       ++$$nr;
+       $$max -= $size;
+       $size += crlf_adjust($$bref);
+       my $smsg = bless { bytes => $size, blob => $oid }, 'PublicInbox::Smsg';
+       my $self = $sync->{sidx};
+       my $eml = PublicInbox::Eml->new($bref);
+       my $num = index_mm($self, $eml);
+       $smsg->{num} = $num;
+       add_message($self, $eml, $smsg, $sync);
 }
 
-sub do_cat_mail {
-       my ($git, $blob, $sizeref) = @_;
-       my $str = $git->cat_file($blob, $sizeref) or
-               die "BUG: $blob not found in $git->{git_dir}";
-       PublicInbox::Eml->new($str);
+sub unindex_both { # git->cat_async callback
+       my ($bref, $oid, $type, $size, $self) = @_;
+       my $eml = PublicInbox::Eml->new($bref);
+       unindex_eml($self, $oid, $eml);
+       unindex_mm($self, $eml);
 }
 
 # called by public-inbox-index
 sub index_sync {
        my ($self, $opts) = @_;
        delete $self->{lock_path} if $opts->{-skip_lock};
-       $self->{-inbox}->with_umask(sub { $self->_index_sync($opts) })
-}
-
-sub batch_adjust ($$$$$) {
-       my ($max, $bytes, $batch_cb, $latest, $nr) = @_;
-       $$max -= $bytes;
-       if ($$max <= 0) {
-               $$max = $BATCH_BYTES;
-               $batch_cb->($nr, $latest);
-       }
+       $self->{ibx}->with_umask(\&_index_sync, $self, $opts);
 }
 
-sub too_big ($$$) {
-       my ($self, $git, $oid) = @_;
+sub too_big ($$) {
+       my ($self, $oid) = @_;
        my $max_size = $self->{index_max_size} or return;
-       my (undef, undef, $size) = $git->check($oid);
-       die "E: bad $oid in $git->{git_dir}\n" if !defined($size);
+       my (undef, undef, $size) = $self->{ibx}->git->check($oid);
+       die "E: bad $oid in $self->{ibx}->{inboxdir}\n" if !defined($size);
        return if $size <= $max_size;
        warn "W: skipping $oid ($size > $max_size)\n";
        1;
@@ -594,62 +562,65 @@ sub too_big ($$$) {
 
 # only for v1
 sub read_log {
-       my ($self, $log, $add_cb, $del_cb, $batch_cb) = @_;
+       my ($self, $log, $batch_cb) = @_;
        my $hex = '[a-f0-9]';
        my $h40 = $hex .'{40}';
        my $addmsg = qr!^:000000 100644 \S+ ($h40) A\t${hex}{2}/${hex}{38}$!;
        my $delmsg = qr!^:100644 000000 ($h40) \S+ D\t${hex}{2}/${hex}{38}$!;
-       my $git = $self->{git};
+       my $git = $self->{ibx}->git;
        my $latest;
-       my $bytes;
        my $max = $BATCH_BYTES;
        local $/ = "\n";
        my %D;
        my $line;
        my $newest;
        my $nr = 0;
+       my $sync = { sidx => $self, nr => \$nr, max => \$max };
        while (defined($line = <$log>)) {
                if ($line =~ /$addmsg/o) {
                        my $blob = $1;
                        if (delete $D{$blob}) {
+                               # make sure pending index writes are done
+                               # before writing to ->mm
+                               $git->cat_async_wait;
+
                                if (defined $self->{regen_down}) {
                                        my $num = $self->{regen_down}--;
                                        $self->{mm}->num_highwater($num);
                                }
                                next;
                        }
-                       next if too_big($self, $git, $blob);
-                       my $mime = do_cat_mail($git, $blob, \$bytes);
-                       my $smsg = bless {}, 'PublicInbox::Smsg';
-                       batch_adjust(\$max, $bytes, $batch_cb, $latest, ++$nr);
-                       $smsg->{blob} = $blob;
-                       $smsg->{bytes} = $bytes;
-                       $add_cb->($self, $mime, $smsg);
+                       next if too_big($self, $blob);
+                       $git->cat_async($blob, \&index_both, { %$sync });
+                       if ($max <= 0) {
+                               $git->cat_async_wait;
+                               $max = $BATCH_BYTES;
+                               $batch_cb->($nr, $latest);
+                       }
                } elsif ($line =~ /$delmsg/o) {
                        my $blob = $1;
-                       $D{$blob} = 1 unless too_big($self, $git, $blob);
+                       $D{$blob} = 1 unless too_big($self, $blob);
                } elsif ($line =~ /^commit ($h40)/o) {
                        $latest = $1;
                        $newest ||= $latest;
                } elsif ($line =~ /^author .*? ([0-9]+) [\-\+][0-9]+$/) {
-                       $self->{autime} = $1;
+                       $sync->{autime} = $1;
                } elsif ($line =~ /^committer .*? ([0-9]+) [\-\+][0-9]+$/) {
-                       $self->{cotime} = $1;
+                       $sync->{cotime} = $1;
                }
        }
        close($log) or die "git log failed: \$?=$?";
        # get the leftovers
        foreach my $blob (keys %D) {
-               my $mime = do_cat_mail($git, $blob, \$bytes);
-               $del_cb->($self, $mime);
+               $git->cat_async($blob, \&unindex_both, $self);
        }
-       delete @$self{qw(autime cotime)};
+       $git->cat_async_wait;
        $batch_cb->($nr, $latest, $newest);
 }
 
 sub _git_log {
        my ($self, $opts, $range) = @_;
-       my $git = $self->{git};
+       my $git = $self->{ibx}->git;
 
