]> 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 f265fa7f27ae7ed3cb0baa7f8e4fd7215adb3e9d..5ca819c383525de90c72eae9bc5c3f31efea76ce 100644 (file)
@@ -1,4 +1,4 @@
-# Copyright (C) 2015-2019 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
 #
@@ -12,14 +12,16 @@ 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_for_index/;
+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;
 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, $DB_OPEN);
 use constant {
        BATCH_BYTES => defined($ENV{XAPIAN_FLUSH_THRESHOLD}) ?
                        0x7fffffff : 1_000_000,
@@ -33,7 +35,7 @@ sub new {
        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} || 1;
+       my $version = $ibx->version;
        my $indexlevel = 'full';
        my $altid = $ibx->{altid};
        if ($altid) {
@@ -53,7 +55,7 @@ sub new {
                -inbox => $ibx,
                git => $ibx->git,
                -altid => $altid,
-               version => $version,
+               ibx_ver => $version,
                indexlevel => $indexlevel,
        }, $class;
        $ibx->umask_prepare;
@@ -85,17 +87,28 @@ sub _xdb_release {
        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) = @_;
        my $flag;
        my $dir = $self->xdir;
        if (need_xapian($self)) {
                croak 'already acquired' if $self->{xdb};
-               PublicInbox::Search::load_xapian();
-               require Search::Xapian::WritableDatabase;
-               $flag = $self->{creat} ?
-                       Search::Xapian::DB_CREATE_OR_OPEN() :
-                       Search::Xapian::DB_OPEN();
+               load_xapian_writable();
+               $flag = $self->{creat} ? $DB_CREATE_OR_OPEN : $DB_OPEN;
        }
        if ($self->{creat}) {
                require File::Path;
@@ -108,7 +121,7 @@ sub _xdb_acquire {
                }
        }
        return unless defined $flag;
-       my $xdb = eval { Search::Xapian::WritableDatabase->new($dir, $flag) };
+       my $xdb = eval { ($X->{WritableDatabase})->new($dir, $flag) };
        if ($@) {
                die "Failed opening $dir: ", $@;
        }
@@ -117,20 +130,29 @@ sub _xdb_acquire {
 
 sub add_val ($$$) {
        my ($doc, $col, $num) = @_;
-       $num = Search::Xapian::sortable_serialise($num);
+       $num = sortable_serialise($num);
        $doc->add_value($col, $num);
 }
 
-sub index_text ($$$$)
-{
-       my ($self, $field, $n, $text) = @_;
-       my $tg = $self->term_generator;
+sub term_generator ($) { # write-only
+       my ($self) = @_;
+
+       $self->{term_generator} //= do {
+               my $tg = $X->{TermGenerator}->new;
+               $tg->set_stemmer($self->stemmer);
+               $tg;
+       }
+}
+
+sub index_text ($$$$) {
+       my ($self, $text, $wdf_inc, $prefix) = @_;
+       my $tg = term_generator($self); # man Search::Xapian::TermGenerator
 
        if ($self->{indexlevel} eq 'full') {
-               $tg->index_text($field, $n, $text);
+               $tg->index_text($text, $wdf_inc, $prefix);
                $tg->increase_termpos;
        } else {
-               $tg->index_text_without_positions($field, $n, $text);
+               $tg->index_text_without_positions($text, $wdf_inc, $prefix);
        }
 }
 
@@ -141,18 +163,18 @@ sub index_users ($$) {
        my $to = $smsg->to;
        my $cc = $smsg->cc;
 
