]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/SearchIdx.pm
searchidx: remove messages correctly from Xapian index
[public-inbox.git] / lib / PublicInbox / SearchIdx.pm
index 25452daec4280eae41a3d8f311c49bd2d5c0cbde..69b7a6f6964bef876cfb5e41a62d02764b678b19 100644 (file)
@@ -4,13 +4,13 @@
 #
 # Indexes mail with Xapian and our (SQLite-based) ::Msgmap for use
 # with the web and NNTP interfaces.  This index maintains thread
-# relationships for use by Mail::Thread.  This writes to the search
-# index.
+# relationships for use by PublicInbox::SearchThread.
+# This writes to the search index.
 package PublicInbox::SearchIdx;
 use strict;
 use warnings;
 use Fcntl qw(:flock :DEFAULT);
-use Email::MIME;
+use PublicInbox::MIME;
 use Email::MIME::ContentType;
 $Email::MIME::ContentType::STRICT_PARAMS = 0;
 use base qw(PublicInbox::Search);
@@ -19,17 +19,37 @@ use PublicInbox::MsgIter;
 use Carp qw(croak);
 use POSIX qw(strftime);
 require PublicInbox::Git;
-*xpfx = *PublicInbox::Search::xpfx;
 
-use constant MAX_MID_SIZE => 244; # max term size - 1 in Xapian
 use constant {
+       MAX_MID_SIZE => 244, # max term size - 1 in Xapian
        PERM_UMASK => 0,
        OLD_PERM_GROUP => 1,
        OLD_PERM_EVERYBODY => 2,
        PERM_GROUP => 0660,
        PERM_EVERYBODY => 0664,
+       BATCH_BYTES => 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;
+       $s;
+}
+
 sub new {
        my ($class, $inbox, $creat) = @_;
        my $git_dir = $inbox;
@@ -72,7 +92,6 @@ sub _xdb_acquire {
                require File::Path;
                _lock_acquire($self);
                File::Path::mkpath($dir);
-               $self->{batch_size} = 100;
                $flag = Search::Xapian::DB_CREATE_OR_OPEN;
        }
        $self->{xdb} = Search::Xapian::WritableDatabase->new($dir, $flag);
@@ -117,7 +136,7 @@ sub add_values ($$$) {
                        $smsg->{mime}->body_raw =~ tr!\n!\n!);
 
        my $yyyymmdd = strftime('%Y%m%d', gmtime($ts));
-       $doc->add_value(&PublicInbox::Search::YYYYMMDD, $yyyymmdd);
+       add_val($doc, PublicInbox::Search::YYYYMMDD, $yyyymmdd);
 }
 
 sub index_users ($$) {
@@ -135,13 +154,116 @@ sub index_users ($$) {
        $tg->increase_termpos;
 }
 
