]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/Search.pm
update copyright headers and email addresses
[public-inbox.git] / lib / PublicInbox / Search.pm
index fe4984e5ef2f2def8718912389530f224ee60ebc..2b33b395e6340544fc0fa1ff142e9587f89235e1 100644 (file)
@@ -1,45 +1,54 @@
-# Copyright (C) 2015, all contributors <meta@public-inbox.org>
+# Copyright (C) 2015 all contributors <meta@public-inbox.org>
 # License: AGPLv3 or later (https://www.gnu.org/licenses/agpl-3.0.txt)
 # based on notmuch, but with no concept of folders, files or flags
 package PublicInbox::Search;
 use strict;
 use warnings;
-use PublicInbox::SearchMsg;
-use base qw/Exporter/;
-use Digest::SHA qw//;
+use constant TS => 0;
 use Search::Xapian qw/:standard/;
-require PublicInbox::View;
-use Date::Parse qw/str2time/;
-use POSIX qw//;
+use PublicInbox::SearchMsg;
 use Email::MIME;
+use PublicInbox::MID qw/mid_clean mid_compress/;
 
-our @EXPORT = qw/xpfx mid_compressed/;
+# This is English-only, everything else is non-standard and may be confused as
+# a prefix common in patch emails
+our $REPLY_RE = qr/^re:\s+/i;
+our $LANG = 'english';
 
 use constant {
-       TS => 0,
-       SHA1HEX_LEN => 40,
-       SCHEMA_VERSION => 0,
-       LANG => 'english',
+       # SCHEMA_VERSION history
+       # 0 - initial
+       # 1 - subject_path is lower-cased
+       # 2 - subject_path is mid_compress in the index, only
+       # 3 - message-ID is compressed if it includes '%' (hack!)
+       # 4 - change "Re: " normalization, avoid circular Reference ghosts
+       # 5 - subject_path drops trailing '.'
+       # 6 - preserve References: order in document data
+       # 7 - remove references and inreplyto terms
+       # 8 - remove redundant/unneeded document data
+       # 9 - disable Message-ID compression
+       SCHEMA_VERSION => 9,
+
+       # n.b. FLAG_PURE_NOT is expensive not suitable for a public website
+       # as it could become a denial-of-service vector
        QP_FLAGS => FLAG_PHRASE|FLAG_BOOLEAN|FLAG_LOVEHATE|FLAG_WILDCARD,
 };
 
-use constant MID_MAX => SHA1HEX_LEN;
-
 # setup prefixes
 my %bool_pfx_internal = (
        type => 'T', # "mail" or "ghost"
-       mid => 'Q', # uniQue id (Message-ID or mid_compressed)
+       thread => 'G', # newsGroup (or similar entity - e.g. a web forum name)
 );
 
 my %bool_pfx_external = (
        path => 'XPATH',
-       thread => 'G', # newsGroup (or similar entity - e.g. a web forum name)
-       references => 'XREFS',
-       inreplyto => 'XIRT',
+       mid => 'Q', # uniQue id (Message-ID)
 );
 
 my %prob_prefix = (
        subject => 'S',
+       s => 'S', # for mairix compatibility
+       m => 'Q', # 'mid' is exact, 'm' can do partial
 );
 
 my %all_pfx = (%bool_pfx_internal, %bool_pfx_external, %prob_prefix);
@@ -47,221 +56,57 @@ my %all_pfx = (%bool_pfx_internal, %bool_pfx_external, %prob_prefix);
 sub xpfx { $all_pfx{$_[0]} }
 
 our %PFX2TERM_RMAP;
+my %meta_pfx = (mid => 1, thread => 1, path => 1);
 while (my ($k, $v) = each %all_pfx) {
-       next if $prob_prefix{$k};
-       $PFX2TERM_RMAP{$v} = $k;
+       $PFX2TERM_RMAP{$v} = $k if $meta_pfx{$k};
 }
 
 my $mail_query = Search::Xapian::Query->new(xpfx('type') . 'mail');
 
