]> git.sur5r.net Git - openldap/blob - libraries/libmdb/mdb.c
0c1329e856259a8ed823e5d7e556596737f442e6
[openldap] / libraries / libmdb / mdb.c
1 /** @file mdb.c
2  *      @brief memory-mapped database library
3  *
4  *      A Btree-based database management library modeled loosely on the
5  *      BerkeleyDB API, but much simplified.
6  */
7 /*
8  * Copyright 2011 Howard Chu, Symas Corp.
9  * All rights reserved.
10  *
11  * Redistribution and use in source and binary forms, with or without
12  * modification, are permitted only as authorized by the OpenLDAP
13  * Public License.
14  *
15  * A copy of this license is available in the file LICENSE in the
16  * top-level directory of the distribution or, alternatively, at
17  * <http://www.OpenLDAP.org/license.html>.
18  *
19  * This code is derived from btree.c written by Martin Hedenfalk.
20  *
21  * Copyright (c) 2009, 2010 Martin Hedenfalk <martin@bzero.se>
22  *
23  * Permission to use, copy, modify, and distribute this software for any
24  * purpose with or without fee is hereby granted, provided that the above
25  * copyright notice and this permission notice appear in all copies.
26  *
27  * THE SOFTWARE IS PROVIDED "AS IS" AND THE AUTHOR DISCLAIMS ALL WARRANTIES
28  * WITH REGARD TO THIS SOFTWARE INCLUDING ALL IMPLIED WARRANTIES OF
29  * MERCHANTABILITY AND FITNESS. IN NO EVENT SHALL THE AUTHOR BE LIABLE FOR
30  * ANY SPECIAL, DIRECT, INDIRECT, OR CONSEQUENTIAL DAMAGES OR ANY DAMAGES
31  * WHATSOEVER RESULTING FROM LOSS OF USE, DATA OR PROFITS, WHETHER IN AN
32  * ACTION OF CONTRACT, NEGLIGENCE OR OTHER TORTIOUS ACTION, ARISING OUT OF
33  * OR IN CONNECTION WITH THE USE OR PERFORMANCE OF THIS SOFTWARE.
34  */
35 #include <sys/types.h>
36 #include <sys/stat.h>
37 #include <sys/param.h>
38 #ifdef _WIN32
39 #include <windows.h>
40 #else
41 #include <sys/uio.h>
42 #include <sys/mman.h>
43 #ifdef HAVE_SYS_FILE_H
44 #include <sys/file.h>
45 #endif
46 #include <fcntl.h>
47 #endif
48
49 #include <assert.h>
50 #include <errno.h>
51 #include <limits.h>
52 #include <stddef.h>
53 #include <stdint.h>
54 #include <stdio.h>
55 #include <stdlib.h>
56 #include <string.h>
57 #include <time.h>
58 #include <unistd.h>
59
60 #ifndef _WIN32
61 #include <pthread.h>
62 #endif
63
64 #include "mdb.h"
65 #include "midl.h"
66
67 #if (__BYTE_ORDER == __LITTLE_ENDIAN) == (__BYTE_ORDER == __BIG_ENDIAN)
68 # error "Unknown or unsupported endianness (__BYTE_ORDER)"
69 #elif (-6 & 5) || CHAR_BIT != 8 || UINT_MAX < 0xffffffff || ULONG_MAX % 0xFFFF
70 # error "Two's complement, reasonably sized integer types, please"
71 #endif
72
73 /** @defgroup internal  MDB Internals
74  *      @{
75  */
76 /** @defgroup compat    Windows Compatibility Macros
77  *      A bunch of macros to minimize the amount of platform-specific ifdefs
78  *      needed throughout the rest of the code. When the features this library
79  *      needs are similar enough to POSIX to be hidden in a one-or-two line
80  *      replacement, this macro approach is used.
81  *      @{
82  */
83 #ifdef _WIN32
84 #define pthread_t       DWORD
85 #define pthread_mutex_t HANDLE
86 #define pthread_key_t   DWORD
87 #define pthread_self()  GetCurrentThreadId()
88 #define pthread_key_create(x,y) (*(x) = TlsAlloc())
89 #define pthread_key_delete(x)   TlsFree(x)
90 #define pthread_getspecific(x)  TlsGetValue(x)
91 #define pthread_setspecific(x,y)        TlsSetValue(x,y)
92 #define pthread_mutex_unlock(x) ReleaseMutex(x)
93 #define pthread_mutex_lock(x)   WaitForSingleObject(x, INFINITE)
94 #define LOCK_MUTEX_R(env)       pthread_mutex_lock((env)->me_rmutex)
95 #define UNLOCK_MUTEX_R(env)     pthread_mutex_unlock((env)->me_rmutex)
96 #define LOCK_MUTEX_W(env)       pthread_mutex_lock((env)->me_wmutex)
97 #define UNLOCK_MUTEX_W(env)     pthread_mutex_unlock((env)->me_wmutex)
98 #define getpid()        GetCurrentProcessId()
99 #define fdatasync(fd)   (!FlushFileBuffers(fd))
100 #define ErrCode()       GetLastError()
101 #define GET_PAGESIZE(x) {SYSTEM_INFO si; GetSystemInfo(&si); (x) = si.dwPageSize;}
102 #define close(fd)       CloseHandle(fd)
103 #define munmap(ptr,len) UnmapViewOfFile(ptr)
104 #else
105         /** Lock the reader mutex.
106          */
107 #define LOCK_MUTEX_R(env)       pthread_mutex_lock(&(env)->me_txns->mti_mutex)
108         /** Unlock the reader mutex.
109          */
110 #define UNLOCK_MUTEX_R(env)     pthread_mutex_unlock(&(env)->me_txns->mti_mutex)
111
112         /** Lock the writer mutex.
113          *      Only a single write transaction is allowed at a time. Other writers
114          *      will block waiting for this mutex.
115          */
116 #define LOCK_MUTEX_W(env)       pthread_mutex_lock(&(env)->me_txns->mti_wmutex)
117         /** Unlock the writer mutex.
118          */
119 #define UNLOCK_MUTEX_W(env)     pthread_mutex_unlock(&(env)->me_txns->mti_wmutex)
120
121         /** Get the error code for the last failed system function.
122          */
123 #define ErrCode()       errno
124
125         /** An abstraction for a file handle.
126          *      On POSIX systems file handles are small integers. On Windows
127          *      they're opaque pointers.
128          */
129 #define HANDLE  int
130
131         /**     A value for an invalid file handle.
132          *      Mainly used to initialize file variables and signify that they are
133          *      unused.
134          */
135 #define INVALID_HANDLE_VALUE    (-1)
136
137         /** Get the size of a memory page for the system.
138          *      This is the basic size that the platform's memory manager uses, and is
139          *      fundamental to the use of memory-mapped files.
140          */
141 #define GET_PAGESIZE(x) ((x) = sysconf(_SC_PAGE_SIZE))
142 #endif
143
144 /** @} */
145
146 #ifndef _WIN32
147 /**     A flag for opening a file and requesting synchronous data writes.
148  *      This is only used when writing a meta page. It's not strictly needed;
149  *      we could just do a normal write and then immediately perform a flush.
150  *      But if this flag is available it saves us an extra system call.
151  *
152  *      @note If O_DSYNC is undefined but exists in /usr/include,
153  * preferably set some compiler flag to get the definition.
154  * Otherwise compile with the less efficient -DMDB_DSYNC=O_SYNC.
155  */
156 #ifndef MDB_DSYNC
157 # define MDB_DSYNC      O_DSYNC
158 #endif
159 #endif
160
161         /** A page number in the database.
162          *      Note that 64 bit page numbers are overkill, since pages themselves
163          *      already represent 12-13 bits of addressable memory, and the OS will
164          *      always limit applications to a maximum of 63 bits of address space.
165          *
166          *      @note In the #MDB_node structure, we only store 48 bits of this value,
167          *      which thus limits us to only 60 bits of addressable data.
168          */
169 typedef ULONG           pgno_t;
170
171         /** A transaction ID.
172          *      See struct MDB_txn.mt_txnid for details.
173          */
174 typedef ULONG           txnid_t;
175
176 /** @defgroup debug     Debug Macros
177  *      @{
178  */
179 #ifndef DEBUG
180         /**     Enable debug output.
181          *      Set this to 1 for copious tracing. Set to 2 to add dumps of all IDLs
182          *      read from and written to the database (used for free space management).
183          */
184 #define DEBUG 0
185 #endif
186
187 #if !(__STDC_VERSION__ >= 199901L || defined(__GNUC__))
188 # define DPRINTF        (void)  /* Vararg macros may be unsupported */
189 #elif DEBUG
190         /**     Print a debug message with printf formatting. */
191 # define DPRINTF(fmt, ...)      /**< Requires 2 or more args */ \
192         fprintf(stderr, "%s:%d:(%p) " fmt "\n", __func__, __LINE__, pthread_self(), __VA_ARGS__)
193 #else
194 # define DPRINTF(fmt, ...)      ((void) 0)
195 #endif
196         /**     Print a debug string.
197          *      The string is printed literally, with no format processing.
198          */
199 #define DPUTS(arg)      DPRINTF("%s", arg)
200 /** @} */
201
202         /** A default memory page size.
203          *      The actual size is platform-dependent, but we use this for
204          *      boot-strapping. We probably should not be using this any more.
205          *      The #GET_PAGESIZE() macro is used to get the actual size.
206          *
207          *      Note that we don't currently support Huge pages. On Linux,
208          *      regular data files cannot use Huge pages, and in general
209          *      Huge pages aren't actually pageable. We rely on the OS
210          *      demand-pager to read our data and page it out when memory
211          *      pressure from other processes is high. So until OSs have
212          *      actual paging support for Huge pages, they're not viable.
213          */
214 #define PAGESIZE         4096
215
216         /** The minimum number of keys required in a database page.
217          *      Setting this to a larger value will place a smaller bound on the
218          *      maximum size of a data item. Data items larger than this size will
219          *      be pushed into overflow pages instead of being stored directly in
220          *      the B-tree node. This value used to default to 4. With a page size
221          *      of 4096 bytes that meant that any item larger than 1024 bytes would
222          *      go into an overflow page. That also meant that on average 2-3KB of
223          *      each overflow page was wasted space. The value cannot be lower than
224          *      2 because then there would no longer be a tree structure. With this
225          *      value, items larger than 2KB will go into overflow pages, and on
226          *      average only 1KB will be wasted.
227          */
228 #define MDB_MINKEYS      2
229
230         /**     A stamp that identifies a file as an MDB file.
231          *      There's nothing special about this value other than that it is easily
232          *      recognizable, and it will reflect any byte order mismatches.
233          */
234 #define MDB_MAGIC        0xBEEFC0DE
235
236         /**     The version number for a database's file format. */
237 #define MDB_VERSION      1
238
239         /**     The maximum size of a key in the database.
240          *      While data items have essentially unbounded size, we require that
241          *      keys all fit onto a regular page. This limit could be raised a bit
242          *      further if needed; to something just under #PAGESIZE / #MDB_MINKEYS.
243          */
244 #define MAXKEYSIZE       511
245
246 #if DEBUG
247         /**     A key buffer.
248          *      @ingroup debug
249          *      This is used for printing a hex dump of a key's contents.
250          */
251 #define DKBUF   char kbuf[(MAXKEYSIZE*2+1)]
252         /**     Display a key in hex.
253          *      @ingroup debug
254          *      Invoke a function to display a key in hex.
255          */
256 #define DKEY(x) mdb_dkey(x, kbuf)
257 #else
258 #define DKBUF   typedef int dummy_kbuf  /* so we can put ';' after */
259 #define DKEY(x)
260 #endif
261
262 /**     @defgroup lazylock      Lazy Locking
263  *      Macros for locks that are't actually needed.
264  *      The DB view is always consistent because all writes are wrapped in
265  *      the wmutex. Finer-grained locks aren't necessary.
266  *      @{
267  */
268 #ifndef LAZY_LOCKS
269         /**     Use lazy locking. I.e., don't lock these accesses at all. */
270 #define LAZY_LOCKS      1
271 #endif
272 #if     LAZY_LOCKS
273         /** Grab the reader lock */
274 #define LAZY_MUTEX_LOCK(x)
275         /** Release the reader lock */
276 #define LAZY_MUTEX_UNLOCK(x)
277         /** Release the DB table reader/writer lock */
278 #define LAZY_RWLOCK_UNLOCK(x)
279         /** Grab the DB table write lock */
280 #define LAZY_RWLOCK_WRLOCK(x)
281         /** Grab the DB table read lock */
282 #define LAZY_RWLOCK_RDLOCK(x)
283         /** Declare the DB table rwlock.  Should not be followed by ';'. */
284 #define LAZY_RWLOCK_DEF(x)
285         /** Initialize the DB table rwlock */
286 #define LAZY_RWLOCK_INIT(x,y)
287         /**     Destroy the DB table rwlock */
288 #define LAZY_RWLOCK_DESTROY(x)
289 #else
290 #define LAZY_MUTEX_LOCK(x)              pthread_mutex_lock(x)
291 #define LAZY_MUTEX_UNLOCK(x)    pthread_mutex_unlock(x)
292 #define LAZY_RWLOCK_UNLOCK(x)   pthread_rwlock_unlock(x)
293 #define LAZY_RWLOCK_WRLOCK(x)   pthread_rwlock_wrlock(x)
294 #define LAZY_RWLOCK_RDLOCK(x)   pthread_rwlock_rdlock(x)
295 #define LAZY_RWLOCK_DEF(x)              pthread_rwlock_t        x
296 #define LAZY_RWLOCK_INIT(x,y)   pthread_rwlock_init(x,y)
297 #define LAZY_RWLOCK_DESTROY(x)  pthread_rwlock_destroy(x)
298 #endif
299 /** @} */
300
301         /** An invalid page number.
302          *      Mainly used to denote an empty tree.
303          */
304 #define P_INVALID        (~0UL)
305
306         /** Test if a flag \b f is set in a flag word \b w. */
307 #define F_ISSET(w, f)    (((w) & (f)) == (f))
308
309         /**     Used for offsets within a single page.
310          *      Since memory pages are typically 4 or 8KB in size, 12-13 bits,
311          *      this is plenty.
312          */
313 typedef uint16_t         indx_t;
314
315         /**     Default size of memory map.
316          *      This is certainly too small for any actual applications. Apps should always set
317          *      the size explicitly using #mdb_env_set_mapsize().
318          */
319 #define DEFAULT_MAPSIZE 1048576
320
321 /**     @defgroup readers       Reader Lock Table
322  *      Readers don't acquire any locks for their data access. Instead, they
323  *      simply record their transaction ID in the reader table. The reader
324  *      mutex is needed just to find an empty slot in the reader table. The
325  *      slot's address is saved in thread-specific data so that subsequent read
326  *      transactions started by the same thread need no further locking to proceed.
327  *
328  *      Since the database uses multi-version concurrency control, readers don't
329  *      actually need any locking. This table is used to keep track of which
330  *      readers are using data from which old transactions, so that we'll know
331  *      when a particular old transaction is no longer in use. Old transactions
332  *      that have discarded any data pages can then have those pages reclaimed
333  *      for use by a later write transaction.
334  *
335  *      The lock table is constructed such that reader slots are aligned with the
336  *      processor's cache line size. Any slot is only ever used by one thread.
337  *      This alignment guarantees that there will be no contention or cache
338  *      thrashing as threads update their own slot info, and also eliminates
339  *      any need for locking when accessing a slot.
340  *
341  *      A writer thread will scan every slot in the table to determine the oldest
342  *      outstanding reader transaction. Any freed pages older than this will be
343  *      reclaimed by the writer. The writer doesn't use any locks when scanning
344  *      this table. This means that there's no guarantee that the writer will
345  *      see the most up-to-date reader info, but that's not required for correct
346  *      operation - all we need is to know the upper bound on the oldest reader,
347  *      we don't care at all about the newest reader. So the only consequence of
348  *      reading stale information here is that old pages might hang around a
349  *      while longer before being reclaimed. That's actually good anyway, because
350  *      the longer we delay reclaiming old pages, the more likely it is that a
351  *      string of contiguous pages can be found after coalescing old pages from
352  *      many old transactions together.
353  *
354  *      @todo We don't actually do such coalescing yet, we grab pages from one
355  *      old transaction at a time.
356  *      @{
357  */
358         /**     Number of slots in the reader table.
359          *      This value was chosen somewhat arbitrarily. 126 readers plus a
360          *      couple mutexes fit exactly into 8KB on my development machine.
361          *      Applications should set the table size using #mdb_env_set_maxreaders().
362          */
363 #define DEFAULT_READERS 126
364
365         /**     The size of a CPU cache line in bytes. We want our lock structures
366          *      aligned to this size to avoid false cache line sharing in the
367          *      lock table.
368          *      This value works for most CPUs. For Itanium this should be 128.
369          */
370 #ifndef CACHELINE
371 #define CACHELINE       64
372 #endif
373
374         /**     The information we store in a single slot of the reader table.
375          *      In addition to a transaction ID, we also record the process and
376          *      thread ID that owns a slot, so that we can detect stale information,
377          *      e.g. threads or processes that went away without cleaning up.
378          *      @note We currently don't check for stale records. We simply re-init
379          *      the table when we know that we're the only process opening the
380          *      lock file.
381          */
382 typedef struct MDB_rxbody {
383         /**     The current Transaction ID when this transaction began.
384          *      Multiple readers that start at the same time will probably have the
385          *      same ID here. Again, it's not important to exclude them from
386          *      anything; all we need to know is which version of the DB they
387          *      started from so we can avoid overwriting any data used in that
388          *      particular version.
389          */
390         txnid_t         mrb_txnid;
391         /** The process ID of the process owning this reader txn. */
392         pid_t           mrb_pid;
393         /** The thread ID of the thread owning this txn. */
394         pthread_t       mrb_tid;
395 } MDB_rxbody;
396
397         /** The actual reader record, with cacheline padding. */
398 typedef struct MDB_reader {
399         union {
400                 MDB_rxbody mrx;
401                 /** shorthand for mrb_txnid */
402 #define mr_txnid        mru.mrx.mrb_txnid
403 #define mr_pid  mru.mrx.mrb_pid
404 #define mr_tid  mru.mrx.mrb_tid
405                 /** cache line alignment */
406                 char pad[(sizeof(MDB_rxbody)+CACHELINE-1) & ~(CACHELINE-1)];
407         } mru;
408 } MDB_reader;
409
410         /** The header for the reader table.
411          *      The table resides in a memory-mapped file. (This is a different file
412          *      than is used for the main database.)
413          *
414          *      For POSIX the actual mutexes reside in the shared memory of this
415          *      mapped file. On Windows, mutexes are named objects allocated by the
416          *      kernel; we store the mutex names in this mapped file so that other
417          *      processes can grab them. This same approach will also be used on
418          *      MacOSX/Darwin (using named semaphores) since MacOSX doesn't support
419          *      process-shared POSIX mutexes.