-       $self->index_text($from, 1, 'A'); # A - author
-       $self->index_text($to, 1, 'XTO') if $to ne '';
-       $self->index_text($cc, 1, 'XCC') if $cc ne '';
+       index_text($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 ($self, $text, $pfx, $xnq) = @_;
        if (@$xnq) {
-               $self->index_text(join("\n", @$xnq), 1, 'XNQ');
+               index_text($self, join("\n", @$xnq), 1, 'XNQ');
                @$xnq = ();
        }
-       $self->index_text($text, 1, $pfx);
+       index_text($self, $text, 1, $pfx);
 }
 
 sub index_old_diff_fn {
@@ -167,7 +189,7 @@ sub index_old_diff_fn {
                $fb = join('/', @fb);
                if ($fa eq $fb) {
                        unless ($seen->{$fa}++) {
-                               $self->index_diff_inc($fa, 'XDFN', $xnq);
+                               index_diff_inc($self, $fa, 'XDFN', $xnq);
                        }
                        return 1;
                }
@@ -178,22 +200,18 @@ sub index_old_diff_fn {
 }
 
 sub index_diff ($$$) {
-       my ($self, $lines, $doc) = @_;
+       my ($self, $txt, $doc) = @_;
        my %seen;
        my $in_diff;
        my @xnq;
        my $xnq = \@xnq;
-       foreach (@$lines) {
+       foreach (split(/\n/, $txt)) {
                if ($in_diff && s/^ //) { # diff context
-                       $self->index_diff_inc($_, 'XDFCTX', $xnq);
+                       index_diff_inc($self, $_, 'XDFCTX', $xnq);
                } elsif (/^-- $/) { # email signature begins
                        $in_diff = undef;
-               } elsif (m!^diff --git ("?a/.+) ("?b/.+)\z!) {
-                       my ($fa, $fb) = ($1, $2);
-                       my $fn = (split('/', git_unquote($fa), 2))[1];
-                       $seen{$fn}++ or $self->index_diff_inc($fn, 'XDFN', $xnq);
-                       $fn = (split('/', git_unquote($fb), 2))[1];
-                       $seen{$fn}++ or $self->index_diff_inc($fn, 'XDFN', $xnq);
+               } elsif (m!^diff --git "?[^/]+/.+ "?[^/]+/.+\z!) {
+                       # wait until "---" and "+++" to capture filenames
                        $in_diff = 1;
                # traditional diff:
                } elsif (m/^diff -(.+) (\S+) (\S+)$/) {
@@ -201,26 +219,28 @@ sub index_diff ($$$) {
                        push @xnq, $_;
                        # only support unified:
                        next unless $opt =~ /[uU]/;
-                       $in_diff = $self->index_old_diff_fn(\%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 $self->index_diff_inc($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 $self->index_diff_inc($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 = $self->index_old_diff_fn(\%seen, $in_diff, $1,
-                                                       $xnq);
+                       $in_diff = index_old_diff_fn($self, \%seen, $in_diff,
+                                                       $1, $xnq);
                } elsif ($in_diff && s/^\+//) { # diff added
-                       $self->index_diff_inc($_, 'XDFB', $xnq);
+                       index_diff_inc($self, $_, 'XDFB', $xnq);
                } elsif ($in_diff && s/^-//) { # diff removed
-                       $self->index_diff_inc($_, '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);
@@ -230,7 +250,7 @@ sub index_diff ($$$) {
                        # traditional diff w/o -p
                } elsif (/^@@ (?:\S+) (?:\S+) @@\s*(\S+.*)$/) {
                        # hunk header context
-                       $self->index_diff_inc($1, 'XDFHH', $xnq);
+                       index_diff_inc($self, $1, 'XDFHH', $xnq);
                # ignore the following lines:
                } elsif (/^(?:dis)similarity index/ ||
                                /^(?:old|new) mode/ ||
@@ -241,7 +261,9 @@ sub index_diff ($$$) {
                                /^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 '';
@@ -249,83 +271,76 @@ sub index_diff ($$$) {
                }
        }
 
