]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/V2Writable.pm
v2writable: DEBUG_DIFF respects $TMPDIR
[public-inbox.git] / lib / PublicInbox / V2Writable.pm
index 656f0693a261f7dd92800557fd2f9c1ae30e2409..20c27363c3bb55290ef8a1b6c98144f0621e4f4d 100644 (file)
@@ -5,7 +5,7 @@
 package PublicInbox::V2Writable;
 use strict;
 use warnings;
-use Fcntl qw(:flock :DEFAULT);
+use base qw(PublicInbox::Lock);
 use PublicInbox::SearchIdxPart;
 use PublicInbox::SearchIdxSkeleton;
 use PublicInbox::MIME;
@@ -56,11 +56,21 @@ sub new {
                xap_rw => undef, # PublicInbox::V2SearchIdx
                xap_ro => undef,
                partitions => $nparts,
+               parallel => 1,
                transact_bytes => 0,
+               lock_path => "$dir/inbox.lock",
                # limit each repo to 1GB or so
                rotate_bytes => int((1024 * 1024 * 1024) / $PACKING_FACTOR),
        };
-       bless $self, $class
+       bless $self, $class;
+}
+
+sub init_inbox {
+       my ($self, $parallel) = @_;
+       $self->{parallel} = $parallel;
+       $self->idx_init;
+       $self->git_init(0);
+       $self->done;
 }
 
 # returns undef on duplicate or spam
@@ -92,7 +102,7 @@ sub add {
        my $nparts = $self->{partitions};
        my $part = $num % $nparts;
        my $idx = $self->idx_part($part);
-       $idx->index_raw($len, $msgref, $num, $oid, $mid0);
+       $idx->index_raw($len, $msgref, $num, $oid, $mid0, $mime);
        my $n = $self->{transact_bytes} += $len;
        if ($n > (PublicInbox::SearchIdx::BATCH_BYTES * $nparts)) {
                $self->checkpoint;
@@ -117,10 +127,10 @@ sub num_for {
                foreach my $m (@$mids) {
                        # read-only lookup now safe to do after above barrier
                        my $existing = $self->lookup_content($mime, $m);
-                       if ($existing) {
-                               warn "<$m> resent\n";
-                               return; # easy, don't store duplicates
-                       }
+                       # easy, don't store duplicates
+                       # note: do not add more diagnostic info here since
+                       # it gets noisy on public-inbox-watch restarts
+                       return if $existing;
                }
 
                # very unlikely:
@@ -146,19 +156,19 @@ sub num_for_harder {
 
        my $hdr = $mime->header_obj;
        my $dig = content_digest($mime);
-       $$mid0 = $dig->clone->hexdigest . '@localhost';
+       $$mid0 = PublicInbox::Import::digest2mid($dig);
        my $num = $self->{skel}->{mm}->mid_insert($$mid0);
        unless (defined $num) {
                # it's hard to spoof the last Received: header
                my @recvd = $hdr->header_raw('Received');
                $dig->add("Received: $_") foreach (@recvd);
-               $$mid0 = $dig->clone->hexdigest . '@localhost';
+               $$mid0 = PublicInbox::Import::digest2mid($dig);
                $num = $self->{skel}->{mm}->mid_insert($$mid0);
 
                # fall back to a random Message-ID and give up determinism:
                until (defined($num)) {
                        $dig->add(rand);
-                       $$mid0 = $dig->clone->hexdigest . '@localhost';
+                       $$mid0 = PublicInbox::Import::digest2mid($dig);
                        warn "using random Message-ID <$$mid0> as fallback\n";
                        $num = $self->{skel}->{mm}->mid_insert($$mid0);
                }
@@ -184,6 +194,8 @@ sub idx_init {
        # frequently activated.
        delete $ibx->{$_} foreach (qw(git mm search));
 
+       $self->lock_acquire;
+
        # first time initialization, first we create the skeleton pipe:
        my $skel = $self->{skel} = PublicInbox::SearchIdxSkeleton->new($self);
 