420          */
421 typedef struct MDB_txbody {
422                 /** Stamp identifying this as an MDB lock file. It must be set
423                  *      to #MDB_MAGIC. */
424         uint32_t        mtb_magic;
425                 /** Version number of this lock file. Must be set to #MDB_VERSION. */
426         uint32_t        mtb_version;
427 #ifdef _WIN32
428         char    mtb_rmname[32];
429 #else
430                 /** Mutex protecting access to this table.
431                  *      This is the reader lock that #LOCK_MUTEX_R acquires.
432                  */
433         pthread_mutex_t mtb_mutex;
434 #endif
435                 /**     The ID of the last transaction committed to the database.
436                  *      This is recorded here only for convenience; the value can always
437                  *      be determined by reading the main database meta pages.
438                  */
439         txnid_t         mtb_txnid;
440                 /** The number of slots that have been used in the reader table.
441                  *      This always records the maximum count, it is not decremented
442                  *      when readers release their slots.
443                  */
444         unsigned        mtb_numreaders;
445                 /**     The ID of the most recent meta page in the database.
446                  *      This is recorded here only for convenience; the value can always
447                  *      be determined by reading the main database meta pages.
448                  */
449         uint32_t        mtb_me_toggle;
450 } MDB_txbody;
451
452         /** The actual reader table definition. */
453 typedef struct MDB_txninfo {
454         union {
455                 MDB_txbody mtb;
456 #define mti_magic       mt1.mtb.mtb_magic
457 #define mti_version     mt1.mtb.mtb_version
458 #define mti_mutex       mt1.mtb.mtb_mutex
459 #define mti_rmname      mt1.mtb.mtb_rmname
460 #define mti_txnid       mt1.mtb.mtb_txnid
461 #define mti_numreaders  mt1.mtb.mtb_numreaders
462 #define mti_me_toggle   mt1.mtb.mtb_me_toggle
463                 char pad[(sizeof(MDB_txbody)+CACHELINE-1) & ~(CACHELINE-1)];
464         } mt1;
465         union {
466 #ifdef _WIN32
467                 char mt2_wmname[32];
468 #define mti_wmname      mt2.mt2_wmname
469 #else
470                 pthread_mutex_t mt2_wmutex;
471 #define mti_wmutex      mt2.mt2_wmutex
472 #endif
473                 char pad[(sizeof(pthread_mutex_t)+CACHELINE-1) & ~(CACHELINE-1)];
474         } mt2;
475         MDB_reader      mti_readers[1];
476 } MDB_txninfo;
477 /** @} */
478
479 /** Common header for all page types.
480  * Overflow pages occupy a number of contiguous pages with no
481  * headers on any page after the first.
482  */
483 typedef struct MDB_page {
484 #define mp_pgno mp_p.p_pgno
485 #define mp_next mp_p.p_next
486         union padded {
487                 pgno_t          p_pgno; /**< page number */
488                 void *          p_next; /**< for in-memory list of freed structs */
489         } mp_p;
490 #define P_BRANCH         0x01           /**< branch page */
491 #define P_LEAF           0x02           /**< leaf page */
492 #define P_OVERFLOW       0x04           /**< overflow page */
493 #define P_META           0x08           /**< meta page */
494 #define P_DIRTY          0x10           /**< dirty page */
495 #define P_LEAF2          0x20           /**< for #MDB_DUPFIXED records */
496         uint32_t        mp_flags;
497 #define mp_lower        mp_pb.pb.pb_lower
498 #define mp_upper        mp_pb.pb.pb_upper
499 #define mp_pages        mp_pb.pb_pages
500         union page_bounds {
501                 struct {
502                         indx_t          pb_lower;               /**< lower bound of free space */
503                         indx_t          pb_upper;               /**< upper bound of free space */
504                 } pb;
505                 uint32_t        pb_pages;       /**< number of overflow pages */
506         } mp_pb;
507         indx_t          mp_ptrs[1];             /**< dynamic size */
508 } MDB_page;
509
510         /** Size of the page header, excluding dynamic data at the end */
511 #define PAGEHDRSZ        ((unsigned) offsetof(MDB_page, mp_ptrs))
512
513         /** Address of first usable data byte in a page, after the header */
514 #define METADATA(p)      ((void *)((char *)(p) + PAGEHDRSZ))
515
516         /** Number of nodes on a page */
517 #define NUMKEYS(p)       (((p)->mp_lower - PAGEHDRSZ) >> 1)
518
519         /** The amount of space remaining in the page */
520 #define SIZELEFT(p)      (indx_t)((p)->mp_upper - (p)->mp_lower)
521
522         /** The percentage of space used in the page, in tenths of a percent. */
523 #define PAGEFILL(env, p) (1000L * ((env)->me_psize - PAGEHDRSZ - SIZELEFT(p)) / \
524                                 ((env)->me_psize - PAGEHDRSZ))
525         /** The minimum page fill factor, in tenths of a percent.
526          *      Pages emptier than this are candidates for merging.
527          */
528 #define FILL_THRESHOLD   250
529
530         /** Test if a page is a leaf page */
531 #define IS_LEAF(p)       F_ISSET((p)->mp_flags, P_LEAF)
532         /** Test if a page is a LEAF2 page */
533 #define IS_LEAF2(p)      F_ISSET((p)->mp_flags, P_LEAF2)
534         /** Test if a page is a branch page */
535 #define IS_BRANCH(p)     F_ISSET((p)->mp_flags, P_BRANCH)
536         /** Test if a page is an overflow page */
537 #define IS_OVERFLOW(p)   F_ISSET((p)->mp_flags, P_OVERFLOW)
538
539         /** The number of overflow pages needed to store the given size. */
540 #define OVPAGES(size, psize)    ((PAGEHDRSZ-1 + (size)) / (psize) + 1)
541
542         /** Header for a single key/data pair within a page.
543          * We guarantee 2-byte alignment for nodes.
544          */
545 typedef struct MDB_node {
546         /** lo and hi are used for data size on leaf nodes and for
547          * child pgno on branch nodes. On 64 bit platforms, flags
548          * is also used for pgno. (Branch nodes have no flags).
549          * They are in in host byte order in case that lets some
550          * accesses be optimized into a 32-bit word access.
551          */
552 #define mn_lo mn_offset[__BYTE_ORDER!=__LITTLE_ENDIAN]
553 #define mn_hi mn_offset[__BYTE_ORDER==__LITTLE_ENDIAN] /**< part of dsize or pgno */
554         unsigned short  mn_offset[2];
555         unsigned short  mn_flags;               /**< flags for special node types */
556 #define F_BIGDATA        0x01                   /**< data put on overflow page */
557 #define F_SUBDATA        0x02                   /**< data is a sub-database */
558 #define F_DUPDATA        0x04                   /**< data has duplicates */
559         unsigned short  mn_ksize;               /**< key size */
560         char            mn_data[1];                     /**< key and data are appended here */
561 } MDB_node;
562
563         /** Size of the node header, excluding dynamic data at the end */
564 #define NODESIZE         offsetof(MDB_node, mn_data)
565
566         /** Size of a node in a branch page with a given key.
567          *      This is just the node header plus the key, there is no data.
568          */
569 #define INDXSIZE(k)      (NODESIZE + ((k) == NULL ? 0 : (k)->mv_size))
570
571         /** Size of a node in a leaf page with a given key and data.
572          *      This is node header plus key plus data size.
573          */
574 #define LEAFSIZE(k, d)   (NODESIZE + (k)->mv_size + (d)->mv_size)
575
576         /** Address of node \b i in page \b p */
577 #define NODEPTR(p, i)    ((MDB_node *)((char *)(p) + (p)->mp_ptrs[i]))
578
579         /** Address of the key for the node */
580 #define NODEKEY(node)    (void *)((node)->mn_data)
581
582         /** Address of the data for a node */
583 #define NODEDATA(node)   (void *)((char *)(node)->mn_data + (node)->mn_ksize)
584
585         /** Get the page number pointed to by a branch node */
586 #if LONG_MAX == 0x7fffffff
587 #define NODEPGNO(node)   ((node)->mn_lo | ((node)->mn_hi << 16))
588         /** Set the page number in a branch node */
589 #define SETPGNO(node,pgno)      do { \
590         (node)->mn_lo = (pgno) & 0xffff; (node)->mn_hi = (pgno) >> 16;} while(0)
591 #else
592 #define NODEPGNO(node)   ((node)->mn_lo | ((node)->mn_hi << 16) | ((unsigned long)(node)->mn_flags << 32))
593         /** Set the page number in a branch node */
594 #define SETPGNO(node,pgno)      do { \
595         (node)->mn_lo = (pgno) & 0xffff; (node)->mn_hi = (pgno) >> 16; \
596         (node)->mn_flags = (pgno) >> 32; } while(0)
597 #endif
598
599         /** Get the size of the data in a leaf node */
600 #define NODEDSZ(node)    ((node)->mn_lo | ((unsigned)(node)->mn_hi << 16))
601         /** Set the size of the data for a leaf node */
602 #define SETDSZ(node,size)       do { \
603         (node)->mn_lo = (size) & 0xffff; (node)->mn_hi = (size) >> 16;} while(0)
604         /** The size of a key in a node */
605 #define NODEKSZ(node)    ((node)->mn_ksize)
606
607         /** The address of a key in a LEAF2 page.
608          *      LEAF2 pages are used for #MDB_DUPFIXED sorted-duplicate sub-DBs.
609          *      There are no node headers, keys are stored contiguously.
610          */
611 #define LEAF2KEY(p, i, ks)      ((char *)(p) + PAGEHDRSZ + ((i)*(ks)))
612
613         /** Set the \b node's key into \b key, if requested. */
614 #define MDB_SET_KEY(node, key)  { if ((key) != NULL) { \
615         (key)->mv_size = NODEKSZ(node); (key)->mv_data = NODEKEY(node); } }
616
617         /** Information about a single database in the environment. */
618 typedef struct MDB_db {
619         uint32_t        md_pad;         /**< also ksize for LEAF2 pages */
620         uint16_t        md_flags;       /**< @ref mdb_open */
621         uint16_t        md_depth;       /**< depth of this tree */
622         ULONG           md_branch_pages;        /**< number of internal pages */
623         ULONG           md_leaf_pages;          /**< number of leaf pages */
624         ULONG           md_overflow_pages;      /**< number of overflow pages */
625         ULONG           md_entries;             /**< number of data items */
626         pgno_t          md_root;                /**< the root page of this tree */
627 } MDB_db;
628
629         /** Handle for the DB used to track free pages. */
630 #define FREE_DBI        0
631         /** Handle for the default DB. */
632 #define MAIN_DBI        1
633
634         /** Meta page content. */
635 typedef struct MDB_meta {
636                 /** Stamp identifying this as an MDB data file. It must be set
637                  *      to #MDB_MAGIC. */
638         uint32_t        mm_magic;
639                 /** Version number of this lock file. Must be set to #MDB_VERSION. */
640         uint32_t        mm_version;
641         void            *mm_address;            /**< address for fixed mapping */
642         size_t          mm_mapsize;                     /**< size of mmap region */
643         MDB_db          mm_dbs[2];                      /**< first is free space, 2nd is main db */
644         /** The size of pages used in this DB */
645 #define mm_psize        mm_dbs[0].md_pad
646         /** Any persistent environment flags. @ref mdb_env */
647 #define mm_flags        mm_dbs[0].md_flags
648         pgno_t          mm_last_pg;                     /**< last used page in file */
649         txnid_t         mm_txnid;                       /**< txnid that committed this page */
650 } MDB_meta;
651
652         /** Auxiliary DB info.
653          *      The information here is mostly static/read-only. There is
654          *      only a single copy of this record in the environment.
655          *      The \b md_dirty flag is not read-only, but only a write
656          *      transaction can ever update it, and only write transactions
657          *      need to worry about it.
658          */
659 typedef struct MDB_dbx {
660         MDB_val         md_name;                /**< name of the database */
661         MDB_cmp_func    *md_cmp;        /**< function for comparing keys */
662         MDB_cmp_func    *md_dcmp;       /**< function for comparing data items */
663         MDB_rel_func    *md_rel;        /**< user relocate function */
664         MDB_dbi md_parent;                      /**< parent DB of a sub-DB */
665         unsigned int    md_dirty;       /**< TRUE if DB was written in this txn */
666 } MDB_dbx;
667
668         /** A database transaction.
669          *      Every operation requires a transaction handle.
670          */
671 struct MDB_txn {
672         pgno_t          mt_next_pgno;   /**< next unallocated page */
673         /** The ID of this transaction. IDs are integers incrementing from 1.
674          *      Only committed write transactions increment the ID. If a transaction
675          *      aborts, the ID may be re-used by the next writer.
676          */
677         txnid_t         mt_txnid;
678         MDB_env         *mt_env;                /**< the DB environment */
679         /** The list of pages that became unused during this transaction.
680          *      This is an #IDL.
681          */
682         pgno_t          *mt_free_pgs;
683         union {
684                 ID2L    dirty_list;     /**< modified pages */
685                 MDB_reader      *reader;        /**< this thread's slot in the reader table */
686         } mt_u;
687         /** Array of records for each DB known in the environment. */
688         MDB_dbx         *mt_dbxs;
689         /** Array of MDB_db records for each known DB */
690         MDB_db          *mt_dbs;
691         /**     Number of DB records in use. This number only ever increments;
692          *      we don't decrement it when individual DB handles are closed.
693          */
694         unsigned int    mt_numdbs;
695
696 #define MDB_TXN_RDONLY          0x01            /**< read-only transaction */
697 #define MDB_TXN_ERROR           0x02            /**< an error has occurred */
698         unsigned int    mt_flags;
699         /** Tracks which of the two meta pages was used at the start
700          *      of this transaction.
701          */
702         unsigned int    mt_toggle;
703 };
704
705 /** Enough space for 2^32 nodes with minimum of 2 keys per node. I.e., plenty.
706  * At 4 keys per node, enough for 2^64 nodes, so there's probably no need to
707  * raise this on a 64 bit machine.
708  */
709 #define CURSOR_STACK             32
710
711 struct MDB_xcursor;
712
713         /** Cursors are used for all DB operations */
714 struct MDB_cursor {
715         /** Context used for databases with #MDB_DUPSORT, otherwise NULL */
716         struct MDB_xcursor      *mc_xcursor;
717         /** The transaction that owns this cursor */
718         MDB_txn         *mc_txn;
719         /** The database handle this cursor operates on */
720         MDB_dbi         mc_dbi;
721         unsigned short  mc_snum;        /**< number of pushed pages */
722         unsigned short  mc_top;         /**< index of top page, mc_snum-1 */
723         unsigned int    mc_flags;
724 #define C_INITIALIZED   0x01    /**< cursor has been initialized and is valid */
725 #define C_EOF   0x02                    /**< No more data */
726 #define C_XDIRTY        0x04            /**< @deprecated mc_xcursor needs to be flushed */
727         MDB_page        *mc_pg[CURSOR_STACK];   /**< stack of pushed pages */
728         indx_t          mc_ki[CURSOR_STACK];    /**< stack of page indices */
729 };
730
731         /** Context for sorted-dup records.
732          *      We could have gone to a fully recursive design, with arbitrarily
733          *      deep nesting of sub-databases. But for now we only handle these
734          *      levels - main DB, optional sub-DB, sorted-duplicate DB.
735          */
736 typedef struct MDB_xcursor {
737         /** A sub-cursor for traversing the Dup DB */
738         MDB_cursor mx_cursor;
739         /** A fake transaction struct for pointing to our own table
740          *      of DB info.
741          */
742         MDB_txn mx_txn;
743         /**     Our private DB information tables. Slots 0 and 1 are always
744          *      copies of the corresponding slots in the main transaction. These
745          *      hold the FREEDB and MAINDB, respectively. If the main cursor is
746          *      on a sub-database, that will be copied to slot 2, and the duplicate
747          *      database info will be in slot 3. If the main cursor is on the MAINDB
748          *      then the duplicate DB info will be in slot 2 and slot 3 will be unused.
749          */
750         MDB_dbx mx_dbxs[4];
751         /** MDB_db table */
752         MDB_db  mx_dbs[4];
753 } MDB_xcursor;
754
755         /** A set of pages freed by an earlier transaction. */
756 typedef struct MDB_oldpages {
757         /** Usually we only read one record from the FREEDB at a time, but
758          *      in case we read more, this will chain them together.