-       $self->index_text(join("\n", @xnq), 1, 'XNQ');
+       index_text($self, join("\n", @xnq), 1, 'XNQ');
 }
 
 sub index_body ($$$) {
-       my ($self, $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;
-                       $self->index_diff($lines, $doc);
+                       index_diff($self, $txt, $doc);
                } else {
-                       $self->index_text($txt, 1, 'XNQ');
+                       index_text($self, $txt, 1, 'XNQ');
                }
        } else {
-               $self->index_text($txt, 0, 'XQUOT');
+               index_text($self, $txt, 0, 'XQUOT');
        }
-       @$lines = ();
 }
 
-sub add_xapian ($$$$$) {
-       my ($self, $mime, $num, $oid, $mids, $mid0) = @_;
-       my $smsg = PublicInbox::SearchMsg->new($mime);
-       my $doc = Search::Xapian::Document->new;
+sub index_xapian { # msg_iter callback
+       my ($part, $depth, @idx) = @{$_[0]};
+       my ($self, $doc) = @{$_[1]};
+       my $ct = $part->content_type || 'text/plain';
+       my $fn = $part->filename;
+       if (defined $fn && $fn ne '') {
+               index_text($self, $fn, 1, 'XFN');
+       }
+
+       my ($s, undef) = msg_part_text($part, $ct);
+       defined $s or return;
+
+       # split off quoted and unquoted blocks:
+       my @sections = split(/((?:^>[^\n]*\n)+)/sm, $s);
+       $part = $s = undef;
+       index_body($self, $_, /\A>/ ? 0 : $doc) for @sections;
+}
+
+sub add_xapian ($$$$) {
+       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);
+       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 = $self->term_generator;
+       my $tg = term_generator($self);
 
        $tg->set_document($doc);
-       $self->index_text($subj, 1, 'S') if $subj;
-       $self->index_users($smsg);
-
-       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 '') {
-                       $self->index_text($fn, 1, 'XFN');
-               }
-
-               my ($s, undef) = msg_part_text($part, $ct);
-               defined $s or return;
-
-               my (@orig, @quot);
-               my @lines = split(/\n/, $s);
-               while (defined(my $l = shift @lines)) {
-                       if ($l =~ /^>/) {
-                               $self->index_body(\@orig, $doc) if @orig;
-                               push @quot, $l;
-                       } else {
-                               $self->index_body(\@quot, 0) if @quot;
-                               push @orig, $l;
-                       }
-               }
-               $self->index_body(\@quot, 0) if @quot;
-               $self->index_body(\@orig, $doc) if @orig;
-       });
+       index_text($self, $subj, 1, 'S') if $subj;
+       index_users($self, $smsg);
 
+       msg_iter($mime, \&index_xapian, [ $self, $doc ]);
        foreach my $mid (@$mids) {
-               $self->index_text($mid, 1, 'XM');
+               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);
-                       $self->index_text(join(' ', @long), 1, 'XM');
+                       index_text($self, join(' ', @long), 1, 'XM');
                }
        }
-       $smsg->{to} = $smsg->{cc} = '';
-       PublicInbox::OverIdx::parse_references($smsg, $mid0, $mids);
-       my $data = $smsg->to_doc_data($oid, $mid0);
+       $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) {
@@ -338,24 +353,39 @@ sub add_xapian ($$$$$) {
                }
        }
        $doc->add_boolean_term('Q' . $_) foreach @$mids;
-       $self->{xdb}->replace_document($num, $doc);
+       $self->{xdb}->replace_document($smsg->{num}, $doc);
+}
+
+sub _msgmap_init ($) {
+       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);
+       };
 }
 