+sub index_text_inc ($$$) {
+       my ($tg, $text, $pfx) = @_;
+       $tg->index_text($text, 1, $pfx);
+       $tg->increase_termpos;
+}
+
+sub index_old_diff_fn {
+       my ($tg, $seen, $fa, $fb) = @_;
+
+       # no renames or space support for traditional diffs,
+       # find the number of leading common paths to strip:
+       my @fa = split('/', $fa);
+       my @fb = split('/', $fb);
+       while (scalar(@fa) && scalar(@fb)) {
+               $fa = join('/', @fa);
+               $fb = join('/', @fb);
+               if ($fa eq $fb) {
+                       index_text_inc($tg, $fa,'XDFN') unless $seen->{$fa}++;
+                       return 1;
+               }
+               shift @fa;
+               shift @fb;
+       }
+       0;
+}
+
+sub index_diff ($$$) {
+       my ($tg, $lines, $doc) = @_;
+       my %seen;
+       my $in_diff;
+       foreach (@$lines) {
+               if ($in_diff && s/^ //) { # diff context
+                       index_text_inc($tg, $_, 'XDFCTX');
+               } 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];
+                       index_text_inc($tg, $fn, 'XDFN') unless $seen{$fn}++;
+                       $fn = (split('/', git_unquote($fb), 2))[1];
+                       index_text_inc($tg, $fn, 'XDFN') unless $seen{$fn}++;
+                       $in_diff = 1;
+               # traditional diff:
+               } elsif (m/^diff -(.+) (\S+) (\S+)$/) {
+                       my ($opt, $fa, $fb) = ($1, $2, $3);
+                       # only support unified:
+                       next unless $opt =~ /[uU]/;
+                       $in_diff = index_old_diff_fn($tg, \%seen, $fa, $fb);
+               } elsif (m!^--- ("?a/.+)!) {
+                       my $fn = (split('/', git_unquote($1), 2))[1];
+                       index_text_inc($tg, $fn, 'XDFN') unless $seen{$fn}++;
+                       $in_diff = 1;
+               } elsif (m!^\+\+\+ ("?b/.+)!)  {
+                       my $fn = (split('/', git_unquote($1), 2))[1];
+                       index_text_inc($tg, $fn, 'XDFN') unless $seen{$fn}++;
+                       $in_diff = 1;
+               } elsif (/^--- (\S+)/) {
+                       $in_diff = $1;
+               } elsif (defined $in_diff && /^\+\+\+ (\S+)/) {
+                       $in_diff = index_old_diff_fn($tg, \%seen, $in_diff, $1);
+               } elsif ($in_diff && s/^\+//) { # diff added
+                       index_text_inc($tg, $_, 'XDFB');
+               } elsif ($in_diff && s/^-//) { # diff removed
+                       index_text_inc($tg, $_, 'XDFA');
+               } elsif (m!^index ([a-f0-9]+)\.\.([a-f0-9]+)!) {
+                       my ($ba, $bb) = ($1, $2);
+                       index_git_blob_id($doc, 'XDFPRE', $ba);
+                       index_git_blob_id($doc, 'XDFPOST', $bb);
+                       $in_diff = 1;
+               } elsif (/^@@ (?:\S+) (?:\S+) @@\s*$/) {
+                       # traditional diff w/o -p
+               } elsif (/^@@ (?:\S+) (?:\S+) @@\s*(\S+.*)$/) {
+                       # hunk header context
+                       index_text_inc($tg, $1, 'XDFHH');
+               # ignore the following lines:
+               } elsif (/^(?:dis)similarity index/) {
+               } elsif (/^(?:old|new) mode/) {
+               } elsif (/^(?:deleted|new) file mode/) {
+               } elsif (/^(?:copy|rename) (?:from|to) /) {
+               } elsif (/^(?:dis)?similarity index /) {
+               } elsif (/^\\ No newline at end of file/) {
+               } elsif (/^Binary files .* differ/) {
+               } elsif ($_ eq '') {
+                       $in_diff = undef;
+               } else {
+                       warn "non-diff line: $_\n" if DEBUG && $_ ne '';
+                       $in_diff = undef;
+               }
+       }
+}
+
+sub index_body ($$$) {
+       my ($tg, $lines, $doc) = @_;
+       my $txt = join("\n", @$lines);
+       $tg->index_text($txt, !!$doc, $doc ? 'XNQ' : 'XQUOT');
+       $tg->increase_termpos;
+       # does it look like a diff?
+       if ($doc && $txt =~ /^(?:diff|---|\+\+\+) /ms) {
+               $txt = undef;
+               index_diff($tg, $lines, $doc);
+       }
+       @$lines = ();
+}
+
 sub add_message {
        my ($self, $mime, $bytes, $num, $blob) = @_; # mime = Email::MIME object
        my $db = $self->{xdb};
 
        my ($doc_id, $old_tid);
        my $mid = mid_clean(mid_mime($mime));
-       my $ct_msg = $mime->header('Content-Type') || 'text/plain';
 
