]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/SearchIdx.pm
*idx: pass $smsg in more places instead of many args
[public-inbox.git] / lib / PublicInbox / SearchIdx.pm
index 4256263124b74fdbb21f22311e00a569ec3763b9..5ca819c383525de90c72eae9bc5c3f31efea76ce 100644 (file)
@@ -1,4 +1,4 @@
-# Copyright (C) 2015-2018 all contributors <meta@public-inbox.org>
+# Copyright (C) 2015-2020 all contributors <meta@public-inbox.org>
 # License: AGPL-3.0+ <https://www.gnu.org/licenses/agpl-3.0.txt>
 # based on notmuch, but with no concept of folders, files or flags
 #
@@ -12,75 +12,61 @@ use warnings;
 use base qw(PublicInbox::Search PublicInbox::Lock);
 use PublicInbox::MIME;
 use PublicInbox::InboxWritable;
-use PublicInbox::MID qw/mid_clean id_compress mid_mime mids references/;
+use PublicInbox::MID qw/mid_clean mid_mime mids_for_index/;
 use PublicInbox::MsgIter;
 use Carp qw(croak);
 use POSIX qw(strftime);
 use PublicInbox::OverIdx;
-require PublicInbox::Git;
-use Compress::Zlib qw(compress);
-
+use PublicInbox::Spawn qw(spawn);
+use PublicInbox::Git qw(git_unquote);
+use PublicInbox::MsgTime qw(msg_timestamp msg_datestamp);
+my $X = \%PublicInbox::Search::X;
+my ($DB_CREATE_OR_OPEN, $DB_OPEN);
 use constant {
-       BATCH_BYTES => 10_000_000,
+       BATCH_BYTES => defined($ENV{XAPIAN_FLUSH_THRESHOLD}) ?
+                       0x7fffffff : 1_000_000,
        DEBUG => !!$ENV{DEBUG},
 };
 
-my %GIT_ESC = (
-       a => "\a",
-       b => "\b",
-       f => "\f",
-       n => "\n",
-       r => "\r",
-       t => "\t",
-       v => "\013",
-);
-
-sub git_unquote ($) {
-       my ($s) = @_;
-       return $s unless ($s =~ /\A"(.*)"\z/);
-       $s = $1;
-       $s =~ s/\\([abfnrtv])/$GIT_ESC{$1}/g;
-       $s =~ s/\\([0-7]{1,3})/chr(oct($1))/ge;
-       $s;
-}
+my $xapianlevels = qr/\A(?:full|medium)\z/;
 
 sub new {
-       my ($class, $ibx, $creat, $part) = @_;
-       my $mainrepo = $ibx; # for "public-inbox-index" w/o entry in config
-       my $git_dir = $mainrepo;
-       my ($altid, $git);
-       my $version = 1;
-       if (ref $ibx) {
-               $mainrepo = $ibx->{mainrepo};
-               $altid = $ibx->{altid};
-               $version = $ibx->{version} || 1;
-               if ($altid) {
-                       require PublicInbox::AltId;
-                       $altid = [ map {
-                               PublicInbox::AltId->new($ibx, $_);
-                       } @$altid ];
+       my ($class, $ibx, $creat, $shard) = @_;
+       ref $ibx or die "BUG: expected PublicInbox::Inbox object: $ibx";
+       my $levels = qr/\A(?:full|medium|basic)\z/;
+       my $inboxdir = $ibx->{inboxdir};
+       my $version = $ibx->version;
+       my $indexlevel = 'full';
+       my $altid = $ibx->{altid};
+       if ($altid) {
+               require PublicInbox::AltId;
+               $altid = [ map { PublicInbox::AltId->new($ibx, $_); } @$altid ];
+       }
+       if ($ibx->{indexlevel}) {
+               if ($ibx->{indexlevel} =~ $levels) {
+                       $indexlevel = $ibx->{indexlevel};
+               } else {
+                       die("Invalid indexlevel $ibx->{indexlevel}\n");
                }
-       } else { # v1
-               $ibx = { mainrepo => $git_dir, version => 1 };
        }
        $ibx = PublicInbox::InboxWritable->new($ibx);
-       require Search::Xapian::WritableDatabase;
        my $self = bless {
-               mainrepo => $mainrepo,
+               inboxdir => $inboxdir,
                -inbox => $ibx,
                git => $ibx->git,
                -altid => $altid,
-               version => $version,
+               ibx_ver => $version,
+               indexlevel => $indexlevel,
        }, $class;
        $ibx->umask_prepare;
        if ($version == 1) {
-               $self->{lock_path} = "$mainrepo/ssoma.lock";
+               $self->{lock_path} = "$inboxdir/ssoma.lock";
                my $dir = $self->xdir;
                $self->{over} = PublicInbox::OverIdx->new("$dir/over.sqlite3");
        } elsif ($version == 2) {
-               defined $part or die "partition is required for v2\n";
-               # partition is a number
-               $self->{partition} = $part;
+               defined $shard or die "shard is required for v2\n";
+               # shard is a number
+               $self->{shard} = $shard;
                $self->{lock_path} = undef;
        } else {
                die "unsupported inbox version=$version\n";
@@ -89,62 +75,110 @@ sub new {
        $self;
 }
 
+sub need_xapian ($) { $_[0]->{indexlevel} =~ $xapianlevels }
+
 sub _xdb_release {
        my ($self) = @_;
-       my $xdb = delete $self->{xdb} or croak 'not acquired';
-       $xdb->close;
+       if (need_xapian($self)) {
+               my $xdb = delete $self->{xdb} or croak 'not acquired';
+               $xdb->close;
+       }
        $self->lock_release if $self->{creat};
        undef;
 }
 
