]> Sergey Matveev's repositories - public-inbox.git/blobdiff - lib/PublicInbox/SearchIdx.pm
searchidx: increase term positions for all text terms
[public-inbox.git] / lib / PublicInbox / SearchIdx.pm
index 0eb07a1c12f93a29010bc9a81fd3a355cd5cccd9..6e44887d2651c2b20fef84e8a7d38369badf607e 100644 (file)
@@ -1,55 +1,91 @@
-# Copyright (C) 2015 all contributors <meta@public-inbox.org>
-# License: AGPLv3 or later (https://www.gnu.org/licenses/agpl-3.0.txt)
+# Copyright (C) 2015-2018 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
 #
 # 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 Email::MIME::ContentType;
-$Email::MIME::ContentType::STRICT_PARAMS = 0;
-use base qw(PublicInbox::Search);
-use PublicInbox::MID qw/mid_clean id_compress mid_mime/;
+use base qw(PublicInbox::Search PublicInbox::Lock);
+use PublicInbox::MIME;
+use PublicInbox::InboxWritable;
+use PublicInbox::MID qw/mid_clean id_compress mid_mime mids/;
 use PublicInbox::MsgIter;
 use Carp qw(croak);
+use POSIX qw(strftime);
+use PublicInbox::OverIdx;
+use PublicInbox::Spawn qw(spawn);
 require PublicInbox::Git;
-*xpfx = *PublicInbox::Search::xpfx;
+use Compress::Zlib qw(compress);
 
-use constant MAX_MID_SIZE => 244; # max term size - 1 in Xapian
 use constant {
-       PERM_UMASK => 0,
-       OLD_PERM_GROUP => 1,
-       OLD_PERM_EVERYBODY => 2,
-       PERM_GROUP => 0660,
-       PERM_EVERYBODY => 0664,
+       BATCH_BYTES => 10_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;
-       my $altid;
-       if (ref $inbox) {
-               $git_dir = $inbox->{mainrepo};
-               $altid = $inbox->{altid};
+       my ($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;
                        $altid = [ map {
-                               PublicInbox::AltId->new($inbox, $_);
+                               PublicInbox::AltId->new($ibx, $_);
                        } @$altid ];
                }
+       } else { # v1
+               $ibx = { mainrepo => $git_dir, version => 1 };
        }
+       $ibx = PublicInbox::InboxWritable->new($ibx);
        require Search::Xapian::WritableDatabase;
-       my $self = bless { git_dir => $git_dir, -altid => $altid }, $class;
-       my $perm = $self->_git_config_perm;
-       my $umask = _umask_for($perm);
-       $self->{umask} = $umask;
-       $self->{lock_path} = "$git_dir/ssoma.lock";
-       $self->{git} = PublicInbox::Git->new($git_dir);
+       my $self = bless {
+               mainrepo => $mainrepo,
+               -inbox => $ibx,
+               git => $ibx->git,
+               -altid => $altid,
+               version => $version,
+       }, $class;
+       $ibx->umask_prepare;
+       if ($version == 1) {
+               $self->{lock_path} = "$mainrepo/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;
+               $self->{lock_path} = undef;
+       } else {
+               die "unsupported inbox version=$version\n";
+       }
        $self->{creat} = ($creat || 0) == 1;
        $self;
 }
@@ -58,170 +94,345 @@ sub _xdb_release {
        my ($self) = @_;
        my $xdb = delete $self->{xdb} or croak 'not acquired';
        $xdb->close;
-       _lock_release($self) if $self->{creat};
+       $self->lock_release if $self->{creat};
        undef;
 }
 
 sub _xdb_acquire {
        my ($self) = @_;
        croak 'already acquired' if $self->{xdb};
-       my $dir = PublicInbox::Search->xdir($self->{git_dir});
+       my $dir = $self->xdir;
        my $flag = Search::Xapian::DB_OPEN;
        if ($self->{creat}) {
                require File::Path;
-               _lock_acquire($self);
+               $self->lock_acquire;
                File::Path::mkpath($dir);
-               $self->{batch_size} = 100;
                $flag = Search::Xapian::DB_CREATE_OR_OPEN;
        }
        $self->{xdb} = Search::Xapian::WritableDatabase->new($dir, $flag);
 }
 