759          */
760         struct MDB_oldpages *mo_next;
761         /**     The ID of the transaction in which these pages were freed. */
762         txnid_t         mo_txnid;
763         /** An #IDL of the pages */
764         pgno_t          mo_pages[1];    /* dynamic */
765 } MDB_oldpages;
766
767         /** The database environment. */
768 struct MDB_env {
769         HANDLE          me_fd;          /**< The main data file */
770         HANDLE          me_lfd;         /**< The lock file */
771         HANDLE          me_mfd;                 /**< just for writing the meta pages */
772         /** Failed to update the meta page. Probably an I/O error. */
773 #define MDB_FATAL_ERROR 0x80000000U
774         uint32_t        me_flags;
775         uint32_t        me_extrapad;    /**< unused for now */
776         unsigned int    me_maxreaders;  /**< size of the reader table */
777         unsigned int    me_numdbs;              /**< number of DBs opened */
778         unsigned int    me_maxdbs;              /**< size of the DB table */
779         char            *me_path;               /**< path to the DB files */
780         char            *me_map;                /**< the memory map of the data file */
781         MDB_txninfo     *me_txns;               /**< the memory map of the lock file */
782         MDB_meta        *me_metas[2];   /**< pointers to the two meta pages */
783         MDB_txn         *me_txn;                /**< current write transaction */
784         size_t          me_mapsize;             /**< size of the data memory map */
785         off_t           me_size;                /**< current file size */
786         pgno_t          me_maxpg;               /**< me_mapsize / me_psize */
787         unsigned int    me_psize;       /**< size of a page, from #GET_PAGESIZE */
788         unsigned int    me_db_toggle;   /**< which DB table is current */
789         MDB_dbx         *me_dbxs;               /**< array of static DB info */
790         MDB_db          *me_dbs[2];             /**< two arrays of MDB_db info */
791         MDB_oldpages *me_pghead;        /**< list of old page records */
792         pthread_key_t   me_txkey;       /**< thread-key for readers */
793         MDB_page        *me_dpages;             /**< list of malloc'd blocks for re-use */
794         /** IDL of pages that became unused in a write txn */
795         pgno_t          me_free_pgs[MDB_IDL_UM_SIZE];
796         /** ID2L of pages that were written during a write txn */
797         ID2                     me_dirty_list[MDB_IDL_UM_SIZE];
798         /** rwlock for the DB tables, if #LAZY_LOCKS is false */
799         LAZY_RWLOCK_DEF(me_dblock)
800 #ifdef _WIN32
801         HANDLE          me_rmutex;              /* Windows mutexes don't reside in shared mem */
802         HANDLE          me_wmutex;
803 #endif
804 };
805         /** max number of pages to commit in one writev() call */
806 #define MDB_COMMIT_PAGES         64
807
808 static MDB_page *mdb_alloc_page(MDB_cursor *mc, int num);
809 static int              mdb_touch(MDB_cursor *mc);
810
811 static int  mdb_search_page_root(MDB_cursor *mc,
812                             MDB_val *key, int modify);
813 static int  mdb_search_page(MDB_cursor *mc,
814                             MDB_val *key, int modify);
815
816 static int  mdb_env_read_header(MDB_env *env, MDB_meta *meta);
817 static int  mdb_env_read_meta(MDB_env *env, int *which);
818 static int  mdb_env_write_meta(MDB_txn *txn);
819 static int  mdb_get_page(MDB_txn *txn, pgno_t pgno, MDB_page **mp);
820
821 static MDB_node *mdb_search_node(MDB_cursor *mc, MDB_val *key, int *exactp);
822 static int  mdb_add_node(MDB_cursor *mc, indx_t indx,
823                             MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags);
824 static void mdb_del_node(MDB_page *mp, indx_t indx, int ksize);
825 static int mdb_del0(MDB_cursor *mc, MDB_node *leaf);
826 static int  mdb_read_data(MDB_txn *txn, MDB_node *leaf, MDB_val *data);
827
828 static int      mdb_rebalance(MDB_cursor *mc);
829 static int      mdb_update_key(MDB_page *mp, indx_t indx, MDB_val *key);
830 static int      mdb_move_node(MDB_cursor *csrc, MDB_cursor *cdst);
831 static int      mdb_merge(MDB_cursor *csrc, MDB_cursor *cdst);
832 static int      mdb_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata,
833                                 pgno_t newpgno);
834 static MDB_page *mdb_new_page(MDB_cursor *mc, uint32_t flags, int num);
835
836 static void     cursor_pop_page(MDB_cursor *mc);
837 static int      cursor_push_page(MDB_cursor *mc, MDB_page *mp);
838
839 static int      mdb_sibling(MDB_cursor *mc, int move_right);
840 static int      mdb_cursor_next(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op);
841 static int      mdb_cursor_prev(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op);
842 static int      mdb_cursor_set(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op,
843                                 int *exactp);
844 static int      mdb_cursor_first(MDB_cursor *mc, MDB_val *key, MDB_val *data);
845 static int      mdb_cursor_last(MDB_cursor *mc, MDB_val *key, MDB_val *data);
846
847 static void     mdb_xcursor_init0(MDB_cursor *mc);
848 static void     mdb_xcursor_init1(MDB_cursor *mc, MDB_node *node);
849 static void     mdb_xcursor_init2(MDB_cursor *mc);
850 static void     mdb_xcursor_fini(MDB_cursor *mc);
851
852 static size_t   mdb_leaf_size(MDB_env *env, MDB_val *key, MDB_val *data);
853 static size_t   mdb_branch_size(MDB_env *env, MDB_val *key);
854
855 static void mdb_default_cmp(MDB_txn *txn, MDB_dbi dbi);
856
857 /** @cond */
858 static MDB_cmp_func     memncmp, memnrcmp, intcmp, cintcmp;
859 /** @endcond */
860
861 #ifdef _WIN32
862 static SECURITY_DESCRIPTOR mdb_null_sd;
863 static SECURITY_ATTRIBUTES mdb_all_sa;
864 static int mdb_sec_inited;
865 #endif
866
867 /** Return the library version info. */
868 char *
869 mdb_version(int *major, int *minor, int *patch)
870 {
871         if (major) *major = MDB_VERSION_MAJOR;
872         if (minor) *minor = MDB_VERSION_MINOR;
873         if (patch) *patch = MDB_VERSION_PATCH;
874         return MDB_VERSION_STRING;
875 }
876
877 /** Table of descriptions for MDB @ref errors */
878 static char *const mdb_errstr[] = {
879         "MDB_KEYEXIST: Key/data pair already exists",
880         "MDB_NOTFOUND: No matching key/data pair found",
881         "MDB_PAGE_NOTFOUND: Requested page not found",
882         "MDB_CORRUPTED: Located page was wrong type",
883         "MDB_PANIC: Update of meta page failed",
884         "MDB_VERSION_MISMATCH: Database environment version mismatch"
885 };
886
887 char *
888 mdb_strerror(int err)
889 {
890         if (!err)
891                 return ("Successful return: 0");
892
893         if (err >= MDB_KEYEXIST && err <= MDB_VERSION_MISMATCH)
894                 return mdb_errstr[err - MDB_KEYEXIST];
895
896         return strerror(err);
897 }
898
899 #if DEBUG
900 /** Display a key in hexadecimal and return the address of the result.
901  * @param[in] key the key to display
902  * @param[in] buf the buffer to write into. Should always be #DKBUF.
903  * @return The key in hexadecimal form.
904  */
905 char *
906 mdb_dkey(MDB_val *key, char *buf)
907 {
908         char *ptr = buf;
909         unsigned char *c = key->mv_data;
910         unsigned int i;
911         if (key->mv_size > MAXKEYSIZE)
912                 return "MAXKEYSIZE";
913         /* may want to make this a dynamic check: if the key is mostly
914          * printable characters, print it as-is instead of converting to hex.
915          */
916 #if 1
917         for (i=0; i<key->mv_size; i++)
918                 ptr += sprintf(ptr, "%02x", *c++);
919 #else
920         sprintf(buf, "%.*s", key->mv_size, key->mv_data);
921 #endif
922         return buf;
923 }
924 #endif
925
926 int
927 mdb_cmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *a, const MDB_val *b)
928 {
929         return txn->mt_dbxs[dbi].md_cmp(a, b);
930 }
931
932 /** Compare two data items according to a particular database.
933  * This returns a comparison as if the two items were data items of
934  * a sorted duplicates #MDB_DUPSORT database.
935  * @param[in] txn A transaction handle returned by #mdb_txn_begin()
936  * @param[in] dbi A database handle returned by #mdb_open()
937  * @param[in] a The first item to compare
938  * @param[in] b The second item to compare
939  * @return < 0 if a < b, 0 if a == b, > 0 if a > b
940  */
941 int
942 mdb_dcmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *a, const MDB_val *b)
943 {
944         if (txn->mt_dbxs[dbi].md_dcmp)
945                 return txn->mt_dbxs[dbi].md_dcmp(a, b);
946         else
947                 return EINVAL;  /* too bad you can't distinguish this from a valid result */
948 }
949
950 /** Allocate pages for writing.
951  * If there are free pages available from older transactions, they
952  * will be re-used first. Otherwise a new page will be allocated.
953  * @param[in] mc cursor A cursor handle identifying the transaction and
954  *      database for which we are allocating.
955  * @param[in] num the number of pages to allocate.
956  * @return Address of the allocated page(s). Requests for multiple pages
957  *  will always be satisfied by a single contiguous chunk of memory.
958  */
959 static MDB_page *
960 mdb_alloc_page(MDB_cursor *mc, int num)
961 {
962         MDB_txn *txn = mc->mc_txn;
963         MDB_page *np;
964         pgno_t pgno = P_INVALID;
965         ID2 mid;
966
967         if (txn->mt_txnid > 2) {
968
969                 if (!txn->mt_env->me_pghead && mc->mc_dbi != FREE_DBI &&
970                         txn->mt_dbs[FREE_DBI].md_root != P_INVALID) {
971                         /* See if there's anything in the free DB */
972                         MDB_cursor m2;
973                         MDB_node *leaf;
974                         txnid_t *kptr, oldest;
975
976                         m2.mc_txn = txn;
977                         m2.mc_dbi = FREE_DBI;
978                         m2.mc_snum = 0;
979                         m2.mc_flags = 0;
980                         mdb_search_page(&m2, NULL, 0);
981                         leaf = NODEPTR(m2.mc_pg[m2.mc_top], 0);
982                         kptr = (txnid_t *)NODEKEY(leaf);
983
984                         {
985                                 unsigned int i;
986                                 oldest = txn->mt_txnid - 1;
987                                 for (i=0; i<txn->mt_env->me_txns->mti_numreaders; i++) {
988                                         txnid_t mr = txn->mt_env->me_txns->mti_readers[i].mr_txnid;
989                                         if (mr && mr < oldest)
990                                                 oldest = mr;
991                                 }
992                         }
993
994                         if (oldest > *kptr) {
995                                 /* It's usable, grab it.
996                                  */
997                                 MDB_oldpages *mop;
998                                 MDB_val data;
999                                 pgno_t *idl;
1000
1001                                 mdb_read_data(txn, leaf, &data);
1002                                 idl = (ULONG *)data.mv_data;
1003                                 mop = malloc(sizeof(MDB_oldpages) + MDB_IDL_SIZEOF(idl) - sizeof(pgno_t));
1004                                 mop->mo_next = txn->mt_env->me_pghead;
1005                                 mop->mo_txnid = *kptr;
1006                                 txn->mt_env->me_pghead = mop;
1007                                 memcpy(mop->mo_pages, idl, MDB_IDL_SIZEOF(idl));
1008
1009 #if DEBUG > 1
1010                                 {
1011                                         unsigned int i;
1012                                         DPRINTF("IDL read txn %lu root %lu num %lu",
1013                                                 mop->mo_txnid, txn->mt_dbs[FREE_DBI].md_root, idl[0]);
1014                                         for (i=0; i<idl[0]; i++) {
1015                                                 DPRINTF("IDL %lu", idl[i+1]);
1016                                         }
1017                                 }
1018 #endif
1019                                 /* drop this IDL from the DB */
1020                                 m2.mc_ki[m2.mc_top] = 0;
1021                                 m2.mc_flags = C_INITIALIZED;
1022                                 mdb_cursor_del(&m2, 0);
1023                         }
1024                 }
1025                 if (txn->mt_env->me_pghead) {
1026                         MDB_oldpages *mop = txn->mt_env->me_pghead;
1027                         if (num > 1) {
1028                                 /* FIXME: For now, always use fresh pages. We
1029                                  * really ought to search the free list for a
1030                                  * contiguous range.
1031                                  */
1032                                 ;
1033                         } else {
1034                                 /* peel pages off tail, so we only have to truncate the list */
1035                                 pgno = MDB_IDL_LAST(mop->mo_pages);
1036                                 if (MDB_IDL_IS_RANGE(mop->mo_pages)) {
1037                                         mop->mo_pages[2]++;
1038                                         if (mop->mo_pages[2] > mop->mo_pages[1])
1039                                                 mop->mo_pages[0] = 0;
1040                                 } else {
1041                                         mop->mo_pages[0]--;
1042                                 }
1043                                 if (MDB_IDL_IS_ZERO(mop->mo_pages)) {
1044                                         txn->mt_env->me_pghead = mop->mo_next;
1045                                         free(mop);
1046                                 }
1047                         }
1048                 }
1049         }
1050
1051         if (pgno == P_INVALID) {
1052                 /* DB size is maxed out */
1053                 if (txn->mt_next_pgno + num >= txn->mt_env->me_maxpg)
1054                         return NULL;
1055         }
1056         if (txn->mt_env->me_dpages && num == 1) {
1057                 np = txn->mt_env->me_dpages;
1058                 txn->mt_env->me_dpages = np->mp_next;
1059         } else {
1060                 if ((np = malloc(txn->mt_env->me_psize * num )) == NULL)
1061                         return NULL;
1062         }
1063         if (pgno == P_INVALID) {
1064                 np->mp_pgno = txn->mt_next_pgno;
1065                 txn->mt_next_pgno += num;
1066         } else {
1067                 np->mp_pgno = pgno;
1068         }
1069         mid.mid = np->mp_pgno;
1070         mid.mptr = np;
1071         mdb_mid2l_insert(txn->mt_u.dirty_list, &mid);
1072
1073         return np;
1074 }
1075
1076 /** Touch a page: make it dirty and re-insert into tree with updated pgno.
1077  * @param[in] mc cursor pointing to the page to be touched
1078  * @return 0 on success, non-zero on failure.
1079  */
1080 static int
1081 mdb_touch(MDB_cursor *mc)
1082 {
1083         MDB_page *mp = mc->mc_pg[mc->mc_top];
1084         pgno_t  pgno;
1085
1086         if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
1087                 MDB_page *np;
1088                 if ((np = mdb_alloc_page(mc, 1)) == NULL)
1089                         return ENOMEM;
1090                 DPRINTF("touched db %u page %lu -> %lu", mc->mc_dbi, mp->mp_pgno, np->mp_pgno);
1091                 assert(mp->mp_pgno != np->mp_pgno);
1092                 mdb_midl_append(mc->mc_txn->mt_free_pgs, mp->mp_pgno);
1093                 pgno = np->mp_pgno;
1094                 memcpy(np, mp, mc->mc_txn->mt_env->me_psize);
1095                 mp = np;
1096                 mp->mp_pgno = pgno;
1097                 mp->mp_flags |= P_DIRTY;
1098
1099                 mc->mc_pg[mc->mc_top] = mp;
1100                 /** If this page has a parent, update the parent to point to
1101                  * this new page.
1102                  */
1103                 if (mc->mc_top)
1104                         SETPGNO(NODEPTR(mc->mc_pg[mc->mc_top-1], mc->mc_ki[mc->mc_top-1]), mp->mp_pgno);
1105         }
1106         return 0;
1107 }
1108
1109 int
1110 mdb_env_sync(MDB_env *env, int force)
1111 {
1112         int rc = 0;
1113         if (force || !F_ISSET(env->me_flags, MDB_NOSYNC)) {
1114                 if (fdatasync(env->me_fd))
1115                         rc = ErrCode();
1116         }
1117         return rc;
1118 }
1119
1120 static inline void
1121 mdb_txn_reset0(MDB_txn *txn);
1122
1123 /** Common code for #mdb_txn_begin() and #mdb_txn_renew().
1124  * @param[in] txn the transaction handle to initialize
1125  * @return 0 on success, non-zero on failure. This can only
1126  * fail for read-only transactions, and then only if the
1127  * reader table is full.
1128  */
1129 static inline int
1130 mdb_txn_renew0(MDB_txn *txn)
1131 {
1132         MDB_env *env = txn->mt_env;
1133
1134         if (txn->mt_flags & MDB_TXN_RDONLY) {
1135                 MDB_reader *r = pthread_getspecific(env->me_txkey);
1136                 if (!r) {
1137                         unsigned int i;
1138                         pid_t pid = getpid();
1139                         pthread_t tid = pthread_self();
1140
1141                         LOCK_MUTEX_R(env);
1142                         for (i=0; i<env->me_txns->mti_numreaders; i++)
1143                                 if (env->me_txns->mti_readers[i].mr_pid == 0)
1144                                         break;
1145                         if (i == env->me_maxreaders) {
1146                                 UNLOCK_MUTEX_R(env);
1147                                 return ENOMEM;
1148                         }
1149                         env->me_txns->mti_readers[i].mr_pid = pid;
1150                         env->me_txns->mti_readers[i].mr_tid = tid;
1151                         if (i >= env->me_txns->mti_numreaders)
1152                                 env->me_txns->mti_numreaders = i+1;
1153                         UNLOCK_MUTEX_R(env);
1154                         r = &env->me_txns->mti_readers[i];
1155                         pthread_setspecific(env->me_txkey, r);
1156                 }
1157                 txn->mt_txnid = env->me_txns->mti_txnid;
1158                 txn->mt_toggle = env->me_txns->mti_me_toggle;
1159                 r->mr_txnid = txn->mt_txnid;
1160                 txn->mt_u.reader = r;
1161         } else {
1162                 LOCK_MUTEX_W(env);
1163
1164                 txn->mt_txnid = env->me_txns->mti_txnid+1;
1165                 txn->mt_toggle = env->me_txns->mti_me_toggle;
1166                 txn->mt_u.dirty_list = env->me_dirty_list;
1167                 txn->mt_u.dirty_list[0].mid = 0;
1168                 txn->mt_free_pgs = env->me_free_pgs;
1169                 txn->mt_free_pgs[0] = 0;
1170                 txn->mt_next_pgno = env->me_metas[txn->mt_toggle]->mm_last_pg+1;
1171                 env->me_txn = txn;
1172         }
1173
1174         /* Copy the DB arrays */
1175         LAZY_RWLOCK_RDLOCK(&env->me_dblock);
1176         txn->mt_numdbs = env->me_numdbs;
1177         txn->mt_dbxs = env->me_dbxs;    /* mostly static anyway */
1178         memcpy(txn->mt_dbs, env->me_metas[txn->mt_toggle]->mm_dbs, 2 * sizeof(MDB_db));
1179         if (txn->mt_numdbs > 2)
1180                 memcpy(txn->mt_dbs+2, env->me_dbs[env->me_db_toggle]+2,
1181                         (txn->mt_numdbs - 2) * sizeof(MDB_db));
1182         LAZY_RWLOCK_UNLOCK(&env->me_dblock);
1183
1184         return MDB_SUCCESS;
1185 }
1186
1187 int
1188 mdb_txn_renew(MDB_txn *txn)
1189 {
1190         int rc;
1191
1192         if (!txn)
1193                 return EINVAL;
1194
1195         if (txn->mt_env->me_flags & MDB_FATAL_ERROR) {
1196                 DPUTS("environment had fatal error, must shutdown!");
1197                 return MDB_PANIC;
1198         }
1199
1200         rc = mdb_txn_renew0(txn);
1201         if (rc == MDB_SUCCESS) {
1202                 DPRINTF("renew txn %lu%c %p on mdbenv %p, root page %lu",
1203                         txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
1204                         (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
1205         }
1206         return rc;
1207 }
1208
1209 int
1210 mdb_txn_begin(MDB_env *env, unsigned int flags, MDB_txn **ret)
1211 {
1212         MDB_txn *txn;
1213         int rc;
1214
1215         if (env->me_flags & MDB_FATAL_ERROR) {
1216                 DPUTS("environment had fatal error, must shutdown!");
1217                 return MDB_PANIC;
1218         }
1219         if ((txn = calloc(1, sizeof(MDB_txn) + env->me_maxdbs * sizeof(MDB_db))) == NULL) {
1220                 DPRINTF("calloc: %s", strerror(ErrCode()));
1221                 return ENOMEM;
1222         }
1223         txn->mt_dbs = (MDB_db *)(txn+1);
1224         if (flags & MDB_RDONLY) {
1225                 txn->mt_flags |= MDB_TXN_RDONLY;
1226         }
1227         txn->mt_env = env;
1228
1229         rc = mdb_txn_renew0(txn);
1230         if (rc)
1231                 free(txn);
1232         else {
1233                 *ret = txn;
1234                 DPRINTF("begin txn %lu%c %p on mdbenv %p, root page %lu",
1235                         txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
1236                         (void *) env, txn->mt_dbs[MAIN_DBI].md_root);
1237         }
1238
1239         return rc;
1240 }
1241
1242 /** Common code for #mdb_txn_reset() and #mdb_txn_abort().