-# this is idempotent
-sub mid_compressed {
-       my ($mid) = @_;
-       return $mid if (length($mid) <= MID_MAX);
-       Digest::SHA::sha1_hex($mid);
+sub xdir {
+       my (undef, $git_dir) = @_;
+       "$git_dir/public-inbox/xapian" . SCHEMA_VERSION;
 }
 
 sub new {
-       my ($class, $git_dir, $writable) = @_;
-       # allow concurrent versions for easier rollback:
-       my $dir = "$git_dir/public-inbox/xapian" . SCHEMA_VERSION;
-       my $db;
-
-       if ($writable) { # not used by the WWW interface
-               require Search::Xapian::WritableDatabase;
-               require File::Path;
-               File::Path::mkpath($dir);
-               $db = Search::Xapian::WritableDatabase->new($dir,
-                                       Search::Xapian::DB_CREATE_OR_OPEN);
-       } else {
-               $db = Search::Xapian::Database->new($dir);
-       }
+       my ($class, $git_dir) = @_;
+       my $dir = $class->xdir($git_dir);
+       my $db = Search::Xapian::Database->new($dir);
        bless { xdb => $db, git_dir => $git_dir }, $class;
 }
 
 sub reopen { $_[0]->{xdb}->reopen }
 
-sub add_message {
-       my ($self, $mime) = @_; # mime = Email::MIME object
-       my $db = $self->{xdb};
-
-       my $doc_id;
-       my $mid = clean_mid($mime->header('Message-ID'));
-       $mid = mid_compressed($mid);
-       my $was_ghost = 0;
-       my $ct_msg = $mime->header('Content-Type') || 'text/plain';
-       my $enc_msg = PublicInbox::View::enc_for($ct_msg);
-
-       $db->begin_transaction;
-       eval {
-               my $smsg = $self->lookup_message($mid);
-               my $doc;
-
-               if ($smsg) {
-                       $smsg->ensure_metadata;
-                       # convert a ghost to a regular message
-                       # it will also clobber any existing regular message
-                       $smsg->mime($mime);
-                       $doc = $smsg->{doc};
-
-                       my $type = xpfx('type');
-                       eval {
-                               $doc->remove_term($type . 'ghost');
-                               $was_ghost = 1;
-                       };
-
-                       # probably does not exist:
-                       eval { $doc->remove_term($type . 'mail') };
-                       $doc->add_term($type . 'mail');
-               }  else {
-                       $smsg = PublicInbox::SearchMsg->new($mime);
-                       $doc = $smsg->{doc};
-                       $doc->add_term(xpfx('mid') . $mid);
-               }
-
-               my $subj = $mime->header('Subject');
-               $subj = '' unless defined $subj;
-
-               if (length $subj) {
-                       $doc->add_term(xpfx('subject') . $subj);
-
-                       my $path = subject_path($subj);
-                       $doc->add_term(xpfx('path') . $path);
-               }
-
-               my $from = $mime->header('From') || '';
-               my @from;
-
-               if ($from) {
-                       @from = Email::Address->parse($from);
-                       $from = $from[0]->name;
-               }
-
-               my $ts = eval { str2time($mime->header('Date')) } || 0;
-               my $date = POSIX::strftime('%Y-%m-%d %H:%M', gmtime($ts));
-               $ts = Search::Xapian::sortable_serialise($ts);
-               $doc->add_value(PublicInbox::Search::TS, $ts);
-
-               # this is what we show in index results:
-               $subj =~ tr/\n/ /;
-               $from =~ tr/\n/ /;
-               $doc->set_data("$mid\n$subj\n$from\n$date");
-
-               my $tg = $self->term_generator;
-
-               $tg->set_document($doc);
-               $tg->index_text($subj, 1, 'S') if $subj;
-               $tg->increase_termpos;
-               $tg->index_text($subj) if $subj;
-               $tg->increase_termpos;
-
-               if (@from) {
-                       $tg->index_text($from[0]->format);
-                       $tg->increase_termpos;
-               }
-
-               $mime->walk_parts(sub {
-                       my ($part) = @_;
-                       return if $part->subparts; # walk_parts already recurses
-                       my $ct = $part->content_type || $ct_msg;
-
-                       # account for filter bugs...
-                       $ct =~ m!\btext/plain\b!i or return;
-
-                       my $enc = PublicInbox::View::enc_for($ct, $enc_msg);
-                       my (@orig, @quot);
-                       foreach my $l (split(/\n/, $enc->decode($part->body))) {
-                               if ($l =~ /^\s*>/) {
-                                       push @quot, $l;
-                               } else {
-                                       push @orig, $l;
-                               }
-                       }
-                       if (@quot) {
-                               $tg->index_text(join("\n", @quot), 0);
-                               $tg->increase_termpos;
-                       }
-                       if (@orig) {
-                               $tg->index_text(join("\n", @orig));
-                               $tg->increase_termpos;
-                       }
-               });
-
-               if ($was_ghost) {
-                       $doc_id = $smsg->doc_id;
-                       $self->link_message($smsg, 0);
-                       $db->replace_document($doc_id, $doc);
-               } else {
-                       $self->link_message($smsg, 0);
-                       $doc_id = $db->add_document($doc);
-               }
-       };
-
-       if ($@) {
-               warn "failed to index message <$mid>: $@\n";
-               $db->cancel_transaction;
-       } else {
-               $db->commit_transaction;
-       }
-       $doc_id;
-}
-
-# returns deleted doc_id on success, undef on missing
-sub remove_message {
-       my ($self, $mid) = @_;
-       my $db = $self->{xdb};
-       my $doc_id;
-       $mid = clean_mid($mid);
-       $mid = mid_compressed($mid);
-
-       $db->begin_transaction;
-       eval {
-               $doc_id = $self->find_unique_doc_id('mid', $mid);
-               $db->delete_document($doc_id) if defined $doc_id;
-       };
-
-       if ($@) {
-               warn "failed to remove message <$mid>: $@\n";
-               $db->cancel_transaction;
-       } else {
-               $db->commit_transaction;
-       }
-       $db->commit;
-       $doc_id;
-}
-
 # read-only
 sub query {
        my ($self, $query_string, $opts) = @_;
-       my $query = $self->qp->parse_query($query_string, QP_FLAGS);
+       my $query;
+
+       $opts ||= {};
+       unless ($query_string eq '') {
+               $query = $self->qp->parse_query($query_string, QP_FLAGS);
+               $opts->{relevance} = 1 unless exists $opts->{relevance};
+       }
 