+sub load_xapian_writable () {
+       return 1 if $X->{WritableDatabase};
+       PublicInbox::Search::load_xapian() or return;
+       my $xap = $PublicInbox::Search::Xap;
+       for (qw(Document TermGenerator WritableDatabase)) {
+               $X->{$_} = $xap.'::'.$_;
+       }
+       eval 'require '.$X->{WritableDatabase} or die;
+       *sortable_serialise = $xap.'::sortable_serialise';
+       $DB_CREATE_OR_OPEN = eval($xap.'::DB_CREATE_OR_OPEN()');
+       $DB_OPEN = eval($xap.'::DB_OPEN()');
+       1;
+}
+
 sub _xdb_acquire {
        my ($self) = @_;
-       croak 'already acquired' if $self->{xdb};
+       my $flag;
        my $dir = $self->xdir;
-       my $flag = Search::Xapian::DB_OPEN;
+       if (need_xapian($self)) {
+               croak 'already acquired' if $self->{xdb};
+               load_xapian_writable();
+               $flag = $self->{creat} ? $DB_CREATE_OR_OPEN : $DB_OPEN;
+       }
        if ($self->{creat}) {
                require File::Path;
                $self->lock_acquire;
-               File::Path::mkpath($dir);
-               $flag = Search::Xapian::DB_CREATE_OR_OPEN;
+
+               # don't create empty Xapian directories if we don't need Xapian
+               my $is_shard = defined($self->{shard});
+               if (!$is_shard || ($is_shard && need_xapian($self))) {
+                       File::Path::mkpath($dir);
+               }
        }
-       $self->{xdb} = Search::Xapian::WritableDatabase->new($dir, $flag);
+       return unless defined $flag;
+       my $xdb = eval { ($X->{WritableDatabase})->new($dir, $flag) };
+       if ($@) {
+               die "Failed opening $dir: ", $@;
+       }
+       $self->{xdb} = $xdb;
 }
 
 sub add_val ($$$) {
        my ($doc, $col, $num) = @_;
-       $num = Search::Xapian::sortable_serialise($num);
+       $num = sortable_serialise($num);
        $doc->add_value($col, $num);
 }
 
+sub term_generator ($) { # write-only
+       my ($self) = @_;
+
+       $self->{term_generator} //= do {
+               my $tg = $X->{TermGenerator}->new;
+               $tg->set_stemmer($self->stemmer);
+               $tg;
+       }
+}
+
+sub index_text ($$$$) {
+       my ($self, $text, $wdf_inc, $prefix) = @_;
+       my $tg = term_generator($self); # man Search::Xapian::TermGenerator
+
+       if ($self->{indexlevel} eq 'full') {
+               $tg->index_text($text, $wdf_inc, $prefix);
+               $tg->increase_termpos;
+       } else {
+               $tg->index_text_without_positions($text, $wdf_inc, $prefix);
+       }
+}
+
 sub index_users ($$) {
-       my ($tg, $smsg) = @_;
+       my ($self, $smsg) = @_;
 
        my $from = $smsg->from;
        my $to = $smsg->to;
        my $cc = $smsg->cc;
 
-       $tg->index_text($from, 1, 'A'); # A - author
-       $tg->increase_termpos;
-       $tg->index_text($to, 1, 'XTO') if $to ne '';
-       $tg->increase_termpos;
-       $tg->index_text($cc, 1, 'XCC') if $cc ne '';
-       $tg->increase_termpos;
+       index_text($self, $from, 1, 'A'); # A - author
+       index_text($self, $to, 1, 'XTO') if $to ne '';
+       index_text($self, $cc, 1, 'XCC') if $cc ne '';
 }
 
 sub index_diff_inc ($$$$) {
-       my ($tg, $text, $pfx, $xnq) = @_;
+       my ($self, $text, $pfx, $xnq) = @_;
        if (@$xnq) {
-               $tg->index_text(join("\n", @$xnq), 1, 'XNQ');
-               $tg->increase_termpos;
+               index_text($self, join("\n", @$xnq), 1, 'XNQ');
                @$xnq = ();
        }
-       $tg->index_text($text, 1, $pfx);
-       $tg->increase_termpos;
+       index_text($self, $text, 1, $pfx);
 }
 
 sub index_old_diff_fn {
-       my ($tg, $seen, $fa, $fb, $xnq) = @_;
+       my ($self, $seen, $fa, $fb, $xnq) = @_;
 
        # no renames or space support for traditional diffs,
        # find the number of leading common paths to strip:
@@ -155,7 +189,7 @@ sub index_old_diff_fn {
                $fb = join('/', @fb);
                if ($fa eq $fb) {
                        unless ($seen->{$fa}++) {
-                               index_diff_inc($tg, $fa, 'XDFN', $xnq);
+                               index_diff_inc($self, $fa, 'XDFN', $xnq);
                        }
                        return 1;
                }
@@ -166,22 +200,18 @@ sub index_old_diff_fn {
 }
 