@@ -211,6 +223,12 @@ sub remove {
        my $mm = $skel->{mm};
        my $removed;
        my $mids = mids($mime->header_obj);
+
+       # We avoid introducing new blobs into git since the raw content
+       # can be slightly different, so we do not need the user-supplied
+       # message now that we have the mids and content_id
+       $mime = undef;
+
        foreach my $mid (@$mids) {
                $srch->reopen->each_smsg_by_mid($mid, sub {
                        my ($smsg) = @_;
@@ -220,6 +238,7 @@ sub remove {
                                warn "broken smsg for $mid\n";
                                return 1; # continue
                        }
+                       my $orig = $$msg;
                        my $cur = PublicInbox::MIME->new($msg);
                        if (content_id($cur) eq $cid) {
                                $mm->num_delete($smsg->num);
@@ -227,7 +246,8 @@ sub remove {
                                # no bugs in our deduplication code:
                                $removed = $smsg;
                                $removed->{mime} = $cur;
-                               $im->remove($cur, $cmt_msg);
+                               $im->remove(\$orig, $cmt_msg);
+                               $orig = undef;
                                $removed->num; # memoize this for callers
 
                                my $oid = $smsg->{blob};
@@ -244,9 +264,11 @@ sub remove {
 
 sub done {
        my ($self) = @_;
+       my $locked = defined $self->{idx_parts};
        my $im = delete $self->{im};
        $im->done if $im; # PublicInbox::Import::done
        $self->searchidx_checkpoint(0);
+       $self->lock_release if $locked;
 }
 
 sub checkpoint {
@@ -261,13 +283,8 @@ sub checkpoint {
 sub barrier {
        my ($self) = @_;
 
-       # For safety, we ensure git checkpoint is complete before because
-       # the data in git is still more important than what is in Xapian.
-       # Performance may be gained by delaying ->progress call but we
-       # lose safety
        if (my $im = $self->{im}) {
-               $im->checkpoint;
-               $im->progress('checkpoint');
+               $im->barrier;
        }
        my $skel = $self->{skel};
        my $parts = $self->{idx_parts};
@@ -278,7 +295,7 @@ sub barrier {
                # Now deal with Xapian
                $skel->barrier_init(scalar(@$parts));
                # each partition needs to issue a barrier command to skel:
-               $_->barrier foreach @$parts;
+               $_->remote_barrier foreach @$parts;
 
                $skel->barrier_wait; # wait for each Xapian partition
 
@@ -348,6 +365,23 @@ sub git_init {
        $git_dir
 }
 
+sub git_dir_latest {
+       my ($self, $max) = @_;
+       $$max = -1;
+       my $pfx = "$self->{-inbox}->{mainrepo}/git";
+       return unless -d $pfx;
+       my $latest;
+       opendir my $dh, $pfx or die "opendir $pfx: $!\n";
+       while (defined(my $git_dir = readdir($dh))) {
+               $git_dir =~ m!\A(\d+)\.git\z! or next;
+               if ($1 > $$max) {
+                       $$max = $1;
+                       $latest = "$pfx/$git_dir";
+               }
+       }
+       $latest;
+}
+
 sub importer {
        my ($self) = @_;
        my $im = $self->{im};
@@ -364,20 +398,9 @@ sub importer {
                        return $self->import_init($git, 0);
                }
        }
-       my $latest;
-       my $max = -1;
        my $new = 0;
-       my $pfx = "$self->{-inbox}->{mainrepo}/git";
-       if (-d $pfx) {
-               foreach my $git_dir (glob("$pfx/*.git")) {
-                       $git_dir =~ m!/(\d+)\.git\z! or next;
-                       my $n = $1;
-                       if ($n > $max) {
-                               $max = $n;
-                               $latest = $git_dir;
-                       }
-               }
-       }
+       my $max;
+       my $latest = git_dir_latest($self, \$max);
        if (defined $latest) {
                my $git = PublicInbox::Git->new($latest);
                my $packed_bytes = $git->packed_bytes;
@@ -398,11 +421,32 @@ sub import_init {
        my $im = PublicInbox::Import->new($git, undef, undef, $self->{-inbox});
        $im->{bytes_added} = int($packed_bytes / $PACKING_FACTOR);
        $im->{want_object_info} = 1;
-       $im->{ssoma_lock} = 0;
+       $im->{lock_path} = undef;
        $im->{path_type} = 'v2';
        $self->{im} = $im;
 }
 