-# we only acquire the flock if creating or reindexing;
-# PublicInbox::Import already has the lock on its own.
-sub _lock_acquire {
-       my ($self) = @_;
-       croak 'already locked' if $self->{lockfh};
-       sysopen(my $lockfh, $self->{lock_path}, O_WRONLY|O_CREAT) or
-               die "failed to open lock $self->{lock_path}: $!\n";
-       flock($lockfh, LOCK_EX) or die "lock failed: $!\n";
-       $self->{lockfh} = $lockfh;
-}
-
-sub _lock_release {
-       my ($self) = @_;
-       my $lockfh = delete $self->{lockfh} or croak 'not locked';
-       flock($lockfh, LOCK_UN) or die "unlock failed: $!\n";
-       close $lockfh or die "close failed: $!\n";
-}
-
-sub add_val {
+sub add_val ($$$) {
        my ($doc, $col, $num) = @_;
        $num = Search::Xapian::sortable_serialise($num);
        $doc->add_value($col, $num);
 }
 
-sub add_message {
-       my ($self, $mime, $bytes, $num, $blob) = @_; # mime = Email::MIME object
-       my $db = $self->{xdb};
+sub index_users ($$) {
+       my ($tg, $smsg) = @_;
 
-       my ($doc_id, $old_tid);
-       my $mid = mid_clean(mid_mime($mime));
-       my $ct_msg = $mime->header('Content-Type') || 'text/plain';
+       my $from = $smsg->from;
+       my $to = $smsg->to;
+       my $cc = $smsg->cc;
 
-       eval {
-               die 'Message-ID too long' if length($mid) > MAX_MID_SIZE;
-               my $smsg = $self->lookup_message($mid);
-               if ($smsg) {
-                       # convert a ghost to a regular message
-                       # it will also clobber any existing regular message
-                       $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);
+       $tg->index_text($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;
+}
 