 sub index_diff ($$$) {
-       my ($tg, $lines, $doc) = @_;
+       my ($self, $txt, $doc) = @_;
        my %seen;
        my $in_diff;
        my @xnq;
        my $xnq = \@xnq;
-       foreach (@$lines) {
+       foreach (split(/\n/, $txt)) {
                if ($in_diff && s/^ //) { # diff context
-                       index_diff_inc($tg, $_, 'XDFCTX', $xnq);
+                       index_diff_inc($self, $_, 'XDFCTX', $xnq);
                } elsif (/^-- $/) { # email signature begins
                        $in_diff = undef;
-               } elsif (m!^diff --git ("?a/.+) ("?b/.+)\z!) {
-                       my ($fa, $fb) = ($1, $2);
-                       my $fn = (split('/', git_unquote($fa), 2))[1];
-                       $seen{$fn}++ or index_diff_inc($tg, $fn, 'XDFN', $xnq);
-                       $fn = (split('/', git_unquote($fb), 2))[1];
-                       $seen{$fn}++ or index_diff_inc($tg, $fn, 'XDFN', $xnq);
+               } elsif (m!^diff --git "?[^/]+/.+ "?[^/]+/.+\z!) {
+                       # wait until "---" and "+++" to capture filenames
                        $in_diff = 1;
                # traditional diff:
                } elsif (m/^diff -(.+) (\S+) (\S+)$/) {
@@ -189,26 +219,28 @@ sub index_diff ($$$) {
                        push @xnq, $_;
                        # only support unified:
                        next unless $opt =~ /[uU]/;
-                       $in_diff = index_old_diff_fn($tg, \%seen, $fa, $fb,
+                       $in_diff = index_old_diff_fn($self, \%seen, $fa, $fb,
                                                        $xnq);
-               } elsif (m!^--- ("?a/.+)!) {
-                       my $fn = (split('/', git_unquote($1), 2))[1];
-                       $seen{$fn}++ or index_diff_inc($tg, $fn, 'XDFN', $xnq);
+               } elsif (m!^--- ("?[^/]+/.+)!) {
+                       my $fn = $1;
+                       $fn = (split('/', git_unquote($fn), 2))[1];
+                       $seen{$fn}++ or index_diff_inc($self, $fn, 'XDFN', $xnq);
                        $in_diff = 1;
-               } elsif (m!^\+\+\+ ("?b/.+)!)  {
-                       my $fn = (split('/', git_unquote($1), 2))[1];
-                       $seen{$fn}++ or index_diff_inc($tg, $fn, 'XDFN', $xnq);
+               } elsif (m!^\+\+\+ ("?[^/]+/.+)!)  {
+                       my $fn = $1;
+                       $fn = (split('/', git_unquote($fn), 2))[1];
+                       $seen{$fn}++ or index_diff_inc($self, $fn, 'XDFN', $xnq);
                        $in_diff = 1;
                } elsif (/^--- (\S+)/) {
                        $in_diff = $1;
                        push @xnq, $_;
                } elsif (defined $in_diff && /^\+\+\+ (\S+)/) {
-                       $in_diff = index_old_diff_fn($tg, \%seen, $in_diff, $1,
-                                                       $xnq);
+                       $in_diff = index_old_diff_fn($self, \%seen, $in_diff,
+                                                       $1, $xnq);
                } elsif ($in_diff && s/^\+//) { # diff added
-                       index_diff_inc($tg, $_, 'XDFB', $xnq);
+                       index_diff_inc($self, $_, 'XDFB', $xnq);
                } elsif ($in_diff && s/^-//) { # diff removed
-                       index_diff_inc($tg, $_, 'XDFA', $xnq);
+                       index_diff_inc($self, $_, 'XDFA', $xnq);
                } elsif (m!^index ([a-f0-9]+)\.\.([a-f0-9]+)!) {
                        my ($ba, $bb) = ($1, $2);
                        index_git_blob_id($doc, 'XDFPRE', $ba);
@@ -218,7 +250,7 @@ sub index_diff ($$$) {
                        # traditional diff w/o -p
                } elsif (/^@@ (?:\S+) (?:\S+) @@\s*(\S+.*)$/) {
                        # hunk header context
-                       index_diff_inc($tg, $1, 'XDFHH', $xnq);
+                       index_diff_inc($self, $1, 'XDFHH', $xnq);
                # ignore the following lines:
                } elsif (/^(?:dis)similarity index/ ||
                                /^(?:old|new) mode/ ||
@@ -229,7 +261,9 @@ sub index_diff ($$$) {
                                /^Binary files .* differ/) {
                        push @xnq, $_;
                } elsif ($_ eq '') {
-                       $in_diff = undef;
+                       # possible to be in diff context, some mail may be
+                       # stripped by MUA or even GNU diff(1).  "git apply"
+                       # treats a bare "\n" as diff context, too
                } else {
                        push @xnq, $_;
                        warn "non-diff line: $_\n" if DEBUG && $_ ne '';
@@ -237,141 +271,129 @@ sub index_diff ($$$) {
                }
        }
 
-       $tg->index_text(join("\n", @xnq), 1, 'XNQ');
-       $tg->increase_termpos;
+       index_text($self, join("\n", @xnq), 1, 'XNQ');
 }
 
 sub index_body ($$$) {
-       my ($tg, $lines, $doc) = @_;
-       my $txt = join("\n", @$lines);
+       my ($self, $txt, $doc) = @_;
        if ($doc) {
                # does it look like a diff?
                if ($txt =~ /^(?:diff|---|\+\+\+) /ms) {
-                       $txt = undef;
-                       index_diff($tg, $lines, $doc);
+                       index_diff($self, $txt, $doc);
                } else {
-                       $tg->index_text($txt, 1, 'XNQ');
+                       index_text($self, $txt, 1, 'XNQ');
                }
        } else {
-               $tg->index_text($txt, 0, 'XQUOT');
+               index_text($self, $txt, 0, 'XQUOT');
        }
-       $tg->increase_termpos;
-       @$lines = ();
 }
 