+# XXX experimental
+sub diff ($$$) {
+       my ($mid, $cur, $new) = @_;
+       use File::Temp qw(tempfile);
+       use PublicInbox::Spawn qw(spawn);
+
+       my ($ah, $an) = tempfile('email-cur-XXXXXXXX', TMPDIR => 1);
+       print $ah $cur->as_string or die "print: $!";
+       close $ah or die "close: $!";
+       my ($bh, $bn) = tempfile('email-new-XXXXXXXX', TMPDIR => 1);
+       PublicInbox::Import::drop_unwanted_headers($new);
+       print $bh $new->as_string or die "print: $!";
+       close $bh or die "close: $!";
+       my $cmd = [ qw(diff -u), $an, $bn ];
+       print STDERR "# MID conflict <$mid>\n";
+       my $pid = spawn($cmd, undef, { 1 => 2 });
+       defined $pid or die "diff failed to spawn $!";
+       waitpid($pid, 0) == $pid or die "diff did not finish";
+       unlink($an, $bn);
+}
+
 sub lookup_content {
        my ($self, $mime, $mid) = @_;
        my $ibx = $self->{-inbox};
@@ -424,6 +468,10 @@ sub lookup_content {
                        $found = $smsg;
                        return 0; # break out of loop
                }
+
+               # XXX DEBUG_DIFF is experimental and may be removed
+               diff($mid, $cur, $mime) if $ENV{DEBUG_DIFF};
+
                1; # continue
        });
        $found;
@@ -431,6 +479,8 @@ sub lookup_content {
 
 sub atfork_child {
        my ($self) = @_;
+       my $fh = delete $self->{reindex_pipe};
+       close $fh if $fh;
        if (my $parts = $self->{idx_parts}) {
                $_->atfork_child foreach @$parts;
        }
@@ -439,4 +489,151 @@ sub atfork_child {
        }
 }
 