1243  * @param[in] txn the transaction handle to reset
1244  */
1245 static inline void
1246 mdb_txn_reset0(MDB_txn *txn)
1247 {
1248         MDB_env *env = txn->mt_env;
1249
1250         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
1251                 txn->mt_u.reader->mr_txnid = 0;
1252         } else {
1253                 MDB_oldpages *mop;
1254                 MDB_page *dp;
1255                 unsigned int i;
1256
1257                 /* return all dirty pages to dpage list */
1258                 for (i=1; i<=txn->mt_u.dirty_list[0].mid; i++) {
1259                         dp = txn->mt_u.dirty_list[i].mptr;
1260                         if (!IS_OVERFLOW(dp) || dp->mp_pages == 1) {
1261                                 dp->mp_next = txn->mt_env->me_dpages;
1262                                 txn->mt_env->me_dpages = dp;
1263                         } else {
1264                                 /* large pages just get freed directly */
1265                                 free(dp);
1266                         }
1267                 }
1268
1269                 while ((mop = txn->mt_env->me_pghead)) {
1270                         txn->mt_env->me_pghead = mop->mo_next;
1271                         free(mop);
1272                 }
1273
1274                 env->me_txn = NULL;
1275                 for (i=2; i<env->me_numdbs; i++)
1276                         env->me_dbxs[i].md_dirty = 0;
1277                 /* The writer mutex was locked in mdb_txn_begin. */
1278                 UNLOCK_MUTEX_W(env);
1279         }
1280 }
1281
1282 void
1283 mdb_txn_reset(MDB_txn *txn)
1284 {
1285         if (txn == NULL)
1286                 return;
1287
1288         DPRINTF("reset txn %lu%c %p on mdbenv %p, root page %lu",
1289                 txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
1290                 (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
1291
1292         mdb_txn_reset0(txn);
1293 }
1294
1295 void
1296 mdb_txn_abort(MDB_txn *txn)
1297 {
1298         if (txn == NULL)
1299                 return;
1300
1301         DPRINTF("abort txn %lu%c %p on mdbenv %p, root page %lu",
1302                 txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
1303                 (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
1304
1305         mdb_txn_reset0(txn);
1306         free(txn);
1307 }
1308
1309 int
1310 mdb_txn_commit(MDB_txn *txn)
1311 {
1312         int              n, done;
1313         unsigned int i;
1314         ssize_t          rc;
1315         off_t            size;
1316         MDB_page        *dp;
1317         MDB_env *env;
1318         pgno_t  next;
1319         MDB_cursor mc;
1320
1321         assert(txn != NULL);
1322         assert(txn->mt_env != NULL);
1323
1324         env = txn->mt_env;
1325
1326         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
1327                 mdb_txn_abort(txn);
1328                 return MDB_SUCCESS;
1329         }
1330
1331         if (txn != env->me_txn) {
1332                 DPUTS("attempt to commit unknown transaction");
1333                 mdb_txn_abort(txn);
1334                 return EINVAL;
1335         }
1336
1337         if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
1338                 DPUTS("error flag is set, can't commit");
1339                 mdb_txn_abort(txn);
1340                 return EINVAL;
1341         }
1342
1343         if (!txn->mt_u.dirty_list[0].mid)
1344                 goto done;
1345
1346         DPRINTF("committing txn %lu %p on mdbenv %p, root page %lu",
1347             txn->mt_txnid, txn, (void *)env, txn->mt_dbs[MAIN_DBI].md_root);
1348
1349         mc.mc_txn = txn;
1350         mc.mc_dbi = FREE_DBI;
1351         mc.mc_flags = 0;
1352
1353         /* should only be one record now */
1354         if (env->me_pghead) {
1355                 /* make sure first page of freeDB is touched and on freelist */
1356                 mdb_search_page(&mc, NULL, 1);
1357         }
1358         /* save to free list */
1359         if (!MDB_IDL_IS_ZERO(txn->mt_free_pgs)) {
1360                 MDB_val key, data;
1361                 ULONG i;
1362
1363                 /* make sure last page of freeDB is touched and on freelist */
1364                 key.mv_size = MAXKEYSIZE+1;
1365                 key.mv_data = NULL;
1366                 mdb_search_page(&mc, &key, 1);
1367
1368                 mdb_midl_sort(txn->mt_free_pgs);
1369 #if DEBUG > 1
1370                 {
1371                         unsigned int i;
1372                         ULONG *idl = txn->mt_free_pgs;
1373                         DPRINTF("IDL write txn %lu root %lu num %lu",
1374                                 txn->mt_txnid, txn->mt_dbs[FREE_DBI].md_root, idl[0]);
1375                         for (i=0; i<idl[0]; i++) {
1376                                 DPRINTF("IDL %lu", idl[i+1]);
1377                         }
1378                 }
1379 #endif
1380                 /* write to last page of freeDB */
1381                 key.mv_size = sizeof(pgno_t);
1382                 key.mv_data = &txn->mt_txnid;
1383                 data.mv_data = txn->mt_free_pgs;
1384                 /* The free list can still grow during this call,
1385                  * despite the pre-emptive touches above. So check
1386                  * and make sure the entire thing got written.
1387                  */
1388                 do {
1389                         i = txn->mt_free_pgs[0];
1390                         data.mv_size = MDB_IDL_SIZEOF(txn->mt_free_pgs);
1391                         rc = mdb_cursor_put(&mc, &key, &data, 0);
1392                         if (rc) {
1393                                 mdb_txn_abort(txn);
1394                                 return rc;
1395                         }
1396                 } while (i != txn->mt_free_pgs[0]);
1397         }
1398         /* should only be one record now */
1399         if (env->me_pghead) {
1400                 MDB_val key, data;
1401                 MDB_oldpages *mop;
1402
1403                 mop = env->me_pghead;
1404                 key.mv_size = sizeof(pgno_t);
1405                 key.mv_data = &mop->mo_txnid;
1406                 data.mv_size = MDB_IDL_SIZEOF(mop->mo_pages);
1407                 data.mv_data = mop->mo_pages;
1408                 mdb_cursor_put(&mc, &key, &data, 0);
1409                 free(env->me_pghead);
1410                 env->me_pghead = NULL;
1411         }
1412
1413         /* Update DB root pointers. Their pages have already been
1414          * touched so this is all in-place and cannot fail.
1415          */
1416         {
1417                 MDB_val data;
1418                 data.mv_size = sizeof(MDB_db);
1419
1420                 mc.mc_dbi = MAIN_DBI;
1421                 mc.mc_flags = 0;
1422                 for (i = 2; i < txn->mt_numdbs; i++) {
1423                         if (txn->mt_dbxs[i].md_dirty) {
1424                                 data.mv_data = &txn->mt_dbs[i];
1425                                 mdb_cursor_put(&mc, &txn->mt_dbxs[i].md_name, &data, 0);
1426                         }
1427                 }
1428         }
1429
1430         /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
1431          */
1432         next = 0;
1433         i = 1;
1434         do {
1435 #ifdef _WIN32
1436                 /* Windows actually supports scatter/gather I/O, but only on
1437                  * unbuffered file handles. Since we're relying on the OS page
1438                  * cache for all our data, that's self-defeating. So we just
1439                  * write pages one at a time. We use the ov structure to set
1440                  * the write offset, to at least save the overhead of a Seek
1441                  * system call.
1442                  */
1443                 OVERLAPPED ov;
1444                 memset(&ov, 0, sizeof(ov));
1445                 for (; i<=txn->mt_u.dirty_list[0].mid; i++) {
1446                         size_t wsize;
1447                         dp = txn->mt_u.dirty_list[i].mptr;
1448                         DPRINTF("committing page %lu", dp->mp_pgno);
1449                         size = dp->mp_pgno * env->me_psize;
1450                         ov.Offset = size & 0xffffffff;
1451                         ov.OffsetHigh = size >> 16;
1452                         ov.OffsetHigh >>= 16;
1453                         /* clear dirty flag */
1454                         dp->mp_flags &= ~P_DIRTY;
1455                         wsize = env->me_psize;
1456                         if (IS_OVERFLOW(dp)) wsize *= dp->mp_pages;
1457                         rc = WriteFile(env->me_fd, dp, wsize, NULL, &ov);
1458                         if (!rc) {
1459                                 n = ErrCode();
1460                                 DPRINTF("WriteFile: %d", n);
1461                                 mdb_txn_abort(txn);
1462                                 return n;
1463                         }
1464                 }
1465                 done = 1;;
1466 #else
1467                 struct iovec     iov[MDB_COMMIT_PAGES];
1468                 n = 0;
1469                 done = 1;
1470                 size = 0;
1471                 for (; i<=txn->mt_u.dirty_list[0].mid; i++) {
1472                         dp = txn->mt_u.dirty_list[i].mptr;
1473                         if (dp->mp_pgno != next) {
1474                                 if (n) {
1475                                         DPRINTF("committing %u dirty pages", n);
1476                                         rc = writev(env->me_fd, iov, n);
1477                                         if (rc != size) {
1478                                                 n = ErrCode();
1479                                                 if (rc > 0)
1480                                                         DPUTS("short write, filesystem full?");
1481                                                 else
1482                                                         DPRINTF("writev: %s", strerror(n));
1483                                                 mdb_txn_abort(txn);
1484                                                 return n;
1485                                         }
1486                                         n = 0;
1487                                         size = 0;
1488                                 }
1489                                 lseek(env->me_fd, dp->mp_pgno * env->me_psize, SEEK_SET);
1490                                 next = dp->mp_pgno;
1491                         }
1492                         DPRINTF("committing page %lu", dp->mp_pgno);
1493                         iov[n].iov_len = env->me_psize;
1494                         if (IS_OVERFLOW(dp)) iov[n].iov_len *= dp->mp_pages;
1495                         iov[n].iov_base = dp;
1496                         size += iov[n].iov_len;
1497                         next = dp->mp_pgno + (IS_OVERFLOW(dp) ? dp->mp_pages : 1);
1498                         /* clear dirty flag */
1499                         dp->mp_flags &= ~P_DIRTY;
1500                         if (++n >= MDB_COMMIT_PAGES) {
1501                                 done = 0;
1502                                 i++;
1503                                 break;
1504                         }
1505                 }
1506
1507                 if (n == 0)
1508                         break;
1509
1510                 DPRINTF("committing %u dirty pages", n);
1511                 rc = writev(env->me_fd, iov, n);
1512                 if (rc != size) {
1513                         n = ErrCode();
1514                         if (rc > 0)
1515                                 DPUTS("short write, filesystem full?");
1516                         else
1517                                 DPRINTF("writev: %s", strerror(n));
1518                         mdb_txn_abort(txn);
1519                         return n;
1520                 }
1521 #endif
1522         } while (!done);
1523
1524         /* Drop the dirty pages.
1525          */
1526         for (i=1; i<=txn->mt_u.dirty_list[0].mid; i++) {
1527                 dp = txn->mt_u.dirty_list[i].mptr;
1528                 if (!IS_OVERFLOW(dp) || dp->mp_pages == 1) {
1529                         dp->mp_next = txn->mt_env->me_dpages;
1530                         txn->mt_env->me_dpages = dp;
1531                 } else {
1532                         free(dp);
1533                 }
1534                 txn->mt_u.dirty_list[i].mid = 0;
1535         }
1536         txn->mt_u.dirty_list[0].mid = 0;
1537
1538         if ((n = mdb_env_sync(env, 0)) != 0 ||
1539             (n = mdb_env_write_meta(txn)) != MDB_SUCCESS) {
1540                 mdb_txn_abort(txn);
1541                 return n;
1542         }
1543
1544 done:
1545         env->me_txn = NULL;
1546         /* update the DB tables */
1547         {
1548                 int toggle = !env->me_db_toggle;
1549                 MDB_db *ip, *jp;
1550
1551                 ip = &env->me_dbs[toggle][2];
1552                 jp = &txn->mt_dbs[2];
1553                 LAZY_RWLOCK_WRLOCK(&env->me_dblock);
1554                 for (i = 2; i < txn->mt_numdbs; i++) {
1555                         if (ip->md_root != jp->md_root)
1556                                 *ip = *jp;
1557                         ip++; jp++;
1558                 }
1559
1560                 for (i = 2; i < txn->mt_numdbs; i++) {
1561                         if (txn->mt_dbxs[i].md_dirty)
1562                                 txn->mt_dbxs[i].md_dirty = 0;
1563                 }
1564                 env->me_db_toggle = toggle;
1565                 env->me_numdbs = txn->mt_numdbs;
1566                 LAZY_RWLOCK_UNLOCK(&env->me_dblock);
1567         }
1568
1569         UNLOCK_MUTEX_W(env);
1570         free(txn);
1571
1572         return MDB_SUCCESS;
1573 }
1574
1575 /** Read the environment parameters of a DB environment before
1576  * mapping it into memory.
1577  * @param[in] env the environment handle
1578  * @param[out] meta address of where to store the meta information
1579  * @return 0 on success, non-zero on failure.
1580  */
1581 static int
1582 mdb_env_read_header(MDB_env *env, MDB_meta *meta)
1583 {
1584         char             page[PAGESIZE];
1585         MDB_page        *p;
1586         MDB_meta        *m;
1587         int              rc, err;
1588
1589         /* We don't know the page size yet, so use a minimum value.
1590          */
1591
1592 #ifdef _WIN32
1593         if (!ReadFile(env->me_fd, page, PAGESIZE, (DWORD *)&rc, NULL) || rc == 0)
1594 #else
1595         if ((rc = read(env->me_fd, page, PAGESIZE)) == 0)
1596 #endif
1597         {
1598                 return ENOENT;
1599         }
1600         else if (rc != PAGESIZE) {
1601                 err = ErrCode();
1602                 if (rc > 0)
1603                         err = EINVAL;
1604                 DPRINTF("read: %s", strerror(err));
1605                 return err;
1606         }
1607
1608         p = (MDB_page *)page;
1609
1610         if (!F_ISSET(p->mp_flags, P_META)) {
1611                 DPRINTF("page %lu not a meta page", p->mp_pgno);
1612                 return EINVAL;
1613         }
1614
1615         m = METADATA(p);
1616         if (m->mm_magic != MDB_MAGIC) {
1617                 DPUTS("meta has invalid magic");
1618                 return EINVAL;
1619         }
1620
1621         if (m->mm_version != MDB_VERSION) {
1622                 DPRINTF("database is version %u, expected version %u",
1623                     m->mm_version, MDB_VERSION);
1624                 return MDB_VERSION_MISMATCH;
1625         }
1626
1627         memcpy(meta, m, sizeof(*m));
1628         return 0;
1629 }
1630
1631 /** Write the environment parameters of a freshly created DB environment.
1632  * @param[in] env the environment handle
1633  * @param[out] meta address of where to store the meta information
1634  * @return 0 on success, non-zero on failure.
1635  */
1636 static int
1637 mdb_env_init_meta(MDB_env *env, MDB_meta *meta)
1638 {
1639         MDB_page *p, *q;
1640         MDB_meta *m;
1641         int rc;
1642         unsigned int     psize;
1643
1644         DPUTS("writing new meta page");
1645
1646         GET_PAGESIZE(psize);
1647
1648         meta->mm_magic = MDB_MAGIC;
1649         meta->mm_version = MDB_VERSION;
1650         meta->mm_psize = psize;
1651         meta->mm_last_pg = 1;
1652         meta->mm_flags = env->me_flags & 0xffff;
1653         meta->mm_flags |= MDB_INTEGERKEY;
1654         meta->mm_dbs[0].md_root = P_INVALID;
1655         meta->mm_dbs[1].md_root = P_INVALID;
1656
1657         p = calloc(2, psize);
1658         p->mp_pgno = 0;
1659         p->mp_flags = P_META;
1660
1661         m = METADATA(p);
1662         memcpy(m, meta, sizeof(*meta));
1663
1664         q = (MDB_page *)((char *)p + psize);
1665
1666         q->mp_pgno = 1;
1667         q->mp_flags = P_META;
1668
1669         m = METADATA(q);
1670         memcpy(m, meta, sizeof(*meta));
1671
1672 #ifdef _WIN32
1673         {
1674                 DWORD len;
1675                 rc = WriteFile(env->me_fd, p, psize * 2, &len, NULL);
1676                 rc = (len == psize * 2) ? MDB_SUCCESS : ErrCode();
1677         }
1678 #else
1679         rc = write(env->me_fd, p, psize * 2);
1680         rc = (rc == (int)psize * 2) ? MDB_SUCCESS : ErrCode();
1681 #endif
1682         free(p);
1683         return rc;
1684 }
1685
1686 /** Update the environment info to commit a transaction.
1687  * @param[in] txn the transaction that's being committed
1688  * @return 0 on success, non-zero on failure.
1689  */
1690 static int
1691 mdb_env_write_meta(MDB_txn *txn)
1692 {
1693         MDB_env *env;
1694         MDB_meta        meta, metab;
1695         off_t off;
1696         int rc, len, toggle;
1697         char *ptr;
1698 #ifdef _WIN32
1699         OVERLAPPED ov;
1700 #endif
1701
1702         assert(txn != NULL);
1703         assert(txn->mt_env != NULL);
1704
1705         toggle = !txn->mt_toggle;
1706         DPRINTF("writing meta page %d for root page %lu",
1707                 toggle, txn->mt_dbs[MAIN_DBI].md_root);
1708
1709         env = txn->mt_env;
1710
1711         metab.mm_txnid = env->me_metas[toggle]->mm_txnid;
1712         metab.mm_last_pg = env->me_metas[toggle]->mm_last_pg;
1713
1714         ptr = (char *)&meta;
1715         off = offsetof(MDB_meta, mm_dbs[0].md_depth);
1716         len = sizeof(MDB_meta) - off;
1717
1718         ptr += off;
1719         meta.mm_dbs[0] = txn->mt_dbs[0];
1720         meta.mm_dbs[1] = txn->mt_dbs[1];
1721         meta.mm_last_pg = txn->mt_next_pgno - 1;
1722         meta.mm_txnid = txn->mt_txnid;
1723
1724         if (toggle)
1725                 off += env->me_psize;
1726         off += PAGEHDRSZ;
1727
1728         /* Write to the SYNC fd */
1729 #ifdef _WIN32
1730         {
1731                 memset(&ov, 0, sizeof(ov));
1732                 ov.Offset = off;
1733                 WriteFile(env->me_mfd, ptr, len, (DWORD *)&rc, &ov);
1734         }
1735 #else
1736         rc = pwrite(env->me_mfd, ptr, len, off);
1737 #endif
1738         if (rc != len) {
1739                 int r2;
1740                 rc = ErrCode();
1741                 DPUTS("write failed, disk error?");
1742                 /* On a failure, the pagecache still contains the new data.
1743                  * Write some old data back, to prevent it from being used.
1744                  * Use the non-SYNC fd; we know it will fail anyway.