-sub add_message {
-       # mime = Email::MIME object
-       my ($self, $mime, $bytes, $num, $oid, $mid0) = @_;
-       my $doc_id;
-       my $mids = mids($mime->header_obj);
-       $mid0 = $mids->[0] unless defined $mid0; # v1 compatibility
-       unless (defined $num) { # v1
-               my $mm = $self->_msgmap_init;
-               $num = $mm->mid_insert($mid0) || $mm->num_for($mid0);
+sub index_xapian { # msg_iter callback
+       my ($part, $depth, @idx) = @{$_[0]};
+       my ($self, $doc) = @{$_[1]};
+       my $ct = $part->content_type || 'text/plain';
+       my $fn = $part->filename;
+       if (defined $fn && $fn ne '') {
+               index_text($self, $fn, 1, 'XFN');
        }
-       eval {
-               my $smsg = PublicInbox::SearchMsg->new($mime);
-               my $doc = $smsg->{doc};
-               my $subj = $smsg->subject;
-               my $xpath;
-               if ($subj ne '') {
-                       $xpath = $self->subject_path($subj);
-                       $xpath = id_compress($xpath);
-               }
-
-               $smsg->{lines} = $mime->body_raw =~ tr!\n!\n!;
-               defined $bytes or $bytes = length($mime->as_string);
-               $smsg->{bytes} = $bytes;
-
-               add_val($doc, PublicInbox::Search::TS(), $smsg->ts);
-               my @ds = gmtime($smsg->ds);
-               my $yyyymmdd = strftime('%Y%m%d', @ds);
-               add_val($doc, PublicInbox::Search::YYYYMMDD(), $yyyymmdd);
-               my $dt = strftime('%Y%m%d%H%M%S', @ds);
-               add_val($doc, PublicInbox::Search::DT(), $dt);
-               my @vals = ($smsg->{ts}, $smsg->{ds});
-
-               my $tg = $self->term_generator;
-
-               $tg->set_document($doc);
-               $tg->index_text($subj, 1, 'S') if $subj;
-               $tg->increase_termpos;
 
-               index_users($tg, $smsg);
+       my ($s, undef) = msg_part_text($part, $ct);
+       defined $s or return;
 
-               msg_iter($mime, sub {
-                       my ($part, $depth, @idx) = @{$_[0]};
-                       my $ct = $part->content_type || 'text/plain';
-                       my $fn = $part->filename;
-                       if (defined $fn && $fn ne '') {
-                               $tg->index_text($fn, 1, 'XFN');
-                       }
-
-                       return if $ct =~ m!\btext/x?html\b!i;
-
-                       my $s = eval { $part->body_str };
-                       if ($@) {
-                               if ($ct =~ m!\btext/plain\b!i) {
-                                       # Try to assume UTF-8 because Alpine
-                                       # seems to do wacky things and set
-                                       # charset=X-UNKNOWN
-                                       $part->charset_set('UTF-8');
-                                       $s = eval { $part->body_str };
-                                       $s = $part->body if $@;
-                               }
-                       }
-                       defined $s or return;
-
-                       my (@orig, @quot);
-                       my $body = $part->body;
-                       my @lines = split(/\n/, $body);
-                       while (defined(my $l = shift @lines)) {
-                               if ($l =~ /^>/) {
-                                       index_body($tg, \@orig, $doc) if @orig;
-                                       push @quot, $l;
-                               } else {
-                                       index_body($tg, \@quot, 0) if @quot;
-                                       push @orig, $l;
-                               }
-                       }
-                       index_body($tg, \@quot, 0) if @quot;
-                       index_body($tg, \@orig, $doc) if @orig;
-               });
+       # split off quoted and unquoted blocks:
+       my @sections = split(/((?:^>[^\n]*\n)+)/sm, $s);
+       $part = $s = undef;
+       index_body($self, $_, /\A>/ ? 0 : $doc) for @sections;
+}
 
-               # populates smsg->references for smsg->to_doc_data
-               my $refs = parse_references($smsg, $mid0, $mids);
-               my $data = $smsg->to_doc_data($oid, $mid0);
-               foreach my $mid (@$mids) {
-                       $tg->index_text($mid, 1, 'XM');
+sub add_xapian ($$$$) {
+       my ($self, $mime, $smsg, $mids) = @_;
+       $smsg->{mime} = $mime; # XXX dangerous
+       my $hdr = $mime->header_obj;
+       $smsg->{ds} = msg_datestamp($hdr, $self->{autime});
+       $smsg->{ts} = msg_timestamp($hdr, $self->{cotime});
+       my $doc = $X->{Document}->new;
+       my $subj = $smsg->subject;
+       add_val($doc, PublicInbox::Search::TS(), $smsg->{ts});
+       my @ds = gmtime($smsg->{ds});
+       my $yyyymmdd = strftime('%Y%m%d', @ds);
+       add_val($doc, PublicInbox::Search::YYYYMMDD(), $yyyymmdd);
+       my $dt = strftime('%Y%m%d%H%M%S', @ds);
+       add_val($doc, PublicInbox::Search::DT(), $dt);
+
+       my $tg = term_generator($self);
+
+       $tg->set_document($doc);
+       index_text($self, $subj, 1, 'S') if $subj;
+       index_users($self, $smsg);
+
+       msg_iter($mime, \&index_xapian, [ $self, $doc ]);
+       foreach my $mid (@$mids) {
+               index_text($self, $mid, 1, 'XM');
+
+               # because too many Message-IDs are prefixed with
+               # "Pine.LNX."...
+               if ($mid =~ /\w{12,}/) {
+                       my @long = ($mid =~ /(\w{3,}+)/g);
+                       index_text($self, join(' ', @long), 1, 'XM');
                }
-               $doc->set_data($data);
-               if (my $altid = $self->{-altid}) {
-                       foreach my $alt (@$altid) {
-                               my $pfx = $alt->{xprefix};
-                               foreach my $mid (@$mids) {
-                                       my $id = $alt->mid2alt($mid);
-                                       next unless defined $id;
-                                       $doc->add_boolean_term($pfx . $id);
-                               }
+       }
+       $smsg->{to} = $smsg->{cc} = ''; # WWW doesn't need these, only NNTP
+       PublicInbox::OverIdx::parse_references($smsg, $hdr, $mids);
+       my $data = $smsg->to_doc_data;
+       $doc->set_data($data);
+       if (my $altid = $self->{-altid}) {
+               foreach my $alt (@$altid) {
+                       my $pfx = $alt->{xprefix};
+                       foreach my $mid (@$mids) {
+                               my $id = $alt->mid2alt($mid);
+                               next unless defined $id;
+                               $doc->add_boolean_term($pfx . $id);
                        }
                }
+       }
+       $doc->add_boolean_term('Q' . $_) foreach @$mids;
+       $self->{xdb}->replace_document($smsg->{num}, $doc);
+}
 