 sub add_message {
        # mime = Email::MIME object
-       my ($self, $mime, $bytes, $num, $oid, $mid0) = @_;
+       my ($self, $mime, $smsg) = @_;
        my $mids = mids_for_index($mime->header_obj);
-       $mid0 = $mids->[0] unless defined $mid0; # v1 compatibility
-       unless (defined $num) { # v1
-               $self->_msgmap_init;
-               $num = index_mm($self, $mime);
-       }
+       $smsg //= bless { blob => '' }, 'PublicInbox::Smsg'; # test-only compat
+       $smsg->{mid} //= $mids->[0]; # v1 compatibility
+       $smsg->{num} //= do { # v1
+               _msgmap_init($self);
+               index_mm($self, $mime);
+       };
        eval {
-               if (need_xapian($self)) {
-                       $self->add_xapian($mime, $num, $oid, $mids, $mid0)
+               # 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 (my $over = $self->{over}) {
-                       $over->add_overview($mime, $bytes, $num, $oid, $mid0);
+               if (need_xapian($self)) {
+                       add_xapian($self, $mime, $smsg, $mids);
                }
        };
 
@@ -363,7 +393,7 @@ sub add_message {
                warn "failed to index message <".join('> <',@$mids).">: $@\n";
                return undef;
        }
-       $num;
+       $smsg->{num};
 }
 
 # returns begin and end PostingIterator
@@ -382,7 +412,7 @@ 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;
                }
                $cb->(\@ids);
@@ -409,7 +439,7 @@ sub remove_message {
                batch_do($self, 'Q' . $mid, sub {
                        my ($ids) = @_;
                        $db->delete_document($_) for @$ids;
-                       $nr = scalar @$ids;
+                       $nr += scalar @$ids;
                });
        };
        if ($@) {
@@ -437,10 +467,10 @@ sub remove_by_oid {
        # there is only ONE element in @delete unless we
        # have bugs in our v2writable deduplication check
        my @delete;
-       for (; $head != $tail; $head->inc) {
+       for (; $head != $tail; $head++) {
                my $docid = $head->get_docid;
                my $doc = $db->get_document($docid);
-               my $smsg = PublicInbox::SearchMsg->wrap($mid);
+               my $smsg = PublicInbox::Smsg->wrap($mid);
                $smsg->load_expand($doc);
                if ($smsg->{blob} eq $oid) {
                        push(@delete, $docid);
@@ -450,18 +480,6 @@ sub remove_by_oid {
        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} = $tg;
-}
-
 sub index_git_blob_id {
        my ($doc, $pfx, $objid) = @_;
 
@@ -515,9 +533,10 @@ sub unindex_mm {
 }
 
 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 {
@@ -580,14 +599,21 @@ sub read_log {
                                next;
                        }
                        my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+                       my $smsg = bless {}, 'PublicInbox::Smsg';
                        batch_adjust(\$max, $bytes, $batch_cb, $latest, ++$nr);
-                       $add_cb->($self, $mime, $bytes, $blob);
+                       $smsg->{blob} = $blob;
+                       $smsg->{bytes} = $bytes;
+                       $add_cb->($self, $mime, $smsg);
                } elsif ($line =~ /$delmsg/o) {
                        my $blob = $1;
                        $D{$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} = $1;
                }
        }
        close($log) or die "git log failed: \$?=$?";
@@ -599,15 +625,6 @@ sub read_log {
        $batch_cb->($nr, $latest, $newest);
 }
 
-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->{inboxdir}, 1);
-       };
-}
-
 sub _git_log {
        my ($self, $opts, $range) = @_;
        my $git = $self->{git};
@@ -652,7 +669,7 @@ sub _git_log {
                $self->{regen_down} = $high + $fcount;
        }
 
-       $git->popen(qw/log --no-notes --no-color --no-renames
+       $git->popen(qw/log --pretty=raw --no-notes --no-color --no-renames
                                --raw -r --no-abbrev/, $range);
 }
 
@@ -663,7 +680,6 @@ sub is_ancestor ($$$) {
        my $cmd = [ 'git', "--git-dir=$git->{git_dir}",
                qw(merge-base --is-ancestor), $cur, $tip ];
        my $pid = spawn($cmd);
-       defined $pid or die "spawning ".join(' ', @$cmd)." failed: $!";
        waitpid($pid, 0) == $pid or die join(' ', @$cmd) .' did not finish';
        $? == 0;
 }