1745                  */
1746                 meta.mm_last_pg = metab.mm_last_pg;
1747                 meta.mm_txnid = metab.mm_txnid;
1748 #ifdef _WIN32
1749                 WriteFile(env->me_fd, ptr, len, NULL, &ov);
1750 #else
1751                 r2 = pwrite(env->me_fd, ptr, len, off);
1752 #endif
1753                 env->me_flags |= MDB_FATAL_ERROR;
1754                 return rc;
1755         }
1756         /* Memory ordering issues are irrelevant; since the entire writer
1757          * is wrapped by wmutex, all of these changes will become visible
1758          * after the wmutex is unlocked. Since the DB is multi-version,
1759          * readers will get consistent data regardless of how fresh or
1760          * how stale their view of these values is.
1761          */
1762         LAZY_MUTEX_LOCK(&env->me_txns->mti_mutex);
1763         txn->mt_env->me_txns->mti_me_toggle = toggle;
1764         txn->mt_env->me_txns->mti_txnid = txn->mt_txnid;
1765         LAZY_MUTEX_UNLOCK(&env->me_txns->mti_mutex);
1766
1767         return MDB_SUCCESS;
1768 }
1769
1770 /** Check both meta pages to see which one is newer.
1771  * @param[in] env the environment handle
1772  * @param[out] which address of where to store the meta toggle ID
1773  * @return 0 on success, non-zero on failure.
1774  */
1775 static int
1776 mdb_env_read_meta(MDB_env *env, int *which)
1777 {
1778         int toggle = 0;
1779
1780         assert(env != NULL);
1781
1782         if (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid)
1783                 toggle = 1;
1784
1785         DPRINTF("Using meta page %d", toggle);
1786         *which = toggle;
1787
1788         return MDB_SUCCESS;
1789 }
1790
1791 int
1792 mdb_env_create(MDB_env **env)
1793 {
1794         MDB_env *e;
1795
1796         e = calloc(1, sizeof(MDB_env));
1797         if (!e) return ENOMEM;
1798
1799         e->me_maxreaders = DEFAULT_READERS;
1800         e->me_maxdbs = 2;
1801         e->me_fd = INVALID_HANDLE_VALUE;
1802         e->me_lfd = INVALID_HANDLE_VALUE;
1803         e->me_mfd = INVALID_HANDLE_VALUE;
1804         *env = e;
1805         return MDB_SUCCESS;
1806 }
1807
1808 int
1809 mdb_env_set_mapsize(MDB_env *env, size_t size)
1810 {
1811         if (env->me_map)
1812                 return EINVAL;
1813         env->me_mapsize = size;
1814         return MDB_SUCCESS;
1815 }
1816
1817 int
1818 mdb_env_set_maxdbs(MDB_env *env, int dbs)
1819 {
1820         if (env->me_map)
1821                 return EINVAL;
1822         env->me_maxdbs = dbs;
1823         return MDB_SUCCESS;
1824 }
1825
1826 int
1827 mdb_env_set_maxreaders(MDB_env *env, unsigned int readers)
1828 {
1829         if (env->me_map || readers < 1)
1830                 return EINVAL;
1831         env->me_maxreaders = readers;
1832         return MDB_SUCCESS;
1833 }
1834
1835 int
1836 mdb_env_get_maxreaders(MDB_env *env, unsigned int *readers)
1837 {
1838         if (!env || !readers)
1839                 return EINVAL;
1840         *readers = env->me_maxreaders;
1841         return MDB_SUCCESS;
1842 }
1843
1844 /** Further setup required for opening an MDB environment
1845  */
1846 static int
1847 mdb_env_open2(MDB_env *env, unsigned int flags)
1848 {
1849         int i, newenv = 0, toggle;
1850         MDB_meta meta;
1851         MDB_page *p;
1852
1853         env->me_flags = flags;
1854
1855         memset(&meta, 0, sizeof(meta));
1856
1857         if ((i = mdb_env_read_header(env, &meta)) != 0) {
1858                 if (i != ENOENT)
1859                         return i;
1860                 DPUTS("new mdbenv");
1861                 newenv = 1;
1862         }
1863
1864         if (!env->me_mapsize) {
1865                 env->me_mapsize = newenv ? DEFAULT_MAPSIZE : meta.mm_mapsize;
1866         }
1867
1868 #ifdef _WIN32
1869         {
1870                 HANDLE mh;
1871                 LONG sizelo, sizehi;
1872                 sizelo = env->me_mapsize & 0xffffffff;
1873                 sizehi = env->me_mapsize >> 16;         /* pointless on WIN32, only needed on W64 */
1874                 sizehi >>= 16;
1875                 /* Windows won't create mappings for zero length files.
1876                  * Just allocate the maxsize right now.
1877                  */
1878                 if (newenv) {
1879                         SetFilePointer(env->me_fd, sizelo, sizehi ? &sizehi : NULL, 0);
1880                         if (!SetEndOfFile(env->me_fd))
1881                                 return ErrCode();
1882                         SetFilePointer(env->me_fd, 0, NULL, 0);
1883                 }
1884                 mh = CreateFileMapping(env->me_fd, NULL, PAGE_READONLY,
1885                         sizehi, sizelo, NULL);
1886                 if (!mh)
1887                         return ErrCode();
1888                 env->me_map = MapViewOfFileEx(mh, FILE_MAP_READ, 0, 0, env->me_mapsize,
1889                         meta.mm_address);
1890                 CloseHandle(mh);
1891                 if (!env->me_map)
1892                         return ErrCode();
1893         }
1894 #else
1895         i = MAP_SHARED;
1896         if (meta.mm_address && (flags & MDB_FIXEDMAP))
1897                 i |= MAP_FIXED;
1898         env->me_map = mmap(meta.mm_address, env->me_mapsize, PROT_READ, i,
1899                 env->me_fd, 0);
1900         if (env->me_map == MAP_FAILED)
1901                 return ErrCode();
1902 #endif
1903
1904         if (newenv) {
1905                 meta.mm_mapsize = env->me_mapsize;
1906                 if (flags & MDB_FIXEDMAP)
1907                         meta.mm_address = env->me_map;
1908                 i = mdb_env_init_meta(env, &meta);
1909                 if (i != MDB_SUCCESS) {
1910                         munmap(env->me_map, env->me_mapsize);
1911                         return i;
1912                 }
1913         }
1914         env->me_psize = meta.mm_psize;
1915
1916         env->me_maxpg = env->me_mapsize / env->me_psize;
1917
1918         p = (MDB_page *)env->me_map;
1919         env->me_metas[0] = METADATA(p);
1920         env->me_metas[1] = (MDB_meta *)((char *)env->me_metas[0] + meta.mm_psize);
1921
1922         if ((i = mdb_env_read_meta(env, &toggle)) != 0)
1923                 return i;
1924
1925         DPRINTF("opened database version %u, pagesize %u",
1926             env->me_metas[toggle]->mm_version, env->me_psize);
1927         DPRINTF("depth: %u", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_depth);
1928         DPRINTF("entries: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_entries);
1929         DPRINTF("branch pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_branch_pages);
1930         DPRINTF("leaf pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_leaf_pages);
1931         DPRINTF("overflow pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_overflow_pages);
1932         DPRINTF("root: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_root);
1933
1934         return MDB_SUCCESS;
1935 }
1936
1937 #ifndef _WIN32
1938 /* Windows doesn't support destructor callbacks for thread-specific storage */
1939 static void
1940 mdb_env_reader_dest(void *ptr)
1941 {
1942         MDB_reader *reader = ptr;
1943
1944         reader->mr_txnid = 0;
1945         reader->mr_pid = 0;
1946         reader->mr_tid = 0;
1947 }
1948 #endif
1949
1950 /* downgrade the exclusive lock on the region back to shared */
1951 static void
1952 mdb_env_share_locks(MDB_env *env)
1953 {
1954         int toggle = 0;
1955
1956         if (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid)
1957                 toggle = 1;
1958         env->me_txns->mti_me_toggle = toggle;
1959         env->me_txns->mti_txnid = env->me_metas[toggle]->mm_txnid;
1960
1961 #ifdef _WIN32
1962         {
1963                 OVERLAPPED ov;
1964                 /* First acquire a shared lock. The Unlock will
1965                  * then release the existing exclusive lock.
1966                  */
1967                 memset(&ov, 0, sizeof(ov));
1968                 LockFileEx(env->me_lfd, 0, 0, 1, 0, &ov);
1969                 UnlockFile(env->me_lfd, 0, 0, 1, 0);
1970         }
1971 #else
1972         {
1973                 struct flock lock_info;
1974                 /* The shared lock replaces the existing lock */
1975                 memset((void *)&lock_info, 0, sizeof(lock_info));
1976                 lock_info.l_type = F_RDLCK;
1977                 lock_info.l_whence = SEEK_SET;
1978                 lock_info.l_start = 0;
1979                 lock_info.l_len = 1;
1980                 fcntl(env->me_lfd, F_SETLK, &lock_info);
1981         }
1982 #endif
1983 }
1984
1985 static int
1986 mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
1987 {
1988         int rc;
1989         off_t size, rsize;
1990
1991         *excl = 0;
1992
1993 #ifdef _WIN32
1994         if ((env->me_lfd = CreateFile(lpath, GENERIC_READ|GENERIC_WRITE,
1995                 FILE_SHARE_READ|FILE_SHARE_WRITE, NULL, OPEN_ALWAYS,
1996                 FILE_ATTRIBUTE_NORMAL, NULL)) == INVALID_HANDLE_VALUE) {
1997                 rc = ErrCode();
1998                 return rc;
1999         }
2000         /* Try to get exclusive lock. If we succeed, then
2001          * nobody is using the lock region and we should initialize it.
2002          */
2003         {
2004                 if (LockFile(env->me_lfd, 0, 0, 1, 0)) {
2005                         *excl = 1;
2006                 } else {
2007                         OVERLAPPED ov;
2008                         memset(&ov, 0, sizeof(ov));
2009                         if (!LockFileEx(env->me_lfd, 0, 0, 1, 0, &ov)) {
2010                                 rc = ErrCode();
2011                                 goto fail;
2012                         }
2013                 }
2014         }
2015         size = GetFileSize(env->me_lfd, NULL);
2016 #else
2017         if ((env->me_lfd = open(lpath, O_RDWR|O_CREAT, mode)) == -1) {
2018                 rc = ErrCode();
2019                 return rc;
2020         }
2021         /* Try to get exclusive lock. If we succeed, then
2022          * nobody is using the lock region and we should initialize it.
2023          */
2024         {
2025                 struct flock lock_info;
2026                 memset((void *)&lock_info, 0, sizeof(lock_info));
2027                 lock_info.l_type = F_WRLCK;
2028                 lock_info.l_whence = SEEK_SET;
2029                 lock_info.l_start = 0;
2030                 lock_info.l_len = 1;
2031                 rc = fcntl(env->me_lfd, F_SETLK, &lock_info);
2032                 if (rc == 0) {
2033                         *excl = 1;
2034                 } else {
2035                         lock_info.l_type = F_RDLCK;
2036                         rc = fcntl(env->me_lfd, F_SETLKW, &lock_info);
2037                         if (rc) {
2038                                 rc = ErrCode();
2039                                 goto fail;
2040                         }
2041                 }
2042         }
2043         size = lseek(env->me_lfd, 0, SEEK_END);
2044 #endif
2045         rsize = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
2046         if (size < rsize && *excl) {
2047 #ifdef _WIN32
2048                 SetFilePointer(env->me_lfd, rsize, NULL, 0);
2049                 if (!SetEndOfFile(env->me_lfd)) {
2050                         rc = ErrCode();
2051                         goto fail;
2052                 }
2053 #else
2054                 if (ftruncate(env->me_lfd, rsize) != 0) {
2055                         rc = ErrCode();
2056                         goto fail;
2057                 }
2058 #endif
2059         } else {
2060                 rsize = size;
2061                 size = rsize - sizeof(MDB_txninfo);
2062                 env->me_maxreaders = size/sizeof(MDB_reader) + 1;
2063         }
2064 #ifdef _WIN32
2065         {
2066                 HANDLE mh;
2067                 mh = CreateFileMapping(env->me_lfd, NULL, PAGE_READWRITE,
2068                         0, 0, NULL);
2069                 if (!mh) {
2070                         rc = ErrCode();
2071                         goto fail;
2072                 }
2073                 env->me_txns = MapViewOfFileEx(mh, FILE_MAP_WRITE, 0, 0, rsize, NULL);
2074                 CloseHandle(mh);
2075                 if (!env->me_txns) {
2076                         rc = ErrCode();
2077                         goto fail;
2078                 }
2079         }
2080 #else
2081         env->me_txns = mmap(0, rsize, PROT_READ|PROT_WRITE, MAP_SHARED,
2082                 env->me_lfd, 0);
2083         if (env->me_txns == MAP_FAILED) {
2084                 rc = ErrCode();
2085                 goto fail;
2086         }
2087 #endif
2088         if (*excl) {
2089 #ifdef _WIN32
2090                 char *ptr;
2091                 if (!mdb_sec_inited) {
2092                         InitializeSecurityDescriptor(&mdb_null_sd,
2093                                 SECURITY_DESCRIPTOR_REVISION);
2094                         SetSecurityDescriptorDacl(&mdb_null_sd, TRUE, 0, FALSE);
2095                         mdb_all_sa.nLength = sizeof(SECURITY_ATTRIBUTES);
2096                         mdb_all_sa.bInheritHandle = FALSE;
2097                         mdb_all_sa.lpSecurityDescriptor = &mdb_null_sd;
2098                         mdb_sec_inited = 1;
2099                 }
2100                 /* FIXME: only using up to 20 characters of the env path here,
2101                  * probably not enough to assure uniqueness...