-               $self->delete_article($num) if defined $num; # for reindexing
+sub _msgmap_init ($) {
+       my ($self) = @_;
+       die "BUG: _msgmap_init is only for v1\n" if $self->{ibx_ver} != 1;
+       $self->{mm} //= eval {
+               require PublicInbox::Msgmap;
+               PublicInbox::Msgmap->new($self->{inboxdir}, 1);
+       };
+}
 
-               utf8::encode($data);
-               $data = compress($data);
-               push @vals, $num, $mids, $refs, $xpath, $data;
-               $self->{over}->add_over(\@vals);
-               $doc->add_boolean_term('Q' . $_) foreach @$mids;
-               $doc->add_boolean_term('XNUM' . $num) if defined $num;
-               $doc_id = $self->{xdb}->add_document($doc);
+sub add_message {
+       # mime = Email::MIME object
+       my ($self, $mime, $smsg) = @_;
+       my $mids = mids_for_index($mime->header_obj);
+       $smsg //= bless { blob => '' }, 'PublicInbox::Smsg'; # test-only compat
+       $smsg->{mid} //= $mids->[0]; # v1 compatibility
+       $smsg->{num} //= do { # v1
+               _msgmap_init($self);
+               index_mm($self, $mime);
+       };
+       eval {
+               # order matters, overview stores every possible piece of
+               # data in doc_data (deflated).  Xapian only stores a subset
+               # of the fields which exist in over.sqlite3.  We may stop
+               # storing doc_data in Xapian sometime after we get multi-inbox
+               # search working.
+               if (my $over = $self->{over}) { # v1 only
+                       $over->add_overview($mime, $smsg, $self);
+               }
+               if (need_xapian($self)) {
+                       add_xapian($self, $mime, $smsg, $mids);
+               }
        };
 
        if ($@) {
                warn "failed to index message <".join('> <',@$mids).">: $@\n";
                return undef;
        }
-       $doc_id;
+       $smsg->{num};
 }
 
 # returns begin and end PostingIterator
@@ -382,6 +404,7 @@ sub find_doc_ids {
        ($db->postlist_begin($termval), $db->postlist_end($termval));
 }
 
+# v1 only
 sub batch_do {
        my ($self, $termval, $cb) = @_;
        my $batch_size = 1000; # don't let @ids grow too large to avoid OOM
@@ -389,46 +412,50 @@ sub batch_do {
                my ($head, $tail) = $self->find_doc_ids($termval);
                return if $head == $tail;
                my @ids;
-               for (; $head != $tail && @ids < $batch_size; $head->inc) {
+               for (; $head != $tail && @ids < $batch_size; $head++) {
                        push @ids, $head->get_docid;
                }
                $cb->(\@ids);
        }
 }
 
+# v1 only, where $mid is unique
 sub remove_message {
        my ($self, $mid) = @_;
-       my $db = $self->{xdb};
-       my $called;
        $mid = mid_clean($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 "<$mid> missing for removal from overview\n";
+               }
+       }
+       return unless need_xapian($self);
+       my $db = $self->{xdb};
+       my $nr = 0;
        eval {
                batch_do($self, 'Q' . $mid, sub {
                        my ($ids) = @_;
                        $db->delete_document($_) for @$ids;
-                       $called = 1;
+                       $nr += scalar @$ids;
                });
        };
        if ($@) {
-               warn "failed to remove message <$mid>: $@\n";
-       } elsif (!$called) {
-               warn "cannot remove non-existent <$mid>\n";
+               warn "failed to remove <$mid> from Xapian: $@\n";
+       } elsif ($nr == 0) {
+               warn "<$mid> missing for removal from Xapian\n";
        }
 }
 
-sub delete_article {
-       my ($self, $num) = @_;
-       my $ndel = 0;
-       batch_do($self, 'XNUM' . $num, sub {
-               my ($ids) = @_;
-               $ndel += scalar @$ids;
-               $self->{xdb}->delete_document($_) for @$ids;
-       });
-}
-
 # MID is a hint in V2
 sub remove_by_oid {
        my ($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
@@ -440,57 +467,19 @@ sub remove_by_oid {
        # there is only ONE element in @delete unless we
        # have bugs in our v2writable deduplication check
        my @delete;
-       my @over_del;
-       for (; $head != $tail; $head->inc) {
+       for (; $head != $tail; $head++) {
                my $docid = $head->get_docid;
                my $doc = $db->get_document($docid);
-               my $smsg = PublicInbox::SearchMsg->wrap($doc, $mid);
-               $smsg->load_expand;
+               my $smsg = PublicInbox::Smsg->wrap($mid);
+               $smsg->load_expand($doc);
                if ($smsg->{blob} eq $oid) {
                        push(@delete, $docid);
-                       push(@over_del, $smsg->num);
                }
        }
        $db->delete_document($_) foreach @delete;
-       $self->{over}->remove_oid($oid, $mid);
        scalar(@delete);
 }
 