        eval {
                die 'Message-ID too long' if length($mid) > MAX_MID_SIZE;
@@ -149,17 +271,17 @@ sub add_message {
                if ($smsg) {
                        # convert a ghost to a regular message
                        # it will also clobber any existing regular message
-                       $doc_id = $smsg->doc_id;
+                       $doc_id = $smsg->{doc_id};
                        $old_tid = $smsg->thread_id;
                }
                $smsg = PublicInbox::SearchMsg->new($mime);
                my $doc = $smsg->{doc};
-               $doc->add_term(xpfx('mid') . $mid);
+               $doc->add_term('Q' . $mid);
 
                my $subj = $smsg->subject;
                if ($subj ne '') {
                        my $path = $self->subject_path($subj);
-                       $doc->add_term(xpfx('path') . id_compress($path));
+                       $doc->add_term('XPATH' . id_compress($path));
                }
 
                add_values($smsg, $bytes, $num);
@@ -174,34 +296,41 @@ sub add_message {
 
                msg_iter($mime, sub {
                        my ($part, $depth, @idx) = @{$_[0]};
-                       my $ct = $part->content_type || $ct_msg;
+                       my $ct = $part->content_type || 'text/plain';
+                       my $fn = $part->filename;
+                       if (defined $fn && $fn ne '') {
+                               $tg->index_text($fn, 1, 'XFN');
+                       }
 
-                       # account for filter bugs...
-                       $ct =~ m!\btext/plain\b!i or return;
+                       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;
-                       $part->body_set('');
                        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;
                                }
                        }
-                       if (@quot) {
-                               my $s = join("\n", @quot);
-                               @quot = ();
-                               $tg->index_text($s, 0, 'XQUOT');
-                               $tg->increase_termpos;
-                       }
-                       if (@orig) {
-                               my $s = join("\n", @orig);
-                               @orig = ();
-                               $tg->index_text($s, 1, 'XNQ');
-                               $tg->increase_termpos;
-                       }
+                       index_body($tg, \@quot, 0) if @quot;
+                       index_body($tg, \@orig, $doc) if @orig;
                });
 
                link_message($self, $smsg, $old_tid);
@@ -237,8 +366,12 @@ sub remove_message {
        $mid = mid_clean($mid);
 
        eval {
-               $doc_id = $self->find_unique_doc_id('mid', $mid);
-               $db->delete_document($doc_id) if defined $doc_id;
+               $doc_id = $self->find_unique_doc_id('Q' . $mid);
+               if (defined $doc_id) {
+                       $db->delete_document($doc_id);
+               } else {
+                       warn "cannot remove non-existent <$mid>\n";
+               }
        };
 
        if ($@) {
@@ -276,15 +409,14 @@ sub link_message {
        my ($self, $smsg, $old_tid) = @_;
        my $doc = $smsg->{doc};
        my $mid = $smsg->mid;
-       my $mime = $smsg->mime;
+       my $mime = $smsg->{mime};
        my $hdr = $mime->header_obj;
-       my $refs = $hdr->header_raw('References');
-       my @refs = $refs ? ($refs =~ /<([^>]+)>/g) : ();
-       if (my $irt = $hdr->header_raw('In-Reply-To')) {
-               # last References should be $irt
-               # we will de-dupe later
-               push @refs, mid_clean($irt);
-       }
+
+       # last References should be IRT, but some mail clients do things
+       # out of order, so trust IRT over References iff IRT exists
+       my @refs = ($hdr->header_raw('References'),
+                       $hdr->header_raw('In-Reply-To'));
+       @refs = ((join(' ', @refs)) =~ /<([^>]+)>/g);
 
        my $tid;
        if (@refs) {
@@ -302,6 +434,7 @@ sub link_message {
                        push @refs, $ref;
                }
        }
+
        if (@refs) {
                $smsg->{references} = '<'.join('> <', @refs).'>';
 
@@ -317,9 +450,9 @@ sub link_message {
                        merge_threads($self, $tid, $ptid);
                }
        } else {
-               $tid = $self->next_thread_id;
+               $tid = defined $old_tid ? $old_tid : $self->next_thread_id;
        }
-       $doc->add_term(xpfx('thread') . $tid);
+       $doc->add_term('G' . $tid);
 }
 
 sub index_blob {
@@ -327,6 +460,16 @@ sub index_blob {
        $self->add_message($mime, $bytes, $num, $blob);
 }
 