-               my $subj = $smsg->subject;
-               if ($subj ne '') {
-                       my $path = $self->subject_path($subj);
-                       $doc->add_term(xpfx('path') . id_compress($path));
+sub index_diff_inc ($$$$) {
+       my ($tg, $text, $pfx, $xnq) = @_;
+       if (@$xnq) {
+               $tg->index_text(join("\n", @$xnq), 1, 'XNQ');
+               $tg->increase_termpos;
+               @$xnq = ();
+       }
+       $tg->index_text($text, 1, $pfx);
+       $tg->increase_termpos;
+}
+
+sub index_old_diff_fn {
+       my ($tg, $seen, $fa, $fb, $xnq) = @_;
+
+       # no renames or space support for traditional diffs,
+       # find the number of leading common paths to strip:
+       my @fa = split('/', $fa);
+       my @fb = split('/', $fb);
+       while (scalar(@fa) && scalar(@fb)) {
+               $fa = join('/', @fa);
+               $fb = join('/', @fb);
+               if ($fa eq $fb) {
+                       unless ($seen->{$fa}++) {
+                               index_diff_inc($tg, $fa, 'XDFN', $xnq);
+                       }
+                       return 1;
                }
+               shift @fa;
+               shift @fb;
+       }
+       0;
+}
+
+sub index_diff ($$$) {
+       my ($tg, $lines, $doc) = @_;
+       my %seen;
+       my $in_diff;
+       my @xnq;
+       my $xnq = \@xnq;
+       foreach (@$lines) {
+               if ($in_diff && s/^ //) { # diff context
+                       index_diff_inc($tg, $_, '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);
+                       $in_diff = 1;
+               # traditional diff:
+               } elsif (m/^diff -(.+) (\S+) (\S+)$/) {
+                       my ($opt, $fa, $fb) = ($1, $2, $3);
+                       push @xnq, $_;
+                       # only support unified:
+                       next unless $opt =~ /[uU]/;
+                       $in_diff = index_old_diff_fn($tg, \%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);
+                       $in_diff = 1;
+               } elsif (m!^\+\+\+ ("?b/.+)!)  {
+                       my $fn = (split('/', git_unquote($1), 2))[1];
+                       $seen{$fn}++ or index_diff_inc($tg, $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,
+                                                       $xnq);
+               } elsif ($in_diff && s/^\+//) { # diff added
+                       index_diff_inc($tg, $_, 'XDFB', $xnq);
+               } elsif ($in_diff && s/^-//) { # diff removed
+                       index_diff_inc($tg, $_, 'XDFA', $xnq);
+               } elsif (m!^index ([a-f0-9]+)\.\.([a-f0-9]+)!) {
+                       my ($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+.*)$/) {
+                       # hunk header context
+                       index_diff_inc($tg, $1, 'XDFHH', $xnq);
+               # ignore the following lines:
+               } elsif (/^(?:dis)similarity index/ ||
+                               /^(?:old|new) mode/ ||
+                               /^(?:deleted|new) file mode/ ||
+                               /^(?:copy|rename) (?:from|to) / ||
+                               /^(?:dis)?similarity index / ||
+                               /^\\ No newline at end of file/ ||
+                               /^Binary files .* differ/) {
+                       push @xnq, $_;
+               } elsif ($_ eq '') {
+                       $in_diff = undef;
+               } else {
+                       push @xnq, $_;
+                       warn "non-diff line: $_\n" if DEBUG && $_ ne '';
+                       $in_diff = undef;
+               }
+       }
 
-               add_val($doc, &PublicInbox::Search::TS, $smsg->ts);
-
-               defined($num) and
-                       add_val($doc, &PublicInbox::Search::NUM, $num);
+       $tg->index_text(join("\n", @xnq), 1, 'XNQ');
+       $tg->increase_termpos;
+}
 
-               defined($bytes) and
-                       add_val($doc, &PublicInbox::Search::BYTES, $bytes);
+sub index_body ($$$) {
+       my ($tg, $lines, $doc) = @_;
+       my $txt = join("\n", @$lines);
+       if ($doc) {
+               # does it look like a diff?
+               if ($txt =~ /^(?:diff|---|\+\+\+) /ms) {
+                       $txt = undef;
+                       index_diff($tg, $lines, $doc);
+               } else {
+                       $tg->index_text($txt, 1, 'XNQ');
+               }
+       } else {
+               $tg->index_text($txt, 0, 'XQUOT');
+       }
+       $tg->increase_termpos;
+       @$lines = ();
+}
 
-               add_val($doc, &PublicInbox::Search::LINES,
-                               $mime->body_raw =~ tr!\n!\n!);
+sub add_message {
+       # mime = Email::MIME object
+       my ($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
+               $self->_msgmap_init;
+               $num = index_mm($self, $mime);
+       }
+       eval {
+               my $smsg = PublicInbox::SearchMsg->new($mime);
+               my $doc = $smsg->{doc};
+               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 = $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;
 
-               $tg->index_text($smsg->from);
-               $tg->increase_termpos;
+               index_users($tg, $smsg);
 
                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');
+                               $tg->increase_termpos;
+                       }
 
-                       # 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 =~ /^\s*>/) {
+                               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) {
-                               $tg->index_text(join("\n", @quot), 0);
-                               @quot = ();
-                               $tg->increase_termpos;
-                       }
-                       if (@orig) {
-                               $tg->index_text(join("\n", @orig));
-                               @orig = ();
-                               $tg->increase_termpos;
-                       }
+                       index_body($tg, \@quot, 0) if @quot;
+                       index_body($tg, \@orig, $doc) if @orig;
                });
 