-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 parse_references ($$$) {
-       my ($smsg, $mid0, $mids) = @_;
-       my $mime = $smsg->{mime};
-       my $hdr = $mime->header_obj;
-       my $refs = references($hdr);
-       push(@$refs, @$mids) if scalar(@$mids) > 1;
-       return $refs if scalar(@$refs) == 0;
-
-       # prevent circular references here:
-       my %seen = ( $mid0 => 1 );
-       my @keep;
-       foreach my $ref (@$refs) {
-               if (length($ref) > PublicInbox::MID::MAX_MID_SIZE) {
-                       warn "References: <$ref> too long, ignoring\n";
-                       next;
-               }
-               next if $seen{$ref}++;
-               push @keep, $ref;
-       }
-       $smsg->{references} = '<'.join('> <', @keep).'>' if @keep;
-       \@keep;
-}
-
 sub index_git_blob_id {
        my ($doc, $pfx, $objid) = @_;
 
@@ -511,8 +500,28 @@ sub index_mm {
        my ($self, $mime) = @_;
        my $mid = mid_clean(mid_mime($mime));
        my $mm = $self->{mm};
-       my $num = $mm->mid_insert($mid);
-       return $num if defined $num;
+       my $num;
+
+       if (defined $self->{regen_down}) {
+               $num = $mm->num_for($mid) and return $num;
+
+               while (($num = $self->{regen_down}--) > 0) {
+                       if ($mm->mid_set($num, $mid) != 0) {
+                               return $num;
+                       }
+               }
+       } elsif (defined $self->{regen_up}) {
+               $num = $mm->num_for($mid) and return $num;
+
+               # this is to fixup old bugs due to add-remove-add
+               while (($num = ++$self->{regen_up})) {
+                       if ($mm->mid_set($num, $mid) != 0) {
+                               return $num;
+                       }
+               }
+       }
+
+       $num = $mm->mid_insert($mid) and return $num;
 
        # fallback to num_for since filters like RubyLang set the number
        $mm->num_for($mid);
@@ -523,22 +532,11 @@ sub unindex_mm {
        $self->{mm}->mid_delete(mid_clean(mid_mime($mime)));
 }
 
-sub index_mm2 {
-       my ($self, $mime, $bytes, $blob) = @_;
-       my $num = $self->{mm}->num_for(mid_clean(mid_mime($mime)));
-       add_message($self, $mime, $bytes, $num, $blob);
-}
-
-sub unindex_mm2 {
-       my ($self, $mime) = @_;
-       $self->{mm}->mid_delete(mid_clean(mid_mime($mime)));
-       unindex_blob($self, $mime);
-}
-
 sub index_both {
-       my ($self, $mime, $bytes, $blob) = @_;
+       my ($self, $mime, $smsg) = @_;
        my $num = index_mm($self, $mime);
-       add_message($self, $mime, $bytes, $num, $blob);
+       $smsg->{num} = $num;
+       add_message($self, $mime, $smsg);
 }
 
 sub unindex_both {
@@ -558,22 +556,24 @@ sub do_cat_mail {
        $@ ? undef : $mime;
 }
 
+# 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 ($$$$) {
-       my ($max, $bytes, $batch_cb, $latest) = @_;
+sub batch_adjust ($$$$$) {
+       my ($max, $bytes, $batch_cb, $latest, $nr) = @_;
        $$max -= $bytes;
        if ($$max <= 0) {
                $$max = BATCH_BYTES;
-               $batch_cb->($latest, 1);
+               $batch_cb->($nr, $latest);
        }
 }
 
 # only for v1
-sub rlog {
+sub read_log {
        my ($self, $log, $add_cb, $del_cb, $batch_cb) = @_;
        my $hex = '[a-f0-9]';
        my $h40 = $hex .'{40}';
@@ -584,124 +584,204 @@ sub rlog {
        my $bytes;
        my $max = BATCH_BYTES;
        local $/ = "\n";
+       my %D;
        my $line;
+       my $newest;
+       my $nr = 0;
        while (defined($line = <$log>)) {
                if ($line =~ /$addmsg/o) {
                        my $blob = $1;
+                       if (delete $D{$blob}) {
+                               if (defined $self->{regen_down}) {
+                                       my $num = $self->{regen_down}--;
+                                       $self->{mm}->num_highwater($num);
+                               }
+                               next;
+                       }
                        my $mime = do_cat_mail($git, $blob, \$bytes) or next;
-                       batch_adjust(\$max, $bytes, $batch_cb, $latest);
-                       $add_cb->($self, $mime, $bytes, $blob);
+                       my $smsg = bless {}, 'PublicInbox::Smsg';
+                       batch_adjust(\$max, $bytes, $batch_cb, $latest, ++$nr);
+                       $smsg->{blob} = $blob;
+                       $smsg->{bytes} = $bytes;
+                       $add_cb->($self, $mime, $smsg);
                } elsif ($line =~ /$delmsg/o) {
                        my $blob = $1;
-                       my $mime = do_cat_mail($git, $blob, \$bytes) or next;
-                       batch_adjust(\$max, $bytes, $batch_cb, $latest);
-                       $del_cb->($self, $mime);
+                       $D{$blob} = 1;
                } elsif ($line =~ /^commit ($h40)/o) {
                        $latest = $1;
+                       $newest ||= $latest;
+               } elsif ($line =~ /^author .*? ([0-9]+) [\-\+][0-9]+$/) {
+                       $self->{over}->{autime} = $self->{autime} = $1;
+               } elsif ($line =~ /^committer .*? ([0-9]+) [\-\+][0-9]+$/) {
+                       $self->{over}->{cotime} = $self->{cotime} = $1;
                }
        }
-       $batch_cb->($latest, 0);
-}
-
-sub _msgmap_init {
-       my ($self) = @_;
-       die "BUG: _msgmap_init is only for v1\n" if $self->{version} != 1;
-       $self->{mm} ||= eval {
-               require PublicInbox::Msgmap;
-               PublicInbox::Msgmap->new($self->{mainrepo}, 1);
-       };
+       close($log) or die "git log failed: \$?=$?";
+       # get the leftovers
+       foreach my $blob (keys %D) {
+               my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+               $del_cb->($self, $mime);
+       }
+       $batch_cb->($nr, $latest, $newest);
 }
 