2102                  */
2103                 sprintf(env->me_txns->mti_rmname, "Global\\MDBr%.20s", lpath);
2104                 ptr = env->me_txns->mti_rmname + sizeof("Global\\MDBr");
2105                 while ((ptr = strchr(ptr, '\\')))
2106                         *ptr++ = '/';
2107                 env->me_rmutex = CreateMutex(&mdb_all_sa, FALSE, env->me_txns->mti_rmname);
2108                 if (!env->me_rmutex) {
2109                         rc = ErrCode();
2110                         goto fail;
2111                 }
2112                 sprintf(env->me_txns->mti_rmname, "Global\\MDBw%.20s", lpath);
2113                 ptr = env->me_txns->mti_rmname + sizeof("Global\\MDBw");
2114                 while ((ptr = strchr(ptr, '\\')))
2115                         *ptr++ = '/';
2116                 env->me_wmutex = CreateMutex(&mdb_all_sa, FALSE, env->me_txns->mti_rmname);
2117                 if (!env->me_wmutex) {
2118                         rc = ErrCode();
2119                         goto fail;
2120                 }
2121 #else
2122                 pthread_mutexattr_t mattr;
2123
2124                 pthread_mutexattr_init(&mattr);
2125                 rc = pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
2126                 if (rc) {
2127                         goto fail;
2128                 }
2129                 pthread_mutex_init(&env->me_txns->mti_mutex, &mattr);
2130                 pthread_mutex_init(&env->me_txns->mti_wmutex, &mattr);
2131 #endif
2132                 env->me_txns->mti_version = MDB_VERSION;
2133                 env->me_txns->mti_magic = MDB_MAGIC;
2134                 env->me_txns->mti_txnid = 0;
2135                 env->me_txns->mti_numreaders = 0;
2136                 env->me_txns->mti_me_toggle = 0;
2137
2138         } else {
2139                 if (env->me_txns->mti_magic != MDB_MAGIC) {
2140                         DPUTS("lock region has invalid magic");
2141                         rc = EINVAL;
2142                         goto fail;
2143                 }
2144                 if (env->me_txns->mti_version != MDB_VERSION) {
2145                         DPRINTF("lock region is version %u, expected version %u",
2146                                 env->me_txns->mti_version, MDB_VERSION);
2147                         rc = MDB_VERSION_MISMATCH;
2148                         goto fail;
2149                 }
2150                 rc = ErrCode();
2151                 if (rc != EACCES && rc != EAGAIN) {
2152                         goto fail;
2153                 }
2154 #ifdef _WIN32
2155                 env->me_rmutex = OpenMutex(SYNCHRONIZE, FALSE, env->me_txns->mti_rmname);
2156                 if (!env->me_rmutex) {
2157                         rc = ErrCode();
2158                         goto fail;
2159                 }
2160                 env->me_wmutex = OpenMutex(SYNCHRONIZE, FALSE, env->me_txns->mti_wmname);
2161                 if (!env->me_wmutex) {
2162                         rc = ErrCode();
2163                         goto fail;
2164                 }
2165 #endif
2166         }
2167         return MDB_SUCCESS;
2168
2169 fail:
2170         close(env->me_lfd);
2171         env->me_lfd = INVALID_HANDLE_VALUE;
2172         return rc;
2173
2174 }
2175
2176         /** The name of the lock file in the DB environment */
2177 #define LOCKNAME        "/lock.mdb"
2178         /** The name of the data file in the DB environment */
2179 #define DATANAME        "/data.mdb"
2180 int
2181 mdb_env_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
2182 {
2183         int             oflags, rc, len, excl;
2184         char *lpath, *dpath;
2185
2186         len = strlen(path);
2187         lpath = malloc(len + sizeof(LOCKNAME) + len + sizeof(DATANAME));
2188         if (!lpath)
2189                 return ENOMEM;
2190         dpath = lpath + len + sizeof(LOCKNAME);
2191         sprintf(lpath, "%s" LOCKNAME, path);
2192         sprintf(dpath, "%s" DATANAME, path);
2193
2194         rc = mdb_env_setup_locks(env, lpath, mode, &excl);
2195         if (rc)
2196                 goto leave;
2197
2198 #ifdef _WIN32
2199         if (F_ISSET(flags, MDB_RDONLY)) {
2200                 oflags = GENERIC_READ;
2201                 len = OPEN_EXISTING;
2202         } else {
2203                 oflags = GENERIC_READ|GENERIC_WRITE;
2204                 len = OPEN_ALWAYS;
2205         }
2206         mode = FILE_ATTRIBUTE_NORMAL;
2207         if ((env->me_fd = CreateFile(dpath, oflags, FILE_SHARE_READ|FILE_SHARE_WRITE,
2208                         NULL, len, mode, NULL)) == INVALID_HANDLE_VALUE) {
2209                 rc = ErrCode();
2210                 goto leave;
2211         }
2212 #else
2213         if (F_ISSET(flags, MDB_RDONLY))
2214                 oflags = O_RDONLY;
2215         else
2216                 oflags = O_RDWR | O_CREAT;
2217
2218         if ((env->me_fd = open(dpath, oflags, mode)) == -1) {
2219                 rc = ErrCode();
2220                 goto leave;
2221         }
2222 #endif
2223
2224         if ((rc = mdb_env_open2(env, flags)) == MDB_SUCCESS) {
2225                 /* synchronous fd for meta writes */
2226 #ifdef _WIN32
2227                 if (!(flags & (MDB_RDONLY|MDB_NOSYNC)))
2228                         mode |= FILE_FLAG_WRITE_THROUGH;
2229                 if ((env->me_mfd = CreateFile(dpath, oflags, FILE_SHARE_READ|FILE_SHARE_WRITE,
2230                         NULL, len, mode, NULL)) == INVALID_HANDLE_VALUE) {
2231                         rc = ErrCode();
2232                         goto leave;
2233                 }
2234 #else
2235                 if (!(flags & (MDB_RDONLY|MDB_NOSYNC)))
2236                         oflags |= MDB_DSYNC;
2237                 if ((env->me_mfd = open(dpath, oflags, mode)) == -1) {
2238                         rc = ErrCode();
2239                         goto leave;
2240                 }
2241 #endif
2242                 env->me_path = strdup(path);
2243                 DPRINTF("opened dbenv %p", (void *) env);
2244                 pthread_key_create(&env->me_txkey, mdb_env_reader_dest);
2245                 LAZY_RWLOCK_INIT(&env->me_dblock, NULL);
2246                 if (excl)
2247                         mdb_env_share_locks(env);
2248                 env->me_dbxs = calloc(env->me_maxdbs, sizeof(MDB_dbx));
2249                 env->me_dbs[0] = calloc(env->me_maxdbs, sizeof(MDB_db));
2250                 env->me_dbs[1] = calloc(env->me_maxdbs, sizeof(MDB_db));
2251                 env->me_numdbs = 2;
2252         }
2253
2254 leave:
2255         if (rc) {
2256                 if (env->me_fd != INVALID_HANDLE_VALUE) {
2257                         close(env->me_fd);
2258                         env->me_fd = INVALID_HANDLE_VALUE;
2259                 }
2260                 if (env->me_lfd != INVALID_HANDLE_VALUE) {
2261                         close(env->me_lfd);
2262                         env->me_lfd = INVALID_HANDLE_VALUE;
2263                 }
2264         }
2265         free(lpath);
2266         return rc;
2267 }
2268
2269 void
2270 mdb_env_close(MDB_env *env)
2271 {
2272         MDB_page *dp;
2273
2274         if (env == NULL)
2275                 return;
2276
2277         while (env->me_dpages) {
2278                 dp = env->me_dpages;
2279                 env->me_dpages = dp->mp_next;
2280                 free(dp);
2281         }
2282
2283         free(env->me_dbs[1]);
2284         free(env->me_dbs[0]);
2285         free(env->me_dbxs);
2286         free(env->me_path);
2287
2288         LAZY_RWLOCK_DESTROY(&env->me_dblock);
2289         pthread_key_delete(env->me_txkey);
2290
2291         if (env->me_map) {
2292                 munmap(env->me_map, env->me_mapsize);
2293         }
2294         close(env->me_mfd);
2295         close(env->me_fd);
2296         if (env->me_txns) {
2297                 pid_t pid = getpid();
2298                 unsigned int i;
2299                 for (i=0; i<env->me_txns->mti_numreaders; i++)
2300                         if (env->me_txns->mti_readers[i].mr_pid == pid)
2301                                 env->me_txns->mti_readers[i].mr_pid = 0;
2302                 munmap(env->me_txns, (env->me_maxreaders-1)*sizeof(MDB_reader)+sizeof(MDB_txninfo));
2303         }
2304         close(env->me_lfd);
2305         free(env);
2306 }
2307
2308 /* only for aligned ints */
2309 static int
2310 intcmp(const MDB_val *a, const MDB_val *b)
2311 {
2312         if (a->mv_size == sizeof(long))
2313         {
2314                 unsigned long *la, *lb;
2315                 la = a->mv_data;
2316                 lb = b->mv_data;
2317                 return *la - *lb;
2318         } else {
2319                 unsigned int *ia, *ib;
2320                 ia = a->mv_data;
2321                 ib = b->mv_data;
2322                 return *ia - *ib;
2323         }
2324 }
2325
2326 /* ints must always be the same size */
2327 static int
2328 cintcmp(const MDB_val *a, const MDB_val *b)
2329 {
2330 #if __BYTE_ORDER == __LITTLE_ENDIAN
2331         unsigned short *u, *c;
2332         int x;
2333
2334         u = (unsigned short *) ((char *) a->mv_data + a->mv_size);
2335         c = (unsigned short *) ((char *) b->mv_data + a->mv_size);
2336         do {
2337                 x = *--u - *--c;
2338         } while(!x && u > (unsigned short *)a->mv_data);
2339         return x;
2340 #else
2341         return memcmp(a->mv_data, b->mv_data, a->mv_size);
2342 #endif
2343 }
2344
2345 static int
2346 memncmp(const MDB_val *a, const MDB_val *b)
2347 {
2348         int diff;
2349         ssize_t len_diff;
2350         unsigned int len;
2351
2352         len = a->mv_size;
2353         len_diff = (ssize_t) a->mv_size - (ssize_t) b->mv_size;
2354         if (len_diff > 0) {
2355                 len = b->mv_size;
2356                 len_diff = 1;
2357         }
2358
2359         diff = memcmp(a->mv_data, b->mv_data, len);
2360         return diff ? diff : len_diff<0 ? -1 : len_diff;
2361 }
2362
2363 static int
2364 memnrcmp(const MDB_val *a, const MDB_val *b)
2365 {
2366         const unsigned char     *p1, *p2, *p1_lim;
2367         ssize_t len_diff;
2368         int diff;
2369
2370         p1_lim = (const unsigned char *)a->mv_data;
2371         p1 = (const unsigned char *)a->mv_data + a->mv_size;
2372         p2 = (const unsigned char *)b->mv_data + b->mv_size;
2373
2374         len_diff = (ssize_t) a->mv_size - (ssize_t) b->mv_size;
2375         if (len_diff > 0) {
2376                 p1_lim += len_diff;
2377                 len_diff = 1;
2378         }
2379
2380         while (p1 > p1_lim) {
2381                 diff = *--p1 - *--p2;
2382                 if (diff)
2383                         return diff;
2384         }
2385         return len_diff<0 ? -1 : len_diff;
2386 }
2387
2388 /* Search for key within a leaf page, using binary search.
2389  * Returns the smallest entry larger or equal to the key.
2390  * If exactp is non-null, stores whether the found entry was an exact match
2391  * in *exactp (1 or 0).
2392  * If kip is non-null, stores the index of the found entry in *kip.
2393  * If no entry larger or equal to the key is found, returns NULL.
2394  */
2395 static MDB_node *
2396 mdb_search_node(MDB_cursor *mc, MDB_val *key, int *exactp)
2397 {
2398         unsigned int     i = 0, nkeys;
2399         int              low, high;
2400         int              rc = 0;
2401         MDB_page *mp = mc->mc_pg[mc->mc_top];
2402         MDB_node        *node = NULL;
2403         MDB_val  nodekey;
2404         MDB_cmp_func *cmp;
2405         DKBUF;
2406
2407         nkeys = NUMKEYS(mp);
2408
2409         DPRINTF("searching %u keys in %s page %lu",
2410             nkeys, IS_LEAF(mp) ? "leaf" : "branch",
2411             mp->mp_pgno);
2412
2413         assert(nkeys > 0);
2414
2415         low = IS_LEAF(mp) ? 0 : 1;
2416         high = nkeys - 1;
2417         cmp = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_cmp;
2418         if (IS_LEAF2(mp)) {
2419                 nodekey.mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
2420                 node = NODEPTR(mp, 0);  /* fake */
2421         }
2422         while (low <= high) {
2423                 i = (low + high) >> 1;
2424
2425                 if (IS_LEAF2(mp)) {
2426                         nodekey.mv_data = LEAF2KEY(mp, i, nodekey.mv_size);
2427                 } else {
2428                         node = NODEPTR(mp, i);
2429
2430                         nodekey.mv_size = node->mn_ksize;
2431                         nodekey.mv_data = NODEKEY(node);
2432                 }
2433
2434                 rc = cmp(key, &nodekey);
2435
2436 #if DEBUG
2437                 if (IS_LEAF(mp))
2438                         DPRINTF("found leaf index %u [%s], rc = %i",
2439                             i, DKEY(&nodekey), rc);
2440                 else
2441                         DPRINTF("found branch index %u [%s -> %lu], rc = %i",
2442                             i, DKEY(&nodekey), NODEPGNO(node), rc);
2443 #endif
2444
2445                 if (rc == 0)
2446                         break;
2447                 if (rc > 0)
2448                         low = i + 1;
2449                 else
2450                         high = i - 1;
2451         }
2452
2453         if (rc > 0) {   /* Found entry is less than the key. */
2454                 i++;    /* Skip to get the smallest entry larger than key. */
2455                 if (!IS_LEAF2(mp))
2456                         node = NODEPTR(mp, i);
2457         }
2458         if (exactp)
2459                 *exactp = (rc == 0);
2460         /* store the key index */
2461         mc->mc_ki[mc->mc_top] = i;
2462         if (i >= nkeys)
2463                 /* There is no entry larger or equal to the key. */
2464                 return NULL;
2465
2466         /* nodeptr is fake for LEAF2 */
2467         return node;
2468 }
2469
2470 static void
2471 cursor_pop_page(MDB_cursor *mc)
2472 {
2473         MDB_page        *top;
2474
2475         if (mc->mc_snum) {
2476                 top = mc->mc_pg[mc->mc_top];
2477                 mc->mc_snum--;
2478                 if (mc->mc_snum)
2479                         mc->mc_top--;
2480
2481                 DPRINTF("popped page %lu off db %u cursor %p", top->mp_pgno,
2482                         mc->mc_dbi, (void *) mc);
2483         }
2484 }
2485
2486 static int
2487 cursor_push_page(MDB_cursor *mc, MDB_page *mp)
2488 {
2489         DPRINTF("pushing page %lu on db %u cursor %p", mp->mp_pgno,
2490                 mc->mc_dbi, (void *) mc);
2491
2492         if (mc->mc_snum >= CURSOR_STACK)
2493                 return ENOMEM;
2494
2495         mc->mc_top = mc->mc_snum++;
2496         mc->mc_pg[mc->mc_top] = mp;
2497         mc->mc_ki[mc->mc_top] = 0;
2498
2499         return MDB_SUCCESS;
2500 }
2501
2502 static int
2503 mdb_get_page(MDB_txn *txn, pgno_t pgno, MDB_page **ret)
2504 {
2505         MDB_page *p = NULL;
2506
2507         if (!F_ISSET(txn->mt_flags, MDB_TXN_RDONLY) && txn->mt_u.dirty_list[0].mid) {
2508                 unsigned x;
2509                 x = mdb_mid2l_search(txn->mt_u.dirty_list, pgno);
2510                 if (x <= txn->mt_u.dirty_list[0].mid && txn->mt_u.dirty_list[x].mid == pgno) {
2511                         p = txn->mt_u.dirty_list[x].mptr;
2512                 }
2513         }
2514         if (!p) {
2515                 if (pgno <= txn->mt_env->me_metas[txn->mt_toggle]->mm_last_pg)
2516                         p = (MDB_page *)(txn->mt_env->me_map + txn->mt_env->me_psize * pgno);
2517         }
2518         *ret = p;
2519         if (!p) {
2520                 DPRINTF("page %lu not found", pgno);
2521                 assert(p != NULL);
2522         }
2523         return (p != NULL) ? MDB_SUCCESS : MDB_PAGE_NOTFOUND;
2524 }
2525
2526 static int
2527 mdb_search_page_root(MDB_cursor *mc, MDB_val *key, int modify)
2528 {
2529         MDB_page        *mp = mc->mc_pg[mc->mc_top];
2530         DKBUF;
2531         int rc;
2532
2533
2534         while (IS_BRANCH(mp)) {
2535                 MDB_node        *node;
2536
2537                 DPRINTF("branch page %lu has %u keys", mp->mp_pgno, NUMKEYS(mp));
2538                 assert(NUMKEYS(mp) > 1);
2539                 DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
2540
2541                 if (key == NULL)        /* Initialize cursor to first page. */
2542                         mc->mc_ki[mc->mc_top] = 0;
2543                 else if (key->mv_size > MAXKEYSIZE && key->mv_data == NULL) {
2544                                                         /* cursor to last page */
2545                         mc->mc_ki[mc->mc_top] = NUMKEYS(mp)-1;
2546                 } else {
2547                         int      exact;
2548                         node = mdb_search_node(mc, key, &exact);
2549                         if (node == NULL)
2550                                 mc->mc_ki[mc->mc_top] = NUMKEYS(mp) - 1;
2551                         else if (!exact) {
2552                                 assert(mc->mc_ki[mc->mc_top] > 0);
2553                                 mc->mc_ki[mc->mc_top]--;
2554                         }
2555                 }
2556
2557                 if (key)
2558                         DPRINTF("following index %u for key [%s]",
2559                             mc->mc_ki[mc->mc_top], DKEY(key));
2560                 assert(mc->mc_ki[mc->mc_top] < NUMKEYS(mp));
2561                 node = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
2562
2563                 if ((rc = mdb_get_page(mc->mc_txn, NODEPGNO(node), &mp)))
2564                         return rc;
2565
2566                 if ((rc = cursor_push_page(mc, mp)))
2567                         return rc;
2568
2569                 if (modify) {
2570                         if ((rc = mdb_touch(mc)) != 0)
2571                                 return rc;
2572                         mp = mc->mc_pg[mc->mc_top];
2573                 }
2574         }
2575
2576         if (!IS_LEAF(mp)) {
2577                 DPRINTF("internal error, index points to a %02X page!?",
2578                     mp->mp_flags);
2579                 return MDB_CORRUPTED;
2580         }
2581
2582         DPRINTF("found leaf page %lu for key [%s]", mp->mp_pgno,
2583             key ? DKEY(key) : NULL);
2584
2585         return MDB_SUCCESS;
2586 }
2587
2588 /* Search for the page a given key should be in.
2589  * Pushes parent pages on the cursor stack.
2590  * If key is NULL, search for the lowest page (used by mdb_cursor_first).
2591  * If modify is true, visited pages are updated with new page numbers.
2592  */
2593 static int
2594 mdb_search_page(MDB_cursor *mc, MDB_val *key, int modify)
2595 {
2596         int              rc;
2597         pgno_t           root;
2598
2599         /* Make sure the txn is still viable, then find the root from
2600          * the txn's db table.
2601          */
2602         if (F_ISSET(mc->mc_txn->mt_flags, MDB_TXN_ERROR)) {
2603                 DPUTS("transaction has failed, must abort");
2604                 return EINVAL;
2605         } else
2606                 root = mc->mc_txn->mt_dbs[mc->mc_dbi].md_root;
2607
2608         if (root == P_INVALID) {                /* Tree is empty. */
2609                 DPUTS("tree is empty");
2610                 return MDB_NOTFOUND;
2611         }
2612
2613         if ((rc = mdb_get_page(mc->mc_txn, root, &mc->mc_pg[0])))
2614                 return rc;
2615
2616         mc->mc_snum = 1;
2617         mc->mc_top = 0;
2618
2619         DPRINTF("db %u root page %lu has flags 0x%X",
2620                 mc->mc_dbi, root, mc->mc_pg[0]->mp_flags);
2621
2622         if (modify) {
2623                 /* For sub-databases, update main root first */
2624                 if (mc->mc_dbi > MAIN_DBI && !mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty) {
2625                         MDB_cursor mc2;
2626                         mc2.mc_txn = mc->mc_txn;
2627                         mc2.mc_dbi = MAIN_DBI;
2628                         rc = mdb_search_page(&mc2, &mc->mc_txn->mt_dbxs[mc->mc_dbi].md_name, 1);
2629                         if (rc)
2630                                 return rc;
2631                         mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty = 1;
2632                 }
2633                 if (!F_ISSET(mc->mc_pg[0]->mp_flags, P_DIRTY)) {
2634                         if ((rc = mdb_touch(mc)))
2635                                 return rc;
2636                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = mc->mc_pg[0]->mp_pgno;
2637                 }
2638         }
2639
2640         return mdb_search_page_root(mc, key, modify);
2641 }
2642
2643 static int
2644 mdb_read_data(MDB_txn *txn, MDB_node *leaf, MDB_val *data)
2645 {
2646         MDB_page        *omp;           /* overflow mpage */
2647         pgno_t           pgno;
2648         int rc;
2649
2650         if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
2651                 data->mv_size = NODEDSZ(leaf);
2652                 data->mv_data = NODEDATA(leaf);
2653                 return MDB_SUCCESS;
2654         }
2655
2656         /* Read overflow data.