        if (index($range, '..') < 0) {
                # don't show annoying git errors to users who run -index
@@ -685,6 +656,7 @@ sub _git_log {
                } else {
                        # normal regen is for for fresh data
                        $self->{regen_down} = $fcount;
+                       $self->{regen_down} += $high unless $opts->{reindex};
                }
        } else {
                # Give oldest messages the smallest numbers
@@ -708,7 +680,7 @@ sub is_ancestor ($$$) {
 
 sub need_update ($$$) {
        my ($self, $cur, $new) = @_;
-       my $git = $self->{git};
+       my $git = $self->{ibx}->git;
        return 1 if $cur && !is_ancestor($git, $cur, $new);
        my $range = $cur eq '' ? $new : "$cur..$new";
        chomp(my $n = $git->qx(qw(rev-list --count), $range));
@@ -728,7 +700,7 @@ sub _last_x_commit {
                $lx = $lm;
        }
        # Use last_commit from msgmap if it is older or unset
-       if (!$lm || ($lx && $lm && is_ancestor($self->{git}, $lm, $lx))) {
+       if (!$lm || ($lx && $lm && is_ancestor($self->{ibx}->git, $lm, $lx))) {
                $lx = $lm;
        }
        $lx;
@@ -745,17 +717,15 @@ sub _index_sync {
        my ($self, $opts) = @_;
        my $tip = $opts->{ref} || 'HEAD';
        my ($last_commit, $lx, $xlog);
-       my $git = $self->{git};
+       my $git = $self->{ibx}->git;
        $git->batch_prepare;
        my $pr = $opts->{-progress};
 
        my $xdb = $self->begin_txn_lazy;
+       $self->{over}->rethread_prepare($opts);
        my $mm = _msgmap_init($self);
        do {
-               if ($xlog) {
-                       close($xlog) or die "git log failed: \$?=$?";
-                       $xlog = undef;
-               }
+               $xlog = undef; # stop previous git-log via SIGPIPE
                $last_commit = _last_x_commit($self, $mm);
                $lx = reindex_from($opts->{reindex}, $last_commit);
 
@@ -774,7 +744,7 @@ sub _index_sync {
        } while (_last_x_commit($self, $mm) ne $last_commit);
 
        my $dbh = $mm->{dbh} if $mm;
-       my $cb = sub {
+       my $batch_cb = sub {
                my ($nr, $commit, $newest) = @_;
                if ($dbh) {
                        if ($newest) {
@@ -791,19 +761,21 @@ sub _index_sync {
                                $xdb->set_metadata('last_commit', $newest);
                        }
                }
+
+               $self->{over}->rethread_done($opts) if $newest; # all done
                $self->commit_txn_lazy;
                $git->cleanup;
-               $xdb = _xdb_release($self);
-               # let another process do some work... <
+               $xdb = _xdb_release($self, $nr);
+               # let another process do some work...
                $pr->("indexed $nr/$self->{ntodo}\n") if $pr && $nr;
-               if (!$newest) {
+               if (!$newest) { # more to come
                        $xdb = $self->begin_txn_lazy;
                        $dbh->begin_work if $dbh;
                }
        };
 
        $dbh->begin_work;
-       read_log($self, $xlog, *index_both, *unindex_both, $cb);
+       read_log($self, $xlog, $batch_cb);
 }
 
 sub DESTROY {
@@ -837,27 +809,27 @@ sub remote_close {
 }
 
 sub remote_remove {
-       my ($self, $oid, $mid) = @_;
+       my ($self, $oid, $num) = @_;
        if (my $w = $self->{w}) {
                # triggers remove_by_oid in a shard
-               print $w "D $oid $mid\n" or die "failed to write remove $!";
+               print $w "D $oid $num\n" or die "failed to write remove $!";
        } else {
-               $self->begin_txn_lazy;
-               $self->remove_by_oid($oid, $mid);
+               $self->remove_by_oid($oid, $num);
        }
 }
 
-sub begin_txn_lazy {
+sub _begin_txn {
        my ($self) = @_;
-       return if $self->{txn};
+       my $xdb = $self->{xdb} || $self->_xdb_acquire;
+       $self->{over}->begin_lazy if $self->{over};
+       $xdb->begin_transaction if $xdb;
+       $self->{txn} = 1;
+       $xdb;
+}
 
-       $self->{-inbox}->with_umask(sub {
-               my $xdb = $self->{xdb} || $self->_xdb_acquire;
-               $self->{over}->begin_lazy if $self->{over};
-               $xdb->begin_transaction if $xdb;
-               $self->{txn} = 1;
-               $xdb;
-       });
+sub begin_txn_lazy {
+       my ($self) = @_;
+       $self->{ibx}->with_umask(\&_begin_txn, $self) if !$self->{txn};
 }
 
 # store 'indexlevel=medium' in v2 shard=0 and v1 (only one shard)
@@ -875,16 +847,19 @@ sub set_indexlevel {
        }
 }
 
+sub _commit_txn {
+       my ($self) = @_;
+       if (my $xdb = $self->{xdb}) {
+               set_indexlevel($self);
+               $xdb->commit_transaction;
+       }
+       $self->{over}->commit_lazy if $self->{over};
+}
+
 sub commit_txn_lazy {
        my ($self) = @_;
-       delete $self->{txn} or return;
-       $self->{-inbox}->with_umask(sub {
-               if (my $xdb = $self->{xdb}) {
-                       set_indexlevel($self);
-                       $xdb->commit_transaction;
-               }
-               $self->{over}->commit_lazy if $self->{over};
-       });
+       delete($self->{txn}) and
+               $self->{ibx}->with_umask(\&_commit_txn, $self);
 }
 
 sub worker_done {