+sub mark_deleted {
+       my ($self, $D, $git, $oid) = @_;
+       my $msgref = $git->cat_file($oid);
+       my $mime = PublicInbox::MIME->new($$msgref);
+       my $mids = mids($mime->header_obj);
+       my $cid = content_id($mime);
+       foreach my $mid (@$mids) {
+               $D->{$mid.$cid} = 1;
+       }
+}
+
+sub reindex_oid {
+       my ($self, $mm_tmp, $D, $git, $oid, $regen) = @_;
+       my $len;
+       my $msgref = $git->cat_file($oid, \$len);
+       my $mime = PublicInbox::MIME->new($$msgref);
+       my $mids = mids($mime->header_obj);
+       my $cid = content_id($mime);
+
+       # get the NNTP article number we used before, highest number wins
+       # and gets deleted from mm_tmp;
+       my $mid0;
+       my $num = -1;
+       my $del = 0;
+       foreach my $mid (@$mids) {
+               $del += (delete $D->{$mid.$cid} || 0);
+               my $n = $mm_tmp->num_for($mid);
+               if (defined $n && $n > $num) {
+                       $mid0 = $mid;
+                       $num = $n;
+               }
+       }
+       if (!defined($mid0) && $regen && !$del) {
+               $num = $$regen--;
+               die "BUG: ran out of article numbers\n" if $num <= 0;
+               my $mm = $self->{skel}->{mm};
+               foreach my $mid (@$mids) {
+                       if ($mm->mid_set($num, $mid) == 1) {
+                               $mid0 = $mid;
+                               last;
+                       }
+               }
+               if (!defined($mid0)) {
+                       my $id = '<' . join('> <', @$mids) . '>';
+                       warn "Message-Id $id unusable for $num\n";
+               }
+       }
+
+       if (!defined($mid0) || $del) {
+               if (!defined($mid0) && $del) { # expected for deletes
+                       $$regen--;
+                       return
+               }
+
+               my $id = '<' . join('> <', @$mids) . '>';
+               defined($mid0) or
+                       warn "Skipping $id, no article number found\n";
+               if ($del && defined($mid0)) {
+                       warn "$id was deleted $del " .
+                               "time(s) but mapped to article #$num\n";
+               }
+               return;
+
+       }
+       $mm_tmp->mid_delete($mid0) or
+               die "failed to delete <$mid0> for article #$num\n";
+
+       my $nparts = $self->{partitions};
+       my $part = $num % $nparts;
+       my $idx = $self->idx_part($part);
+       $idx->index_raw($len, $msgref, $num, $oid, $mid0, $mime);
+       my $n = $self->{transact_bytes} += $len;
+       if ($n > (PublicInbox::SearchIdx::BATCH_BYTES * $nparts)) {
+               $git->cleanup;
+               $mm_tmp->atfork_prepare;
+               $self->done; # release lock
+               # allow -watch or -mda to write...
+               $self->idx_init; # reacquire lock
+               $mm_tmp->atfork_parent;
+       }
+}
+
+sub reindex {
+       my ($self, $regen) = @_;
+       my $ibx = $self->{-inbox};
+       my $pfx = "$ibx->{mainrepo}/git";
+       my $max_git;
+       my $latest = git_dir_latest($self, \$max_git);
+       return unless defined $latest;
+       my $head = $ibx->{ref_head} || 'refs/heads/master';
+       $self->idx_init; # acquire lock
+       my $x40 = qr/[a-f0-9]{40}/;
+       my $mm_tmp = $self->{skel}->{mm}->tmp_clone;
+       if (!$regen) {
+               my (undef, $max) = $mm_tmp->minmax;
+               unless (defined $max) {
+                       $regen = 1;
+                       warn
+"empty msgmap.sqlite3, regenerating article numbers\n";
+               }
+       }
+       my $tip; # latest commit out of all git repos
+       if ($regen) {
+               my $regen_max = 0;
+               for (my $cur = $max_git; $cur >= 0; $cur--) {
+                       die "already reindexing!\n" if $self->{reindex_pipe};
+                       my $git = PublicInbox::Git->new("$pfx/$cur.git");
+                       chomp($tip = $git->qx('rev-parse', $head)) unless $tip;
+                       my $h = $cur == $max_git ? $tip : $head;
+                       my @count = ('rev-list', '--count', $h, '--', 'm');
+                       $regen_max += $git->qx(@count);
+               }
+               die "No messages found in $pfx/*.git, bug?\n" unless $regen_max;
+               $regen = \$regen_max;
+       }
+       my $D = {};
+       my @cmd = qw(log --raw -r --pretty=tformat:%h
+                       --no-notes --no-color --no-abbrev);
+
+       # if we are regenerating, we must not use a newer tip commit than what
+       # the regeneration counter used:
+       $tip ||= $head;
+
+       # work backwards through history
+       for (my $cur = $max_git; $cur >= 0; $cur--) {
+               die "already reindexing!\n" if delete $self->{reindex_pipe};
+               my $cmt;
+               my $git_dir = "$pfx/$cur.git";
+               my $git = PublicInbox::Git->new($git_dir);
+               my $h = $cur == $max_git ? $tip : $head;
+               my $fh = $self->{reindex_pipe} = $git->popen(@cmd, $h);
+               while (<$fh>) {
+                       if (/\A$x40$/o) {
+                               chomp($cmt = $_);
+                       } elsif (/\A:\d{6} 100644 $x40 ($x40) [AM]\tm$/o) {
+                               $self->reindex_oid($mm_tmp, $D, $git, $1,
+                                               $regen);
+                       } elsif (m!\A:\d{6} 100644 $x40 ($x40) [AM]\t_/D$!o) {
+                               $self->mark_deleted($D, $git, $1);
+                       }
+               }
+               delete $self->{reindex_pipe};
+       }
+       my ($min, $max) = $mm_tmp->minmax;
+       defined $max and die "leftover article numbers at $min..$max\n";
+}
+
 1;