2657          */
2658         data->mv_size = NODEDSZ(leaf);
2659         memcpy(&pgno, NODEDATA(leaf), sizeof(pgno));
2660         if ((rc = mdb_get_page(txn, pgno, &omp))) {
2661                 DPRINTF("read overflow page %lu failed", pgno);
2662                 return rc;
2663         }
2664         data->mv_data = METADATA(omp);
2665
2666         return MDB_SUCCESS;
2667 }
2668
2669 int
2670 mdb_get(MDB_txn *txn, MDB_dbi dbi,
2671     MDB_val *key, MDB_val *data)
2672 {
2673         MDB_cursor      mc;
2674         MDB_xcursor     mx;
2675         int exact = 0;
2676         DKBUF;
2677
2678         assert(key);
2679         assert(data);
2680         DPRINTF("===> get db %u key [%s]", dbi, DKEY(key));
2681
2682         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
2683                 return EINVAL;
2684
2685         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2686                 return EINVAL;
2687         }
2688
2689         mc.mc_txn = txn;
2690         mc.mc_dbi = dbi;
2691         mc.mc_flags = 0;
2692         if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
2693                 mc.mc_xcursor = &mx;
2694                 mdb_xcursor_init0(&mc);
2695         } else {
2696                 mc.mc_xcursor = NULL;
2697         }
2698         return mdb_cursor_set(&mc, key, data, MDB_SET, &exact);
2699 }
2700
2701 static int
2702 mdb_sibling(MDB_cursor *mc, int move_right)
2703 {
2704         int              rc;
2705         unsigned int    ptop;
2706         MDB_node        *indx;
2707         MDB_page        *mp;
2708
2709         if (mc->mc_snum < 2) {
2710                 return MDB_NOTFOUND;            /* root has no siblings */
2711         }
2712         ptop = mc->mc_top-1;
2713
2714         DPRINTF("parent page is page %lu, index %u",
2715                 mc->mc_pg[ptop]->mp_pgno, mc->mc_ki[ptop]);
2716
2717         cursor_pop_page(mc);
2718         if (move_right ? (mc->mc_ki[ptop] + 1u >= NUMKEYS(mc->mc_pg[ptop]))
2719                        : (mc->mc_ki[ptop] == 0)) {
2720                 DPRINTF("no more keys left, moving to %s sibling",
2721                     move_right ? "right" : "left");
2722                 if ((rc = mdb_sibling(mc, move_right)) != MDB_SUCCESS)
2723                         return rc;
2724         } else {
2725                 if (move_right)
2726                         mc->mc_ki[ptop]++;
2727                 else
2728                         mc->mc_ki[ptop]--;
2729                 DPRINTF("just moving to %s index key %u",
2730                     move_right ? "right" : "left", mc->mc_ki[ptop]);
2731         }
2732         assert(IS_BRANCH(mc->mc_pg[ptop]));
2733
2734         indx = NODEPTR(mc->mc_pg[ptop], mc->mc_ki[ptop]);
2735         if ((rc = mdb_get_page(mc->mc_txn, NODEPGNO(indx), &mp)))
2736                 return rc;;
2737
2738         cursor_push_page(mc, mp);
2739
2740         return MDB_SUCCESS;
2741 }
2742
2743 static int
2744 mdb_cursor_next(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op)
2745 {
2746         MDB_page        *mp;
2747         MDB_node        *leaf;
2748         int rc;
2749
2750         if (mc->mc_flags & C_EOF) {
2751                 return MDB_NOTFOUND;
2752         }
2753
2754         assert(mc->mc_flags & C_INITIALIZED);
2755
2756         mp = mc->mc_pg[mc->mc_top];
2757
2758         if (mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT) {
2759                 leaf = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
2760                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2761                         if (op == MDB_NEXT || op == MDB_NEXT_DUP) {
2762                                 rc = mdb_cursor_next(&mc->mc_xcursor->mx_cursor, data, NULL, MDB_NEXT);
2763                                 if (op != MDB_NEXT || rc == MDB_SUCCESS)
2764                                         return rc;
2765                         }
2766                 } else {
2767                         mc->mc_xcursor->mx_cursor.mc_flags = 0;
2768                         if (op == MDB_NEXT_DUP)
2769                                 return MDB_NOTFOUND;
2770                 }
2771         }
2772
2773         DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, (void *) mc);
2774
2775         if (mc->mc_ki[mc->mc_top] + 1u >= NUMKEYS(mp)) {
2776                 DPUTS("=====> move to next sibling page");
2777                 if (mdb_sibling(mc, 1) != MDB_SUCCESS) {
2778                         mc->mc_flags |= C_EOF;
2779                         return MDB_NOTFOUND;
2780                 }
2781                 mp = mc->mc_pg[mc->mc_top];
2782                 DPRINTF("next page is %lu, key index %u", mp->mp_pgno, mc->mc_ki[mc->mc_top]);
2783         } else
2784                 mc->mc_ki[mc->mc_top]++;
2785
2786         DPRINTF("==> cursor points to page %lu with %u keys, key index %u",
2787             mp->mp_pgno, NUMKEYS(mp), mc->mc_ki[mc->mc_top]);
2788
2789         if (IS_LEAF2(mp)) {
2790                 key->mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
2791                 key->mv_data = LEAF2KEY(mp, mc->mc_ki[mc->mc_top], key->mv_size);
2792                 return MDB_SUCCESS;
2793         }
2794
2795         assert(IS_LEAF(mp));
2796         leaf = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
2797
2798         if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2799                 mdb_xcursor_init1(mc, leaf);
2800         }
2801         if (data) {
2802                 if ((rc = mdb_read_data(mc->mc_txn, leaf, data) != MDB_SUCCESS))
2803                         return rc;
2804
2805                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2806                         rc = mdb_cursor_first(&mc->mc_xcursor->mx_cursor, data, NULL);
2807                         if (rc != MDB_SUCCESS)
2808                                 return rc;
2809                 }
2810         }
2811
2812         MDB_SET_KEY(leaf, key);
2813         return MDB_SUCCESS;
2814 }
2815
2816 static int
2817 mdb_cursor_prev(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op)
2818 {
2819         MDB_page        *mp;
2820         MDB_node        *leaf;
2821         int rc;
2822
2823         assert(mc->mc_flags & C_INITIALIZED);
2824
2825         mp = mc->mc_pg[mc->mc_top];
2826
2827         if (mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT) {
2828                 leaf = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
2829                 if (op == MDB_PREV || op == MDB_PREV_DUP) {
2830                         if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2831                                 rc = mdb_cursor_prev(&mc->mc_xcursor->mx_cursor, data, NULL, MDB_PREV);
2832                                 if (op != MDB_PREV || rc == MDB_SUCCESS)
2833                                         return rc;
2834                         } else {
2835                                 mc->mc_xcursor->mx_cursor.mc_flags = 0;
2836                                 if (op == MDB_PREV_DUP)
2837                                         return MDB_NOTFOUND;
2838                         }
2839                 }
2840         }
2841
2842         DPRINTF("cursor_prev: top page is %lu in cursor %p", mp->mp_pgno, (void *) mc);
2843
2844         if (mc->mc_ki[mc->mc_top] == 0)  {
2845                 DPUTS("=====> move to prev sibling page");
2846                 if (mdb_sibling(mc, 0) != MDB_SUCCESS) {
2847                         mc->mc_flags &= ~C_INITIALIZED;
2848                         return MDB_NOTFOUND;
2849                 }
2850                 mp = mc->mc_pg[mc->mc_top];
2851                 mc->mc_ki[mc->mc_top] = NUMKEYS(mp) - 1;
2852                 DPRINTF("prev page is %lu, key index %u", mp->mp_pgno, mc->mc_ki[mc->mc_top]);
2853         } else
2854                 mc->mc_ki[mc->mc_top]--;
2855
2856         mc->mc_flags &= ~C_EOF;
2857
2858         DPRINTF("==> cursor points to page %lu with %u keys, key index %u",
2859             mp->mp_pgno, NUMKEYS(mp), mc->mc_ki[mc->mc_top]);
2860
2861         if (IS_LEAF2(mp)) {
2862                 key->mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
2863                 key->mv_data = LEAF2KEY(mp, mc->mc_ki[mc->mc_top], key->mv_size);
2864                 return MDB_SUCCESS;
2865         }
2866
2867         assert(IS_LEAF(mp));
2868         leaf = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
2869
2870         if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2871                 mdb_xcursor_init1(mc, leaf);
2872         }
2873         if (data) {
2874                 if ((rc = mdb_read_data(mc->mc_txn, leaf, data) != MDB_SUCCESS))
2875                         return rc;
2876
2877                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2878                         rc = mdb_cursor_last(&mc->mc_xcursor->mx_cursor, data, NULL);
2879                         if (rc != MDB_SUCCESS)
2880                                 return rc;
2881                 }
2882         }
2883
2884         MDB_SET_KEY(leaf, key);
2885         return MDB_SUCCESS;
2886 }
2887
2888 static int
2889 mdb_cursor_set(MDB_cursor *mc, MDB_val *key, MDB_val *data,
2890     MDB_cursor_op op, int *exactp)
2891 {
2892         int              rc;
2893         MDB_node        *leaf;
2894         DKBUF;
2895
2896         assert(mc);
2897         assert(key);
2898         assert(key->mv_size > 0);
2899
2900         /* See if we're already on the right page */
2901         if (mc->mc_flags & C_INITIALIZED) {
2902                 MDB_val nodekey;
2903
2904                 if (mc->mc_pg[mc->mc_top]->mp_flags & P_LEAF2) {
2905                         nodekey.mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
2906                         nodekey.mv_data = LEAF2KEY(mc->mc_pg[mc->mc_top], 0, nodekey.mv_size);
2907                 } else {
2908                         leaf = NODEPTR(mc->mc_pg[mc->mc_top], 0);
2909                         MDB_SET_KEY(leaf, &nodekey);
2910                 }
2911                 rc = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_cmp(key, &nodekey);
2912                 if (rc == 0) {
2913                         /* Probably happens rarely, but first node on the page
2914                          * was the one we wanted.
2915                          */
2916                         mc->mc_ki[mc->mc_top] = 0;
2917 set1:
2918                         if (exactp)
2919                                 *exactp = 1;
2920                         leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
2921                         goto set3;
2922                 }
2923                 if (rc > 0) {
2924                         unsigned int i;
2925                         if (NUMKEYS(mc->mc_pg[mc->mc_top]) > 1) {
2926                                 if (mc->mc_pg[mc->mc_top]->mp_flags & P_LEAF2) {
2927                                         nodekey.mv_data = LEAF2KEY(mc->mc_pg[mc->mc_top],
2928                                                  NUMKEYS(mc->mc_pg[mc->mc_top])-1, nodekey.mv_size);
2929                                 } else {
2930                                         leaf = NODEPTR(mc->mc_pg[mc->mc_top], NUMKEYS(mc->mc_pg[mc->mc_top])-1);
2931                                         MDB_SET_KEY(leaf, &nodekey);
2932                                 }
2933                                 rc = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_cmp(key, &nodekey);
2934                                 if (rc == 0) {
2935                                         /* last node was the one we wanted */
2936                                         mc->mc_ki[mc->mc_top] = NUMKEYS(mc->mc_pg[mc->mc_top])-1;
2937                                         goto set1;
2938                                 }
2939                                 if (rc < 0) {
2940                                         /* This is definitely the right page, skip search_page */
2941                                         rc = 0;
2942                                         goto set2;
2943                                 }
2944                         }
2945                         /* If any parents have right-sibs, search.
2946                          * Otherwise, there's nothing further.
2947                          */
2948                         for (i=0; i<mc->mc_top; i++)
2949                                 if (mc->mc_ki[i] <
2950                                         NUMKEYS(mc->mc_pg[i])-1)
2951                                         break;
2952                         if (i == mc->mc_top) {
2953                                 /* There are no other pages */
2954                                 mc->mc_ki[mc->mc_top] = NUMKEYS(mc->mc_pg[mc->mc_top]);
2955                                 return MDB_NOTFOUND;
2956                         }
2957                 }
2958         }
2959
2960         rc = mdb_search_page(mc, key, 0);
2961         if (rc != MDB_SUCCESS)
2962                 return rc;
2963
2964         assert(IS_LEAF(mc->mc_pg[mc->mc_top]));
2965
2966 set2:
2967         leaf = mdb_search_node(mc, key, exactp);
2968         if (exactp != NULL && !*exactp) {
2969                 /* MDB_SET specified and not an exact match. */
2970                 return MDB_NOTFOUND;
2971         }
2972
2973         if (leaf == NULL) {
2974                 DPUTS("===> inexact leaf not found, goto sibling");
2975                 if ((rc = mdb_sibling(mc, 1)) != MDB_SUCCESS)
2976                         return rc;              /* no entries matched */
2977                 mc->mc_ki[mc->mc_top] = 0;
2978                 assert(IS_LEAF(mc->mc_pg[mc->mc_top]));
2979                 leaf = NODEPTR(mc->mc_pg[mc->mc_top], 0);
2980         }
2981
2982 set3:
2983         mc->mc_flags |= C_INITIALIZED;
2984         mc->mc_flags &= ~C_EOF;
2985
2986         if (IS_LEAF2(mc->mc_pg[mc->mc_top])) {
2987                 key->mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
2988                 key->mv_data = LEAF2KEY(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], key->mv_size);
2989                 return MDB_SUCCESS;
2990         }
2991
2992         if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2993                 mdb_xcursor_init1(mc, leaf);
2994         }
2995         if (data) {
2996                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
2997                         if (op == MDB_SET || op == MDB_SET_RANGE) {
2998                                 rc = mdb_cursor_first(&mc->mc_xcursor->mx_cursor, data, NULL);
2999                         } else {
3000                                 int ex2, *ex2p;
3001                                 if (op == MDB_GET_BOTH) {
3002                                         ex2p = &ex2;
3003                                         ex2 = 0;
3004                                 } else {
3005                                         ex2p = NULL;
3006                                 }
3007                                 rc = mdb_cursor_set(&mc->mc_xcursor->mx_cursor, data, NULL, MDB_SET_RANGE, ex2p);
3008                                 if (rc != MDB_SUCCESS)
3009                                         return rc;
3010                         }
3011                 } else if (op == MDB_GET_BOTH || op == MDB_GET_BOTH_RANGE) {
3012                         MDB_val d2;
3013                         if ((rc = mdb_read_data(mc->mc_txn, leaf, &d2)) != MDB_SUCCESS)
3014                                 return rc;
3015                         rc = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dcmp(data, &d2);
3016                         if (rc) {
3017                                 if (op == MDB_GET_BOTH || rc > 0)
3018                                         return MDB_NOTFOUND;
3019                         }
3020
3021                 } else {
3022                         if ((rc = mdb_read_data(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
3023                                 return rc;
3024                 }
3025         }
3026
3027         /* The key already matches in all other cases */
3028         if (op == MDB_SET_RANGE)
3029                 MDB_SET_KEY(leaf, key);
3030         DPRINTF("==> cursor placed on key [%s]", DKEY(key));
3031
3032         return rc;
3033 }
3034
3035 static int
3036 mdb_cursor_first(MDB_cursor *mc, MDB_val *key, MDB_val *data)
3037 {
3038         int              rc;
3039         MDB_node        *leaf;
3040
3041         rc = mdb_search_page(mc, NULL, 0);
3042         if (rc != MDB_SUCCESS)
3043                 return rc;
3044         assert(IS_LEAF(mc->mc_pg[mc->mc_top]));
3045
3046         leaf = NODEPTR(mc->mc_pg[mc->mc_top], 0);
3047         mc->mc_flags |= C_INITIALIZED;
3048         mc->mc_flags &= ~C_EOF;
3049
3050         if (IS_LEAF2(mc->mc_pg[mc->mc_top])) {
3051                 key->mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
3052                 key->mv_data = LEAF2KEY(mc->mc_pg[mc->mc_top], 0, key->mv_size);
3053                 return MDB_SUCCESS;
3054         }
3055
3056         if (data) {
3057                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
3058                         mdb_xcursor_init1(mc, leaf);
3059                         rc = mdb_cursor_first(&mc->mc_xcursor->mx_cursor, data, NULL);
3060                         if (rc)
3061                                 return rc;
3062                 } else {
3063                         if (mc->mc_xcursor)
3064                                 mc->mc_xcursor->mx_cursor.mc_flags = 0;
3065                         if ((rc = mdb_read_data(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
3066                                 return rc;
3067                 }
3068         }
3069         MDB_SET_KEY(leaf, key);
3070         return MDB_SUCCESS;
3071 }
3072
3073 static int
3074 mdb_cursor_last(MDB_cursor *mc, MDB_val *key, MDB_val *data)
3075 {
3076         int              rc;
3077         MDB_node        *leaf;
3078         MDB_val lkey;
3079
3080         lkey.mv_size = MAXKEYSIZE+1;
3081         lkey.mv_data = NULL;
3082
3083         rc = mdb_search_page(mc, &lkey, 0);
3084         if (rc != MDB_SUCCESS)
3085                 return rc;
3086         assert(IS_LEAF(mc->mc_pg[mc->mc_top]));
3087
3088         leaf = NODEPTR(mc->mc_pg[mc->mc_top], NUMKEYS(mc->mc_pg[mc->mc_top])-1);
3089         mc->mc_flags |= C_INITIALIZED;
3090         mc->mc_flags &= ~C_EOF;
3091
3092         mc->mc_ki[mc->mc_top] = NUMKEYS(mc->mc_pg[mc->mc_top]) - 1;
3093
3094         if (IS_LEAF2(mc->mc_pg[mc->mc_top])) {
3095                 key->mv_size = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
3096                 key->mv_data = LEAF2KEY(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], key->mv_size);
3097                 return MDB_SUCCESS;
3098         }
3099
3100         if (data) {
3101                 if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
3102                         mdb_xcursor_init1(mc, leaf);
3103                         rc = mdb_cursor_last(&mc->mc_xcursor->mx_cursor, data, NULL);
3104                         if (rc)
3105                                 return rc;
3106                 } else {
3107                         if ((rc = mdb_read_data(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
3108                                 return rc;
3109                 }
3110         }
3111
3112         MDB_SET_KEY(leaf, key);
3113         return MDB_SUCCESS;
3114 }
3115
3116 int
3117 mdb_cursor_get(MDB_cursor *mc, MDB_val *key, MDB_val *data,
3118     MDB_cursor_op op)
3119 {
3120         int              rc;
3121         int              exact = 0;
3122
3123         assert(mc);
3124
3125         switch (op) {
3126         case MDB_GET_BOTH:
3127         case MDB_GET_BOTH_RANGE:
3128                 if (data == NULL || mc->mc_xcursor == NULL) {
3129                         rc = EINVAL;
3130                         break;
3131                 }
3132                 /* FALLTHRU */
3133         case MDB_SET:
3134         case MDB_SET_RANGE:
3135                 if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
3136                         rc = EINVAL;
3137                 } else if (op == MDB_SET_RANGE)
3138                         rc = mdb_cursor_set(mc, key, data, op, NULL);
3139                 else
3140                         rc = mdb_cursor_set(mc, key, data, op, &exact);
3141                 break;
3142         case MDB_GET_MULTIPLE:
3143                 if (data == NULL ||
3144                         !(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPFIXED) ||
3145                         !(mc->mc_flags & C_INITIALIZED)) {
3146                         rc = EINVAL;
3147                         break;
3148                 }
3149                 rc = MDB_SUCCESS;
3150                 if (!(mc->mc_xcursor->mx_cursor.mc_flags & C_INITIALIZED) ||
3151                         (mc->mc_xcursor->mx_cursor.mc_flags & C_EOF))
3152                         break;
3153                 goto fetchm;
3154         case MDB_NEXT_MULTIPLE:
3155                 if (data == NULL ||
3156                         !(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPFIXED)) {
3157                         rc = EINVAL;
3158                         break;
3159                 }
3160                 if (!(mc->mc_flags & C_INITIALIZED))
3161                         rc = mdb_cursor_first(mc, key, data);
3162                 else
3163                         rc = mdb_cursor_next(mc, key, data, MDB_NEXT_DUP);
3164                 if (rc == MDB_SUCCESS) {
3165                         if (mc->mc_xcursor->mx_cursor.mc_flags & C_INITIALIZED) {
3166                                 MDB_cursor *mx;