-               link_message($self, $smsg, $old_tid);
-               $tg->index_text($mid, 1);
-               $doc->set_data($smsg->to_doc_data($blob));
-
+               foreach my $mid (@$mids) {
+                       $tg->index_text($mid, 1, 'XM');
+                       $tg->increase_termpos;
+               }
+               $smsg->{to} = $smsg->{cc} = '';
+               PublicInbox::OverIdx::parse_references($smsg, $mid0, $mids);
+               my $data = $smsg->to_doc_data($oid, $mid0);
+               $doc->set_data($data);
                if (my $altid = $self->{-altid}) {
                        foreach my $alt (@$altid) {
-                               my $id = $alt->mid2alt($mid);
-                               next unless defined $id;
-                               $doc->add_term($alt->{xprefix} . $id);
+                               my $pfx = $alt->{xprefix};
+                               foreach my $mid (@$mids) {
+                                       my $id = $alt->mid2alt($mid);
+                                       next unless defined $id;
+                                       $doc->add_boolean_term($pfx . $id);
+                               }
                        }
                }
-               if (defined $doc_id) {
-                       $db->replace_document($doc_id, $doc);
-               } else {
-                       $doc_id = $db->add_document($doc);
+
+               if (my $over = $self->{over}) {
+                       $over->add_overview($mime, $bytes, $num, $oid, $mid0);
                }
+               $doc->add_boolean_term('Q' . $_) foreach @$mids;
+               $self->{xdb}->replace_document($doc_id = $num, $doc);
        };
 
        if ($@) {
-               warn "failed to index message <$mid>: $@\n";
+               warn "failed to index message <".join('> <',@$mids).">: $@\n";
                return undef;
        }
        $doc_id;
 }
 
-# returns deleted doc_id on success, undef on missing
+# returns begin and end PostingIterator
+sub find_doc_ids {
+       my ($self, $termval) = @_;
+       my $db = $self->{xdb};
+
+       ($db->postlist_begin($termval), $db->postlist_end($termval));
+}
+
+sub batch_do {
+       my ($self, $termval, $cb) = @_;
+       my $batch_size = 1000; # don't let @ids grow too large to avoid OOM
+       while (1) {
+               my ($head, $tail) = $self->find_doc_ids($termval);
+               return if $head == $tail;
+               my @ids;
+               for (; $head != $tail && @ids < $batch_size; $head->inc) {
+                       push @ids, $head->get_docid;
+               }
+               $cb->(\@ids);
+       }
+}
+
 sub remove_message {
        my ($self, $mid) = @_;
        my $db = $self->{xdb};
-       my $doc_id;
+       my $called;
        $mid = mid_clean($mid);
+       my $over = $self->{over};
 
        eval {
-               $doc_id = $self->find_unique_doc_id('mid', $mid);
-               $db->delete_document($doc_id) if defined $doc_id;
+               batch_do($self, 'Q' . $mid, sub {
+                       my ($ids) = @_;
+                       $db->delete_document($_) for @$ids;
+                       $over->delete_articles($ids) if $over;
+                       $called = 1;
+               });
        };
-
        if ($@) {
                warn "failed to remove message <$mid>: $@\n";
-               return undef;
+       } elsif (!$called) {
+               warn "cannot remove non-existent <$mid>\n";
        }
-       $doc_id;
+}
+
+# MID is a hint in V2
+sub remove_by_oid {
+       my ($self, $oid, $mid) = @_;
+       my $db = $self->{xdb};
+
+       $self->{over}->remove_oid($oid, $mid) if $self->{over};
+
+       # XXX careful, we cannot use batch_do here since we conditionally
+       # delete documents based on other factors, so we cannot call
+       # find_doc_ids twice.
+       my ($head, $tail) = $self->find_doc_ids('Q' . $mid);
+       return if $head == $tail;
+
+       # there is only ONE element in @delete unless we
+       # have bugs in our v2writable deduplication check
+       my @delete;
+       for (; $head != $tail; $head->inc) {
+               my $docid = $head->get_docid;
+               my $doc = $db->get_document($docid);
+               my $smsg = PublicInbox::SearchMsg->wrap($doc, $mid);
+               $smsg->load_expand;
+               if ($smsg->{blob} eq $oid) {
+                       push(@delete, $docid);
+               }
+       }
+       $db->delete_document($_) foreach @delete;
+       scalar(@delete);
 }
 