-       $query = Search::Xapian::Query->new(OP_AND, $mail_query, $query);
        $self->do_enquire($query, $opts);
 }
 
-# given a message ID, get replies to a message
-sub get_replies {
-       my ($self, $mid, $opts) = @_;
-       $mid = clean_mid($mid);
-       $mid = mid_compressed($mid);
-       my $qp = $self->qp;
-       my $irt = $qp->parse_query("inreplyto:$mid", 0);
-       my $ref = $qp->parse_query("references:$mid", 0);
-       my $query = Search::Xapian::Query->new(OP_OR, $irt, $ref);
-
-       $self->do_enquire($query);
+sub get_subject_path {
+       my ($self, $path, $opts) = @_;
+       my $q = Search::Xapian::Query->new(xpfx("path").mid_compress($path));
+       $self->do_enquire($q, $opts);
 }
 
 sub get_thread {
        my ($self, $mid, $opts) = @_;
        my $smsg = eval { $self->lookup_message($mid) };
 
-       return { count => 0, msgs => [] } unless $smsg;
-       my $qp = $self->qp;
-       my $qtid = $qp->parse_query('thread:'.$smsg->thread_id);
-       my $qsub = $qp->parse_query('path:'.$smsg->path);
+       return { total => 0, msgs => [] } unless $smsg;
+       my $qtid = Search::Xapian::Query->new(xpfx('thread').$smsg->thread_id);
+       my $path = mid_compress($smsg->path);
+       my $qsub = Search::Xapian::Query->new(xpfx('path').$path);
        my $query = Search::Xapian::Query->new(OP_OR, $qtid, $qsub);
-       $self->do_enquire($query);
+       $self->do_enquire($query, $opts);
 }
 
 # private subs below
@@ -269,20 +114,31 @@ sub get_thread {
 sub do_enquire {
        my ($self, $query, $opts) = @_;
        my $enquire = $self->enquire;
-
+       if (defined $query) {
+               $query = Search::Xapian::Query->new(OP_AND,$query,$mail_query);
+       } else {
+               $query = $mail_query;
+       }
        $enquire->set_query($query);
-       $enquire->set_sort_by_relevance_then_value(TS, 0);
+       if ($opts->{relevance}) {
+               $enquire->set_sort_by_relevance_then_value(TS, 1);
+       } else {
+               $enquire->set_sort_by_value_then_relevance(TS, 1);
+       }
        $opts ||= {};
        my $offset = $opts->{offset} || 0;
        my $limit = $opts->{limit} || 50;
        my $mset = $enquire->get_mset($offset, $limit);
-       my @msgs = map { $_->get_document->get_data } $mset->items;
+       return $mset if $opts->{mset};
+       my @msgs = map {
+               PublicInbox::SearchMsg->load_doc($_->get_document);
+       } $mset->items;
 