 sub _git_log {
-       my ($self, $range) = @_;
-       $self->{git}->popen(qw/log --reverse --no-notes --no-color
+       my ($self, $opts, $range) = @_;
+       my $git = $self->{git};
+
+       if (index($range, '..') < 0) {
+               # don't show annoying git errrors to users who run -index
+               # on empty inboxes
+               $git->qx(qw(rev-parse -q --verify), "$range^0");
+               if ($?) {
+                       open my $fh, '<', '/dev/null' or
+                               die "failed to open /dev/null: $!\n";
+                       return $fh;
+               }
+       }
+
+       # Count the new files so they can be added newest to oldest
+       # and still have numbers increasing from oldest to newest
+       my $fcount = 0;
+       my $pr = $opts->{-progress};
+       $pr->("counting changes\n\t$range ... ") if $pr;
+       # can't use 'rev-list --count' if we use --diff-filter
+       my $fh = $git->popen(qw(log --pretty=tformat:%h
+                            --no-notes --no-color --no-renames
+                            --diff-filter=AM), $range);
+       ++$fcount while <$fh>;
+       close $fh or die "git log failed: \$?=$?";
+       my $high = $self->{mm}->num_highwater;
+       $pr->("$fcount\n") if $pr; # continue previous line
+       $self->{ntodo} = $fcount;
+
+       if (index($range, '..') < 0) {
+               if ($high && $high == $fcount) {
+                       # fix up old bugs in full indexes which caused messages to
+                       # not appear in Msgmap
+                       $self->{regen_up} = $high;
+               } else {
+                       # normal regen is for for fresh data
+                       $self->{regen_down} = $fcount;
+               }
+       } else {
+               # Give oldest messages the smallest numbers
+               $self->{regen_down} = $high + $fcount;
+       }
+
+       $git->popen(qw/log --pretty=raw --no-notes --no-color --no-renames
                                --raw -r --no-abbrev/, $range);
 }
 
-# indexes all unindexed messages
+# --is-ancestor requires git 1.8.0+
+sub is_ancestor ($$$) {
+       my ($git, $cur, $tip) = @_;
+       return 0 unless $git->check($cur);
+       my $cmd = [ 'git', "--git-dir=$git->{git_dir}",
+               qw(merge-base --is-ancestor), $cur, $tip ];
+       my $pid = spawn($cmd);
+       waitpid($pid, 0) == $pid or die join(' ', @$cmd) .' did not finish';
+       $? == 0;
+}
+
+sub need_update ($$$) {
+       my ($self, $cur, $new) = @_;
+       my $git = $self->{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), $range));
+       ($n eq '' || $n > 0);
+}
+
+# The last git commit we indexed with Xapian or SQLite (msgmap)
+# This needs to account for cases where Xapian or SQLite is
+# out-of-date with respect to the other.
+sub _last_x_commit {
+       my ($self, $mm) = @_;
+       my $lm = $mm->last_commit || '';
+       my $lx = '';
+       if (need_xapian($self)) {
+               $lx = $self->{xdb}->get_metadata('last_commit') || '';
+       } else {
+               $lx = $lm;
+       }
+       # Use last_commit from msgmap if it is older or unset
+       if (!$lm || ($lx && $lm && is_ancestor($self->{git}, $lm, $lx))) {
+               $lx = $lm;
+       }
+       $lx;
+}
+
+sub reindex_from ($$) {
+       my ($reindex, $last_commit) = @_;
+       return $last_commit unless $reindex;
+       ref($reindex) eq 'HASH' ? $reindex->{from} : '';
+}
+
+# indexes all unindexed messages (v1 only)
 sub _index_sync {
        my ($self, $opts) = @_;
        my $tip = $opts->{ref} || 'HEAD';
-       my $reindex = $opts->{reindex};
-       my ($mkey, $last_commit, $lx, $xlog);
-       $self->{git}->batch_prepare;
+       my ($last_commit, $lx, $xlog);
+       my $git = $self->{git};
+       $git->batch_prepare;
+       my $pr = $opts->{-progress};
+
        my $xdb = $self->begin_txn_lazy;
+       my $mm = _msgmap_init($self);
        do {
-               $xlog = undef;
-               $mkey = 'last_commit';
-               $last_commit = $xdb->get_metadata('last_commit');
-               $lx = $last_commit;
-               if ($reindex) {
-                       $lx = '';
-                       $mkey = undef if $last_commit ne '';
+               if ($xlog) {
+                       close($xlog) or die "git log failed: \$?=$?";
+                       $xlog = undef;
                }
+               $last_commit = _last_x_commit($self, $mm);
+               $lx = reindex_from($opts->{reindex}, $last_commit);
+
                $self->{over}->rollback_lazy;
                $self->{over}->disconnect;
+               $git->cleanup;
                delete $self->{txn};
-               $xdb->cancel_transaction;
+               $xdb->cancel_transaction if $xdb;
                $xdb = _xdb_release($self);
 