 sub term_generator { # write-only
@@ -236,71 +447,14 @@ sub term_generator { # write-only
        $self->{term_generator} = $tg;
 }
 
-# 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);
-
-       $last_thread_id;
-}
-
-sub link_message {
-       my ($self, $smsg, $old_tid) = @_;
-       my $doc = $smsg->{doc};
-       my $mid = $smsg->mid;
-       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);
-       }
-
-       my $tid;
-       if (@refs) {
-               my %uniq = ($mid => 1);
-               my @orig_refs = @refs;
-               @refs = ();
+sub index_git_blob_id {
+       my ($doc, $pfx, $objid) = @_;
 
-               # prevent circular references via References: here:
-               foreach my $ref (@orig_refs) {
-                       if (length($ref) > MAX_MID_SIZE) {
-                               warn "References: <$ref> too long, ignoring\n";
-                       }
-                       next if $uniq{$ref};
-                       $uniq{$ref} = 1;
-                       push @refs, $ref;
-               }
-       }
-       if (@refs) {
-               $smsg->{references} = '<'.join('> <', @refs).'>';
-
-               # first ref *should* be the thread root,
-               # but we can never trust clients to do the right thing
-               my $ref = shift @refs;
-               $tid = $self->_resolve_mid_to_tid($ref);
-               $self->merge_threads($tid, $old_tid) if defined $old_tid;
-
-               # the rest of the refs should point to this tid:
-               foreach $ref (@refs) {
-                       my $ptid = $self->_resolve_mid_to_tid($ref);
-                       merge_threads($self, $tid, $ptid);
-               }
-       } else {
-               $tid = $self->next_thread_id;
+       my $len = length($objid);
+       for (my $len = length($objid); $len >= 7; ) {
+               $doc->add_term($pfx.$objid);
+               $objid = substr($objid, 0, --$len);
        }
-       $doc->add_term(xpfx('thread') . $tid);
-}
-
-sub index_blob {
-       my ($self, $mime, $bytes, $num, $blob) = @_;
-       $self->add_message($mime, $bytes, $num, $blob);
 }
 
 sub unindex_blob {
@@ -311,30 +465,44 @@ sub unindex_blob {
 
 sub index_mm {
        my ($self, $mime) = @_;
-       $self->{mm}->mid_insert(mid_clean(mid_mime($mime)));
-}
+       my $mid = mid_clean(mid_mime($mime));
+       my $mm = $self->{mm};
+       my $num;
 
-sub unindex_mm {
-       my ($self, $mime) = @_;
-       $self->{mm}->mid_delete(mid_clean(mid_mime($mime)));
-}
+       if (defined $self->{regen_down}) {
+               $num = $mm->num_for($mid) and return $num;
 
-sub index_mm2 {
-       my ($self, $mime, $bytes, $blob) = @_;
-       my $num = $self->{mm}->num_for(mid_clean(mid_mime($mime)));
-       index_blob($self, $mime, $bytes, $num, $blob);
+               while (($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);
 }
 
-sub unindex_mm2 {
+sub unindex_mm {
        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 $num = index_mm($self, $mime);
-       index_blob($self, $mime, $bytes, $num, $blob);
+       add_message($self, $mime, $bytes, $num, $blob);
 }
 
 sub unindex_both {
@@ -349,17 +517,27 @@ 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;
 }
 
 sub index_sync {
        my ($self, $opts) = @_;
-       with_umask($self, sub { $self->_index_sync($opts) });
+       $self->{-inbox}->with_umask(sub { $self->_index_sync($opts) })
 }
 