+sub index_git_blob_id {
+       my ($doc, $pfx, $objid) = @_;
+
+       my $len = length($objid);
+       for (my $len = length($objid); $len >= 7; ) {
+               $doc->add_term($pfx.$objid);
+               $objid = substr($objid, 0, --$len);
+       }
+}
+
 sub unindex_blob {
        my ($self, $mime) = @_;
        my $mid = eval { mid_clean(mid_mime($mime)) };
@@ -373,7 +516,7 @@ sub do_cat_mail {
                my $str = $git->cat_file($blob, $sizeref);
                # fixup bugs from import:
                $$str =~ s/\A[\r\n]*From [^\r\n]*\r?\n//s;
-               Email::MIME->new($str);
+               PublicInbox::MIME->new($str);
        };
        $@ ? undef : $mime;
 }
@@ -383,6 +526,15 @@ sub index_sync {
        with_umask($self, sub { $self->_index_sync($opts) });
 }
 
+sub batch_adjust ($$$$) {
+       my ($max, $bytes, $batch_cb, $latest) = @_;
+       $$max -= $bytes;
+       if ($$max <= 0) {
+               $$max = BATCH_BYTES;
+               $batch_cb->($latest, 1);
+       }
+}
+
 sub rlog {
        my ($self, $log, $add_cb, $del_cb, $batch_cb) = @_;
        my $hex = '[a-f0-9]';
@@ -392,23 +544,21 @@ sub rlog {
        my $git = $self->{git};
        my $latest;
        my $bytes;
-       my $max = $self->{batch_size}; # may be undef
+       my $max = BATCH_BYTES;
        local $/ = "\n";
        my $line;
        while (defined($line = <$log>)) {
                if ($line =~ /$addmsg/o) {
                        my $blob = $1;
                        my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+                       batch_adjust(\$max, $bytes, $batch_cb, $latest);
                        $add_cb->($self, $mime, $bytes, $blob);
                } elsif ($line =~ /$delmsg/o) {
                        my $blob = $1;
-                       my $mime = do_cat_mail($git, $blob) or next;
+                       my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+                       batch_adjust(\$max, $bytes, $batch_cb, $latest);
                        $del_cb->($self, $mime);
                } elsif ($line =~ /^commit ($h40)/o) {
-                       if (defined $max && --$max <= 0) {
-                               $max = $self->{batch_size};
-                               $batch_cb->($latest, 1);
-                       }
                        $latest = $1;
                }
        }
@@ -529,9 +679,9 @@ sub create_ghost {
 
        my $tid = $self->next_thread_id;
        my $doc = Search::Xapian::Document->new;
-       $doc->add_term(xpfx('mid') . $mid);
-       $doc->add_term(xpfx('thread') . $tid);
-       $doc->add_term(xpfx('type') . 'ghost');
+       $doc->add_term('Q' . $mid);
+       $doc->add_term('G' . $tid);
+       $doc->add_term('T' . 'ghost');
 
        my $smsg = PublicInbox::SearchMsg->wrap($doc, $mid);
        $self->{xdb}->add_document($doc);
@@ -542,15 +692,14 @@ sub create_ghost {
 sub merge_threads {
        my ($self, $winner_tid, $loser_tid) = @_;
        return if $winner_tid == $loser_tid;
-       my ($head, $tail) = $self->find_doc_ids('thread', $loser_tid);
-       my $thread_pfx = xpfx('thread');
+       my ($head, $tail) = $self->find_doc_ids('G' . $loser_tid);
        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);
+               $doc->remove_term('G' . $loser_tid);
+               $doc->add_term('G' . $winner_tid);
                $db->replace_document($docid, $doc);
        }
 }
@@ -607,7 +756,7 @@ sub with_umask {
        my $rv = eval { $cb->() };
        my $err = $@;
        umask $old;
-       die $err if $@;
+       die $err if $err;
        $rv;
 }