-               # ensure we leak no FDs to "git log"
+               # ensure we leak no FDs to "git log" with Xapian <= 1.2
                my $range = $lx eq '' ? $tip : "$lx..$tip";
-               $xlog = _git_log($self, $range);
+               $xlog = _git_log($self, $opts, $range);
 
                $xdb = $self->begin_txn_lazy;
-       } while ($xdb->get_metadata('last_commit') ne $last_commit);
+       } while (_last_x_commit($self, $mm) ne $last_commit);
 
-       my $mm = _msgmap_init($self);
        my $dbh = $mm->{dbh} if $mm;
-       my $mm_only;
        my $cb = sub {
-               my ($commit, $more) = @_;
+               my ($nr, $commit, $newest) = @_;
                if ($dbh) {
-                       $mm->last_commit($commit) if $commit;
+                       if ($newest) {
+                               my $cur = $mm->last_commit || '';
+                               if (need_update($self, $cur, $newest)) {
+                                       $mm->last_commit($newest);
+                               }
+                       }
                        $dbh->commit;
                }
-               if (!$mm_only) {
-                       $xdb->set_metadata($mkey, $commit) if $mkey && $commit;
-                       $self->commit_txn_lazy;
+               if ($newest && need_xapian($self)) {
+                       my $cur = $xdb->get_metadata('last_commit');
+                       if (need_update($self, $cur, $newest)) {
+                               $xdb->set_metadata('last_commit', $newest);
+                       }
                }
+               $self->commit_txn_lazy;
+               $git->cleanup;
+               $xdb = _xdb_release($self);
                # let another process do some work... <
-               if ($more) {
-                       if (!$mm_only) {
-                               $xdb = $self->begin_txn_lazy;
-                       }
+               $pr->("indexed $nr/$self->{ntodo}\n") if $pr && $nr;
+               if (!$newest) {
+                       $xdb = $self->begin_txn_lazy;
                        $dbh->begin_work if $dbh;
                }
        };
 
-       if ($mm) {
-               $dbh->begin_work;
-               my $lm = $mm->last_commit || '';
-               if ($lm eq $lx) {
-                       # Common case is the indexes are synced,
-                       # we only need to run git-log once:
-                       rlog($self, $xlog, *index_both, *unindex_both, $cb);
-               } else {
-                       # Uncommon case, msgmap and xapian are out-of-sync
-                       # do not care for performance (but git is fast :>)
-                       # This happens if we have to reindex Xapian since
-                       # msgmap is a frozen format and our Xapian format
-                       # is evolving.
-                       my $r = $lm eq '' ? $tip : "$lm..$tip";
-
-                       # first, ensure msgmap is up-to-date:
-                       my $mkey_prev = $mkey;
-                       $mkey = undef; # ignore xapian, for now
-                       my $mlog = _git_log($self, $r);
-                       $mm_only = 1;
-                       rlog($self, $mlog, *index_mm, *unindex_mm, $cb);
-                       $mm_only = $mlog = undef;
-
-                       # now deal with Xapian
-                       $mkey = $mkey_prev;
-                       $dbh = undef;
-                       rlog($self, $xlog, *index_mm2, *unindex_mm2, $cb);
-               }
-       } else {
-               # user didn't install DBD::SQLite and DBI
-               rlog($self, $xlog, *add_message, *unindex_blob, $cb);
-       }
+       $dbh->begin_work;
+       read_log($self, $xlog, *index_both, *unindex_both, $cb);
 }
 
 sub DESTROY {
@@ -737,7 +817,7 @@ sub remote_close {
 sub remote_remove {
        my ($self, $oid, $mid) = @_;
        if (my $w = $self->{w}) {
-               # triggers remove_by_oid in a partition
+               # triggers remove_by_oid in a shard
                print $w "D $oid $mid\n" or die "failed to write remove $!";
        } else {
                $self->begin_txn_lazy;
@@ -748,23 +828,41 @@ sub remote_remove {
 sub begin_txn_lazy {
        my ($self) = @_;
        return if $self->{txn};
-       my $xdb = $self->{xdb} || $self->_xdb_acquire;
-       $self->{over}->begin_lazy;
-       $xdb->begin_transaction;
-       $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 commit_txn_lazy {
        my ($self) = @_;
        delete $self->{txn} or return;
-       $self->{xdb}->commit_transaction;
-       $self->{over}->commit_lazy;
+       $self->{-inbox}->with_umask(sub {
+               if (my $xdb = $self->{xdb}) {
+
+                       # store 'indexlevel=medium' in v2 shard=0 and
+                       # v1 (only one shard)
+                       # This metadata is read by Admin::detect_indexlevel:
+                       if (!$self->{shard} # undef or 0, not >0
+                           && $self->{indexlevel} eq 'medium') {
+                               $xdb->set_metadata('indexlevel', 'medium');
+                       }
+
+                       $xdb->commit_transaction;
+               }
+               $self->{over}->commit_lazy if $self->{over};
+       });
 }
 
 sub worker_done {
        my ($self) = @_;
-       die "$$ $0 xdb not released\n" if $self->{xdb};
+       if (need_xapian($self)) {
+               die "$$ $0 xdb not released\n" if $self->{xdb};
+       }
        die "$$ $0 still in transaction\n" if $self->{txn};
 }