-sub rlog {
+sub batch_adjust ($$$$) {
+       my ($max, $bytes, $batch_cb, $latest) = @_;
+       $$max -= $bytes;
+       if ($$max <= 0) {
+               $$max = BATCH_BYTES;
+               $batch_cb->($latest);
+       }
+}
+
+# only for v1
+sub read_log {
        my ($self, $log, $add_cb, $del_cb, $batch_cb) = @_;
        my $hex = '[a-f0-9]';
        my $h40 = $hex .'{40}';
@@ -368,52 +546,110 @@ 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 %D;
        my $line;
+       my $newest;
+       my $mid = '20170114215743.5igbjup6qpsh3jfg@genre.crustytoothpaste.net';
        while (defined($line = <$log>)) {
                if ($line =~ /$addmsg/o) {
                        my $blob = $1;
+                       delete $D{$blob} and next;
                        my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+                       my $mids = mids($mime->header_obj);
+                       foreach (@$mids) {
+                               warn "ADD $mid\n" if ($_ eq $mid);
+                       }
+                       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;
-                       $del_cb->($self, $mime);
+                       $D{$blob} = 1;
                } elsif ($line =~ /^commit ($h40)/o) {
-                       if (defined $max && --$max <= 0) {
-                               $max = $self->{batch_size};
-                               $batch_cb->($latest, 1);
-                       }
                        $latest = $1;
+                       $newest ||= $latest;
+               }
+       }
+       # get the leftovers
+       foreach my $blob (keys %D) {
+               my $mime = do_cat_mail($git, $blob, \$bytes) or next;
+               my $mids = mids($mime->header_obj);
+               foreach (@$mids) {
+                       warn "DEL $mid\n" if ($_ eq $mid);
                }
+               $del_cb->($self, $mime);
        }
-       $batch_cb->($latest, 0);
+       $batch_cb->($latest, $newest);
 }
 
 sub _msgmap_init {
        my ($self) = @_;
-       $self->{mm} = eval {
+       die "BUG: _msgmap_init is only for v1\n" if $self->{version} != 1;
+       $self->{mm} ||= eval {
                require PublicInbox::Msgmap;
-               PublicInbox::Msgmap->new($self->{git_dir}, 1);
+               PublicInbox::Msgmap->new($self->{mainrepo}, 1);
        };
 }
 
 sub _git_log {
        my ($self, $range) = @_;
-       $self->{git}->popen(qw/log --reverse --no-notes --no-color
+       my $git = $self->{git};
+
+       if (index($range, '..') < 0) {
+               my $regen_max = 0;
+               # 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), $range);
+               ++$regen_max while <$fh>;
+               my (undef, $max) = $self->{mm}->minmax;
+
+               if ($max && $max == $regen_max) {
+                       # fix up old bugs in full indexes which caused messages to
+                       # not appear in Msgmap
+                       $self->{regen_up} = $max;
+               } else {
+                       # normal regen is for for fresh data
+                       $self->{regen_down} = $regen_max;
+               }
+       }
+
+       $git->popen(qw/log --no-notes --no-color --no-renames
                                --raw -r --no-abbrev/, $range);
 }
 