-       { count => $mset->get_matches_estimated, msgs => \@msgs }
+       { total => $mset->get_matches_estimated, msgs => \@msgs }
 }
 
 # read-write
-sub stemmer { Search::Xapian::Stem->new(LANG) }
+sub stemmer { Search::Xapian::Stem->new($LANG) }
 
 # read-only
 sub qp {
@@ -311,32 +167,6 @@ sub qp {
        $self->{query_parser} = $qp;
 }
 
-sub term_generator { # write-only
-       my ($self) = @_;
-
-       my $tg = $self->{term_generator};
-       return $tg if $tg;
-
-       $tg = Search::Xapian::TermGenerator->new;
-       $tg->set_stemmer($self->stemmer);
-
-       $self->{term_generator} = $tg;
-}
-
-sub next_doc_id { $_[0]->{xdb}->get_lastdocid + 1 }
-
-# increments last_thread_id counter
-# returns a 64-bit integer represented as a hex string
-sub next_thread_id {
-       my ($self) = @_;
-       my $db = $self->{xdb};
-       my $last_thread_id = int($db->get_metadata('last_thread_id') || 0);
-
-       $db->set_metadata('last_thread_id', ++$last_thread_id);
-
-       $last_thread_id;
-}
-
 sub ts_range_processor {
        $_[0]->{tsrp} ||= Search::Xapian::NumberValueRangeProcessor->new(TS);
 }
@@ -345,74 +175,9 @@ sub date_range_processor {
        $_[0]->{drp} ||= Search::Xapian::DateValueRangeProcessor->new(TS);
 }
 
-sub clean_mid {
-       my ($mid) = @_;
-       defined($mid) or die "no Message-ID";
-       # MDA->precheck did more checking for us
-       $mid =~ s/\A\s*<?//;
-       $mid =~ s/>?\s*\z//;
-       $mid;
-}
-
-sub link_message {
-       my ($self, $smsg, $is_ghost) = @_;
-
-       if ($is_ghost) {
-               $smsg->ensure_metadata;
-       } else {
-               $self->link_message_to_parents($smsg);
-       }
-}
-
-sub link_message_to_parents {
-       my ($self, $smsg) = @_;
-       my $doc = $smsg->{doc};
-       my $mid = mid_compressed($smsg->mid);
-       my $mime = $smsg->mime;
-       my $refs = $mime->header('References');
-       my @refs = $refs ? ($refs =~ /<([^>]+)>/g) : ();
-       my $irt = $mime->header('In-Reply-To');
-       if ($irt) {
-               if ($irt =~ /<([^>]+)>/) {
-                       $irt = $1;
-               }
-               push @refs, $irt;
-       }
-
-       my $tid;
-       if (@refs) {
-               @refs = map { mid_compressed($_) } @refs;
-               my %uniq;
-               @refs = grep { !$uniq{$_}++ } @refs; # uniq
-
-               $doc->add_term(xpfx('inreplyto') . $refs[-1]);
-
-               my $ref_pfx = xpfx('references');
-
-               # first ref *should* be the thread root,
-               # but we can never trust clients to do the right thing
-               my $ref = shift @refs;
-               $doc->add_term($ref_pfx . $ref);
-               $tid = $self->_resolve_mid_to_tid($ref);
-
-               # the rest of the refs should point to this tid:
-               foreach $ref (@refs) {
-                       $doc->add_term($ref_pfx . $ref);
-                       my $ptid = $self->_resolve_mid_to_tid($ref);
-                       if ($tid ne $ptid) {
-                               $self->merge_threads($tid, $ptid);
-                       }
-               }
-       } else {
-               $tid = $self->next_thread_id;
-       }
-       $doc->add_term(xpfx('thread') . $tid);
-}
-
 sub lookup_message {
        my ($self, $mid) = @_;
-       $mid = clean_mid($mid);
-       $mid = mid_compressed($mid);
+       $mid = mid_clean($mid);
 
        my $doc_id = $self->find_unique_doc_id('mid', $mid);
        my $smsg;
@@ -455,80 +220,48 @@ sub find_doc_ids_for_term {
        ($db->postlist_begin($term), $db->postlist_end($term));
 }
 