-# indexes all unindexed messages
+sub is_ancestor ($$$) {
+       my ($git, $cur, $tip) = @_;
+       return 0 unless $git->check($cur);
+       my $cmd = [ 'git', "--git-dir=$git->{git_dir}",
+               qw(merge-base --is-ancestor), $cur, $tip ];
+       my $pid = spawn($cmd);
+       defined $pid or die "spawning ".join(' ', @$cmd)." failed: $!";
+       waitpid($pid, 0) == $pid or die join(' ', @$cmd) .' did not finish';
+       $? == 0;
+}
+
+sub need_update ($$$) {
+       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 '' || $n > 0);
+}
+
+# indexes all unindexed messages (v1 only)
 sub _index_sync {
        my ($self, $opts) = @_;
        my $tip = $opts->{ref} || 'HEAD';
        my $reindex = $opts->{reindex};
        my ($mkey, $last_commit, $lx, $xlog);
-       $self->{git}->batch_prepare;
-       my $xdb = _xdb_acquire($self);
-       $xdb->begin_transaction;
+       my $git = $self->{git};
+       $git->batch_prepare;
+
+       my $xdb = $self->begin_txn_lazy;
+       my $mm = _msgmap_init($self);
        do {
                $xlog = undef;
                $mkey = 'last_commit';
@@ -423,170 +659,118 @@ sub _index_sync {
                        $lx = '';
                        $mkey = undef if $last_commit ne '';
                }
+
+               # use last_commit from msgmap if it is older or unset
+               my $lm = $mm->last_commit || '';
+               if (!$lm || ($lm && $lx && is_ancestor($git, $lm, $lx))) {
+                       $lx = $lm;
+               }
+
+               $self->{over}->rollback_lazy;
+               $self->{over}->disconnect;
+               delete $self->{txn};
                $xdb->cancel_transaction;
                $xdb = _xdb_release($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);
 
-               $xdb = _xdb_acquire($self);
-               $xdb->begin_transaction;
+               $xdb = $self->begin_txn_lazy;
        } while ($xdb->get_metadata('last_commit') ne $last_commit);
 
-       my $mm = _msgmap_init($self);
        my $dbh = $mm->{dbh} if $mm;
        my $cb = sub {
-               my ($commit, $more) = @_;
+               my ($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;
                }
-               $xdb->set_metadata($mkey, $commit) if $mkey && $commit;
-               $xdb->commit_transaction;
-               $xdb = _xdb_release($self);
+               if ($mkey && $newest) {
+                       my $cur = $xdb->get_metadata($mkey);
+                       if (need_update($self, $cur, $newest)) {
+                               $xdb->set_metadata($mkey, $newest);
+                       }
+               }
+               $self->commit_txn_lazy;
                # let another process do some work... <
-               if ($more) {
-                       $xdb = _xdb_acquire($self);
-                       $xdb->begin_transaction;
+               if (!$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, $r);
-                       rlog($self, $mlog, *index_mm, *unindex_mm, $cb);
-                       $mlog = undef;
-
-                       # now deal with Xapian
-                       $mkey = $mkey_prev;
-                       $dbh = undef;
-                       $xdb = _xdb_acquire($self);
-                       $xdb->begin_transaction;
-                       rlog($self, $xlog, *index_mm2, *unindex_mm2, $cb);
-               }
-       } else {
-               # user didn't install DBD::SQLite and DBI
-               rlog($self, $xlog, *index_blob, *unindex_blob, $cb);
-       }
-}
-
-# this will create a ghost as necessary
-sub _resolve_mid_to_tid {
-       my ($self, $mid) = @_;
-
-       my $smsg = $self->lookup_message($mid) || $self->create_ghost($mid);
-       $smsg->thread_id;
+       $dbh->begin_work;
+       read_log($self, $xlog, *index_both, *unindex_both, $cb);
 }
 
-sub create_ghost {
-       my ($self, $mid) = @_;
-
-       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');
-
-       my $smsg = PublicInbox::SearchMsg->wrap($doc, $mid);
-       $self->{xdb}->add_document($doc);
-
-       $smsg;
+sub DESTROY {
+       # order matters for unlocking
+       $_[0]->{xdb} = undef;
+       $_[0]->{lockfh} = undef;
 }
 
-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 $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, $doc);
+# remote_* subs are only used by SearchIdxPart
+sub remote_commit {
+       my ($self) = @_;
+       if (my $w = $self->{w}) {
+               print $w "commit\n" or die "failed to write commit: $!";
+       } else {
+               $self->commit_txn_lazy;
        }
 }
 
-sub _read_git_config_perm {
+sub remote_close {
        my ($self) = @_;
-       my @cmd = qw(config core.sharedRepository);
-       my $fh = PublicInbox::Git->new($self->{git_dir})->popen(@cmd);
-       local $/ = "\n";
-       my $perm = <$fh>;
-       chomp $perm if defined $perm;
-       $perm;
-}
-
-sub _git_config_perm {
-       my $self = shift;
-       my $perm = scalar @_ ? $_[0] : _read_git_config_perm($self);
-       return PERM_GROUP if (!defined($perm) || $perm eq '');
-       return PERM_UMASK if ($perm eq 'umask');
-       return PERM_GROUP if ($perm eq 'group');
-       if ($perm =~ /\A(?:all|world|everybody)\z/) {
-               return PERM_EVERYBODY;
+       if (my $w = delete $self->{w}) {
+               my $pid = delete $self->{pid} or die "no process to wait on\n";
+               print $w "close\n" or die "failed to write to pid:$pid: $!\n";
+               close $w or die "failed to close pipe for pid:$pid: $!\n";
+               waitpid($pid, 0) == $pid or die "remote process did not finish";
+               $? == 0 or die ref($self)." pid:$pid exited with: $?";
+       } else {
+               die "transaction in progress $self\n" if $self->{txn};
+               $self->_xdb_release if $self->{xdb};
        }
-       return PERM_GROUP if ($perm =~ /\A(?:true|yes|on|1)\z/);
-       return PERM_UMASK if ($perm =~ /\A(?:false|no|off|0)\z/);
-
-       my $i = oct($perm);
-       return PERM_UMASK if ($i == PERM_UMASK);
-       return PERM_GROUP if ($i == OLD_PERM_GROUP);
-       return PERM_EVERYBODY if ($i == OLD_PERM_EVERYBODY);
+}
 
-       if (($i & 0600) != 0600) {
-               die "core.sharedRepository mode invalid: ".
-                   sprintf('%.3o', $i) . "\nOwner must have permissions\n";
+sub remote_remove {
+       my ($self, $oid, $mid) = @_;
+       if (my $w = $self->{w}) {
+               # triggers remove_by_oid in a partition
+               print $w "D $oid $mid\n" or die "failed to write remove $!";
+       } else {
+               $self->begin_txn_lazy;
+               $self->remove_by_oid($oid, $mid);
        }
-       ($i & 0666);
 }
 
-sub _umask_for {
-       my ($perm) = @_; # _git_config_perm return value
-       my $rv = $perm;
-       return umask if $rv == 0;
-
-       # set +x bit if +r or +w were set
-       $rv |= 0100 if ($rv & 0600);
-       $rv |= 0010 if ($rv & 0060);
-       $rv |= 0001 if ($rv & 0006);
-       (~$rv & 0777);
+sub begin_txn_lazy {
+       my ($self) = @_;
+       return if $self->{txn};
+       my $xdb = $self->{xdb} || $self->_xdb_acquire;
+       $self->{over}->begin_lazy if $self->{over};
+       $xdb->begin_transaction;
+       $self->{txn} = 1;
+       $xdb;
 }
 
-sub with_umask {
-       my ($self, $cb) = @_;
-       my $old = umask $self->{umask};
-       my $rv = eval { $cb->() };
-       my $err = $@;
-       umask $old;
-       die $err if $@;
-       $rv;
+sub commit_txn_lazy {
+       my ($self) = @_;
+       delete $self->{txn} or return;
+       $self->{xdb}->commit_transaction;
+       $self->{over}->commit_lazy if $self->{over};
 }
 
-sub DESTROY {
-       # order matters for unlocking
-       $_[0]->{xdb} = undef;
-       $_[0]->{lockfh} = undef;
+sub worker_done {
+       my ($self) = @_;
+       die "$$ $0 xdb not released\n" if $self->{xdb};
+       die "$$ $0 still in transaction\n" if $self->{txn};
 }
 
 1;