-# this will create a ghost as necessary
-sub _resolve_mid_to_tid {
-       my ($self, $mid) = @_;
-
-       my $smsg = $self->lookup_message($mid) || $self->create_ghost($mid);
-       $smsg->thread_id;
-}
-
-sub create_ghost {
-       my ($self, $mid, $tid) = @_;
-
-       $mid = mid_compressed($mid);
-       $tid = $self->next_thread_id unless defined $tid;
-
-       my $doc = Search::Xapian::Document->new;
-       $doc->add_term(xpfx('mid') . $mid);
-       $doc->add_term(xpfx('thread') . $tid);
-       $doc->add_term(xpfx('type') . 'ghost');
-
-       my $smsg = PublicInbox::SearchMsg->wrap($doc, $mid);
-       $self->link_message($smsg, 1);
-       $self->{xdb}->add_document($doc);
-
-       $smsg;
-}
-
-sub merge_threads {
-       my ($self, $winner_tid, $loser_tid) = @_;
-       my ($head, $tail) = $self->find_doc_ids('thread', $loser_tid);
-       my $thread_pfx = xpfx('thread');
-       my $db = $self->{xdb};
-
-       for (; $head != $tail; $head->inc) {
-               my $docid = $head->get_docid;
-               my $doc = $db->get_document($docid);
-               $doc->remove_term($thread_pfx . $loser_tid);
-               $doc->add_term($thread_pfx . $winner_tid);
-               $db->replace_document($docid, $doc);
-       }
-}
-
 # normalize subjects so they are suitable as pathnames for URLs
 sub subject_path {
-       my ($subj) = @_;
-
-       $subj =~ s/\A\s+//;
-       $subj =~ s/\s+\z//;
-       $subj =~ s/^(?:re|aw):\s*//i; # remove reply prefix (aw: German)
+       my $subj = pop;
+       $subj = subject_normalized($subj);
        $subj =~ s![^a-zA-Z0-9_\.~/\-]+!_!g;
-       $subj;
-}
-
-sub do_cat_mail {
-       my ($git, $blob) = @_;
-       my $mime = eval {
-               my $str = $git->cat_file($blob);
-               Email::MIME->new($str);
-       };
-       $@ ? undef : $mime;
+       lc($subj);
 }
 
-sub index_blob {
-       my ($self, $git, $blob) = @_;
-       my $mime = do_cat_mail($git, $blob) or return;
-       eval { $self->add_message($mime) };
-       warn "W: index_blob $blob: $@\n" if $@;
+sub subject_normalized {
+       my $subj = pop;
+       $subj =~ s/\A\s+//s; # no leading space
+       $subj =~ s/\s+\z//s; # no trailing space
+       $subj =~ s/\s+/ /gs; # no redundant spaces
+       $subj =~ s/\.+\z//; # no trailing '.'
+       $subj =~ s/$REPLY_RE//igo; # remove reply prefix
+       $subj;
 }
 
-sub unindex_blob {
-       my ($self, $git, $blob) = @_;
-       my $mime = do_cat_mail($git, $blob) or return;
-       my $mid = $mime->header('Message-ID');
-       eval { $self->remove_message($mid) } if defined $mid;
-       warn "W: unindex_blob $blob: $@\n" if $@;
+# for doc data
+sub subject_summary {
+       my $subj = pop;
+       my $max = 68;
+       if (length($subj) > $max) {
+               my @subj = split(/\s+/, $subj);
+               $subj = '';
+               my $l;
+
+               while ($l = shift @subj) {
+                       my $new = $subj . $l . ' ';
+                       last if length($new) >= $max;
+                       $subj = $new;
+               }
+               if ($subj ne '') {
+                       my $r = scalar @subj ? ' ...' : '';
+                       $subj =~ s/ \z/$r/s;
+               } else {
+                       # subject has one REALLY long word, and NOT spam? wtf
+                       @subj = ($l =~ /\A(.{1,72})/);
+                       $subj = $subj[0] . ' ...';
+               }
+       }
+       $subj;
 }
 
 sub enquire {
@@ -536,4 +269,13 @@ sub enquire {
        $self->{enquire} ||= Search::Xapian::Enquire->new($self->{xdb});
 }
 
+sub mid_prefix {
+       my ($self, $mpfx) = @_;
+       my $query = eval { $self->qp->parse_query("m:$mpfx", FLAG_PARTIAL) };
+       return if $@;
+       my $res = $self->do_enquire($query, { relevance => 1 });
+       return unless $res->{total};
+       [ map { $_->mid } @{$res->{msgs}} ];
+}
+
 1;