3167 fetchm:
3168                                 mx = &mc->mc_xcursor->mx_cursor;
3169                                 data->mv_size = NUMKEYS(mx->mc_pg[mx->mc_top]) *
3170                                         mx->mc_txn->mt_dbs[mx->mc_dbi].md_pad;
3171                                 data->mv_data = METADATA(mx->mc_pg[mx->mc_top]);
3172                                 mx->mc_ki[mx->mc_top] = NUMKEYS(mx->mc_pg[mx->mc_top])-1;
3173                         } else {
3174                                 rc = MDB_NOTFOUND;
3175                         }
3176                 }
3177                 break;
3178         case MDB_NEXT:
3179         case MDB_NEXT_DUP:
3180         case MDB_NEXT_NODUP:
3181                 if (!(mc->mc_flags & C_INITIALIZED))
3182                         rc = mdb_cursor_first(mc, key, data);
3183                 else
3184                         rc = mdb_cursor_next(mc, key, data, op);
3185                 break;
3186         case MDB_PREV:
3187         case MDB_PREV_DUP:
3188         case MDB_PREV_NODUP:
3189                 if (!(mc->mc_flags & C_INITIALIZED) || (mc->mc_flags & C_EOF))
3190                         rc = mdb_cursor_last(mc, key, data);
3191                 else
3192                         rc = mdb_cursor_prev(mc, key, data, op);
3193                 break;
3194         case MDB_FIRST:
3195                 rc = mdb_cursor_first(mc, key, data);
3196                 break;
3197         case MDB_FIRST_DUP:
3198                 if (data == NULL ||
3199                         !(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT) ||
3200                         !(mc->mc_flags & C_INITIALIZED) ||
3201                         !(mc->mc_xcursor->mx_cursor.mc_flags & C_INITIALIZED)) {
3202                         rc = EINVAL;
3203                         break;
3204                 }
3205                 rc = mdb_cursor_first(&mc->mc_xcursor->mx_cursor, data, NULL);
3206                 break;
3207         case MDB_LAST:
3208                 rc = mdb_cursor_last(mc, key, data);
3209                 break;
3210         case MDB_LAST_DUP:
3211                 if (data == NULL ||
3212                         !(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT) ||
3213                         !(mc->mc_flags & C_INITIALIZED) ||
3214                         !(mc->mc_xcursor->mx_cursor.mc_flags & C_INITIALIZED)) {
3215                         rc = EINVAL;
3216                         break;
3217                 }
3218                 rc = mdb_cursor_last(&mc->mc_xcursor->mx_cursor, data, NULL);
3219                 break;
3220         default:
3221                 DPRINTF("unhandled/unimplemented cursor operation %u", op);
3222                 rc = EINVAL;
3223                 break;
3224         }
3225
3226         return rc;
3227 }
3228
3229 static int
3230 mdb_cursor_touch(MDB_cursor *mc)
3231 {
3232         int rc;
3233
3234         if (mc->mc_dbi > MAIN_DBI && !mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty) {
3235                 MDB_cursor mc2;
3236                 mc2.mc_txn = mc->mc_txn;
3237                 mc2.mc_dbi = MAIN_DBI;
3238                 rc = mdb_search_page(&mc2, &mc->mc_txn->mt_dbxs[mc->mc_dbi].md_name, 1);
3239                 if (rc) return rc;
3240                 mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty = 1;
3241         }
3242         for (mc->mc_top = 0; mc->mc_top < mc->mc_snum; mc->mc_top++) {
3243                 if (!F_ISSET(mc->mc_pg[mc->mc_top]->mp_flags, P_DIRTY)) {
3244                         rc = mdb_touch(mc);
3245                         if (rc) return rc;
3246                         if (!mc->mc_top) {
3247                                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_root =
3248                                         mc->mc_pg[mc->mc_top]->mp_pgno;
3249                         }
3250                 }
3251         }
3252         mc->mc_top = mc->mc_snum-1;
3253         return MDB_SUCCESS;
3254 }
3255
3256 int
3257 mdb_cursor_put(MDB_cursor *mc, MDB_val *key, MDB_val *data,
3258     unsigned int flags)
3259 {
3260         MDB_node        *leaf;
3261         MDB_val xdata, *rdata, dkey;
3262         MDB_db dummy;
3263         char dbuf[PAGESIZE];
3264         int do_sub = 0;
3265         size_t nsize;
3266         DKBUF;
3267         int rc, rc2;
3268
3269         if (F_ISSET(mc->mc_txn->mt_flags, MDB_TXN_RDONLY))
3270                 return EACCES;
3271
3272         DPRINTF("==> put db %u key [%s], size %zu, data size %zu",
3273                 mc->mc_dbi, DKEY(key), key->mv_size, data->mv_size);
3274
3275         dkey.mv_size = 0;
3276
3277         if (flags == MDB_CURRENT) {
3278                 if (!(mc->mc_flags & C_INITIALIZED))
3279                         return EINVAL;
3280                 rc = MDB_SUCCESS;
3281         } else if (mc->mc_txn->mt_dbs[mc->mc_dbi].md_root == P_INVALID) {
3282                 MDB_page *np;
3283                 /* new database, write a root leaf page */
3284                 DPUTS("allocating new root leaf page");
3285                 if ((np = mdb_new_page(mc, P_LEAF, 1)) == NULL) {
3286                         return ENOMEM;
3287                 }
3288                 mc->mc_snum = 0;
3289                 cursor_push_page(mc, np);
3290                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = np->mp_pgno;
3291                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_depth++;
3292                 mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty = 1;
3293                 if ((mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & (MDB_DUPSORT|MDB_DUPFIXED))
3294                         == MDB_DUPFIXED)
3295                         np->mp_flags |= P_LEAF2;
3296                 mc->mc_flags |= C_INITIALIZED;
3297                 rc = MDB_NOTFOUND;
3298                 goto top;
3299         } else {
3300                 int exact = 0;
3301                 MDB_val d2;
3302                 rc = mdb_cursor_set(mc, key, &d2, MDB_SET, &exact);
3303                 if (flags == MDB_NOOVERWRITE && rc == 0) {
3304                         DPRINTF("duplicate key [%s]", DKEY(key));
3305                         *data = d2;
3306                         return MDB_KEYEXIST;
3307                 }
3308                 if (rc && rc != MDB_NOTFOUND)
3309                         return rc;
3310         }
3311
3312         /* Cursor is positioned, now make sure all pages are writable */
3313         rc2 = mdb_cursor_touch(mc);
3314         if (rc2) return rc2;
3315
3316 top:
3317         /* The key already exists */
3318         if (rc == MDB_SUCCESS) {
3319                 /* there's only a key anyway, so this is a no-op */
3320                 if (IS_LEAF2(mc->mc_pg[mc->mc_top])) {
3321                         unsigned int ksize = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
3322                         if (key->mv_size != ksize)
3323                                 return EINVAL;
3324                         if (flags == MDB_CURRENT) {
3325                                 char *ptr = LEAF2KEY(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], ksize);
3326                                 memcpy(ptr, key->mv_data, ksize);
3327                         }
3328                         return MDB_SUCCESS;
3329                 }
3330
3331                 leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
3332
3333                 /* DB has dups? */
3334                 if (F_ISSET(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags, MDB_DUPSORT)) {
3335                         /* Was a single item before, must convert now */
3336                         if (!F_ISSET(leaf->mn_flags, F_DUPDATA)) {
3337                                 dkey.mv_size = NODEDSZ(leaf);
3338                                 dkey.mv_data = dbuf;
3339                                 memcpy(dbuf, NODEDATA(leaf), dkey.mv_size);
3340                                 /* data matches, ignore it */
3341                                 if (!mdb_dcmp(mc->mc_txn, mc->mc_dbi, data, &dkey))
3342                                         return (flags == MDB_NODUPDATA) ? MDB_KEYEXIST : MDB_SUCCESS;
3343                                 memset(&dummy, 0, sizeof(dummy));
3344                                 if (mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPFIXED) {
3345                                         dummy.md_pad = data->mv_size;
3346                                         dummy.md_flags = MDB_DUPFIXED;
3347                                         if (mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_INTEGERDUP)
3348                                                 dummy.md_flags |= MDB_INTEGERKEY;
3349                                 }
3350                                 dummy.md_root = P_INVALID;
3351                                 if (dkey.mv_size == sizeof(MDB_db)) {
3352                                         memcpy(NODEDATA(leaf), &dummy, sizeof(dummy));
3353                                         goto put_sub;
3354                                 }
3355                                 mdb_del_node(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], 0);
3356                                 do_sub = 1;
3357                                 rdata = &xdata;
3358                                 xdata.mv_size = sizeof(MDB_db);
3359                                 xdata.mv_data = &dummy;
3360                                 /* new sub-DB, must fully init xcursor */
3361                                 if (flags == MDB_CURRENT)
3362                                         flags = 0;
3363                                 goto new_sub;
3364                         }
3365                         goto put_sub;
3366                 }
3367                 /* same size, just replace it */
3368                 if (!F_ISSET(leaf->mn_flags, F_BIGDATA) &&
3369                         NODEDSZ(leaf) == data->mv_size) {
3370                         memcpy(NODEDATA(leaf), data->mv_data, data->mv_size);
3371                         goto done;
3372                 }
3373                 mdb_del_node(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], 0);
3374         } else {
3375                 DPRINTF("inserting key at index %i", mc->mc_ki[mc->mc_top]);
3376         }
3377
3378         rdata = data;
3379
3380 new_sub:
3381         nsize = IS_LEAF2(mc->mc_pg[mc->mc_top]) ? key->mv_size : mdb_leaf_size(mc->mc_txn->mt_env, key, rdata);
3382         if (SIZELEFT(mc->mc_pg[mc->mc_top]) < nsize) {
3383                 rc = mdb_split(mc, key, rdata, P_INVALID);
3384         } else {
3385                 /* There is room already in this leaf page. */
3386                 rc = mdb_add_node(mc, mc->mc_ki[mc->mc_top], key, rdata, 0, 0);
3387         }
3388
3389         if (rc != MDB_SUCCESS)
3390                 mc->mc_txn->mt_flags |= MDB_TXN_ERROR;
3391         else {
3392                 /* Remember if we just added a subdatabase */
3393                 if (flags & F_SUBDATA) {
3394                         leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
3395                         leaf->mn_flags |= F_SUBDATA;
3396                 }
3397
3398                 /* Now store the actual data in the child DB. Note that we're
3399                  * storing the user data in the keys field, so there are strict
3400                  * size limits on dupdata. The actual data fields of the child
3401                  * DB are all zero size.
3402                  */
3403                 if (do_sub) {
3404                         leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
3405 put_sub:
3406                         if (flags == MDB_CURRENT)
3407                                 mdb_xcursor_init2(mc);
3408                         else
3409                                 mdb_xcursor_init1(mc, leaf);
3410                         xdata.mv_size = 0;
3411                         xdata.mv_data = "";
3412                         if (flags == MDB_NODUPDATA)
3413                                 flags = MDB_NOOVERWRITE;
3414                         /* converted, write the original data first */
3415                         if (dkey.mv_size) {
3416                                 rc = mdb_cursor_put(&mc->mc_xcursor->mx_cursor, &dkey, &xdata, flags);
3417                                 if (rc) return rc;
3418                                 leaf->mn_flags |= F_DUPDATA;
3419                         }
3420                         rc = mdb_cursor_put(&mc->mc_xcursor->mx_cursor, data, &xdata, flags);
3421                         mdb_xcursor_fini(mc);
3422                         memcpy(NODEDATA(leaf),
3423                                 &mc->mc_xcursor->mx_txn.mt_dbs[mc->mc_xcursor->mx_cursor.mc_dbi],
3424                                 sizeof(MDB_db));
3425                 }
3426                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_entries++;
3427         }
3428 done:
3429         return rc;
3430 }
3431
3432 int
3433 mdb_cursor_del(MDB_cursor *mc, unsigned int flags)
3434 {
3435         MDB_node        *leaf;
3436         int rc;
3437
3438         if (F_ISSET(mc->mc_txn->mt_flags, MDB_TXN_RDONLY))
3439                 return EACCES;
3440
3441         if (!mc->mc_flags & C_INITIALIZED)
3442                 return EINVAL;
3443
3444         rc = mdb_cursor_touch(mc);
3445         if (rc) return rc;
3446
3447         leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
3448
3449         if (!IS_LEAF2(mc->mc_pg[mc->mc_top]) && F_ISSET(leaf->mn_flags, F_DUPDATA)) {
3450                 if (flags != MDB_NODUPDATA) {
3451                         mdb_xcursor_init2(mc);
3452                         rc = mdb_cursor_del(&mc->mc_xcursor->mx_cursor, 0);
3453                         mdb_xcursor_fini(mc);
3454                         /* If sub-DB still has entries, we're done */
3455                         if (mc->mc_xcursor->mx_txn.mt_dbs[mc->mc_xcursor->mx_cursor.mc_dbi].md_root
3456                                 != P_INVALID) {
3457                                 memcpy(NODEDATA(leaf),
3458                                         &mc->mc_xcursor->mx_txn.mt_dbs[mc->mc_xcursor->mx_cursor.mc_dbi],
3459                                         sizeof(MDB_db));
3460                                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_entries--;
3461                                 return rc;
3462                         }
3463                         /* otherwise fall thru and delete the sub-DB */
3464                 }
3465
3466                 /* add all the child DB's pages to the free list */
3467                 rc = mdb_search_page(&mc->mc_xcursor->mx_cursor, NULL, 0);
3468                 if (rc == MDB_SUCCESS) {
3469                         MDB_node *ni;
3470                         MDB_cursor *mx;
3471                         unsigned int i;
3472
3473                         mx = &mc->mc_xcursor->mx_cursor;
3474                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_entries -=
3475                                 mx->mc_txn->mt_dbs[mx->mc_dbi].md_entries;
3476
3477                         cursor_pop_page(mx);
3478                         if (mx->mc_snum) {
3479                                 while (mx->mc_snum > 1) {
3480                                         for (i=0; i<NUMKEYS(mx->mc_pg[mx->mc_top]); i++) {
3481                                                 pgno_t pg;
3482                                                 ni = NODEPTR(mx->mc_pg[mx->mc_top], i);
3483                                                 pg = NODEPGNO(ni);
3484                                                 /* free it */
3485                                                 mdb_midl_append(mc->mc_txn->mt_free_pgs, pg);
3486                                         }
3487                                         rc = mdb_sibling(mx, 1);
3488                                         if (rc) break;
3489                                 }
3490                         }
3491                         /* free it */
3492                         mdb_midl_append(mc->mc_txn->mt_free_pgs,
3493                                 mx->mc_txn->mt_dbs[mx->mc_dbi].md_root);
3494                 }
3495         }
3496
3497         return mdb_del0(mc, leaf);
3498 }
3499
3500 /* Allocate a page and initialize it
3501  */
3502 static MDB_page *
3503 mdb_new_page(MDB_cursor *mc, uint32_t flags, int num)
3504 {
3505         MDB_page        *np;
3506
3507         if ((np = mdb_alloc_page(mc, num)) == NULL)
3508                 return NULL;
3509         DPRINTF("allocated new mpage %lu, page size %u",
3510             np->mp_pgno, mc->mc_txn->mt_env->me_psize);
3511         np->mp_flags = flags | P_DIRTY;
3512         np->mp_lower = PAGEHDRSZ;
3513         np->mp_upper = mc->mc_txn->mt_env->me_psize;
3514
3515         if (IS_BRANCH(np))
3516                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_branch_pages++;
3517         else if (IS_LEAF(np))
3518                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_leaf_pages++;
3519         else if (IS_OVERFLOW(np)) {
3520                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_overflow_pages += num;
3521                 np->mp_pages = num;
3522         }
3523
3524         return np;
3525 }
3526
3527 static size_t
3528 mdb_leaf_size(MDB_env *env, MDB_val *key, MDB_val *data)
3529 {
3530         size_t           sz;
3531
3532         sz = LEAFSIZE(key, data);
3533         if (data->mv_size >= env->me_psize / MDB_MINKEYS) {
3534                 /* put on overflow page */
3535                 sz -= data->mv_size - sizeof(pgno_t);
3536         }
3537         sz += sz & 1;
3538
3539         return sz + sizeof(indx_t);
3540 }
3541
3542 static size_t
3543 mdb_branch_size(MDB_env *env, MDB_val *key)
3544 {
3545         size_t           sz;
3546
3547         sz = INDXSIZE(key);
3548         if (sz >= env->me_psize / MDB_MINKEYS) {
3549                 /* put on overflow page */
3550                 /* not implemented */
3551                 /* sz -= key->size - sizeof(pgno_t); */
3552         }
3553
3554         return sz + sizeof(indx_t);
3555 }
3556
3557 static int
3558 mdb_add_node(MDB_cursor *mc, indx_t indx,
3559     MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
3560 {
3561         unsigned int     i;
3562         size_t           node_size = NODESIZE;
3563         indx_t           ofs;
3564         MDB_node        *node;
3565         MDB_page        *mp = mc->mc_pg[mc->mc_top];
3566         MDB_page        *ofp = NULL;            /* overflow page */
3567         DKBUF;
3568
3569         assert(mp->mp_upper >= mp->mp_lower);
3570
3571         DPRINTF("add to %s page %lu index %i, data size %zu key size %zu [%s]",
3572             IS_LEAF(mp) ? "leaf" : "branch",
3573             mp->mp_pgno, indx, data ? data->mv_size : 0,
3574                 key ? key->mv_size : 0, key ? DKEY(key) : NULL);
3575
3576         if (IS_LEAF2(mp)) {
3577                 /* Move higher keys up one slot. */
3578                 int ksize = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad, dif;
3579                 char *ptr = LEAF2KEY(mp, indx, ksize);
3580                 dif = NUMKEYS(mp) - indx;
3581                 if (dif > 0)
3582                         memmove(ptr+ksize, ptr, dif*ksize);
3583                 /* insert new key */
3584                 memcpy(ptr, key->mv_data, ksize);
3585
3586                 /* Just using these for counting */
3587                 mp->mp_lower += sizeof(indx_t);
3588                 mp->mp_upper -= ksize - sizeof(indx_t);
3589                 return MDB_SUCCESS;
3590         }
3591
3592         if (key != NULL)
3593                 node_size += key->mv_size;
3594
3595         if (IS_LEAF(mp)) {
3596                 assert(data);
3597                 if (F_ISSET(flags, F_BIGDATA)) {
3598                         /* Data already on overflow page. */
3599                         node_size += sizeof(pgno_t);
3600                 } else if (data->mv_size >= mc->mc_txn->mt_env->me_psize / MDB_MINKEYS) {
3601                         int ovpages = OVPAGES(data->mv_size, mc->mc_txn->mt_env->me_psize);
3602                         /* Put data on overflow page. */
3603                         DPRINTF("data size is %zu, put on overflow page",
3604                             data->mv_size);
3605                         node_size += sizeof(pgno_t);
3606                         if ((ofp = mdb_new_page(mc, P_OVERFLOW, ovpages)) == NULL)
3607                                 return ENOMEM;
3608                         DPRINTF("allocated overflow page %lu", ofp->mp_pgno);
3609                         flags |= F_BIGDATA;
3610                 } else {
3611                         node_size += data->mv_size;
3612                 }
3613         }
3614         node_size += node_size & 1;
3615
3616         if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
3617                 DPRINTF("not enough room in page %lu, got %u ptrs",
3618                     mp->mp_pgno, NUMKEYS(mp));
3619                 DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
3620                     mp->mp_upper - mp->mp_lower);
3621                 DPRINTF("node size = %zu", node_size);
3622                 return ENOSPC;
3623         }
3624
3625         /* Move higher pointers up one slot. */
3626         for (i = NUMKEYS(mp); i > indx; i--)
3627                 mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
3628
3629         /* Adjust free space offsets. */
3630         ofs = mp->mp_upper - node_size;
3631         assert(ofs >= mp->mp_lower + sizeof(indx_t));
3632         mp->mp_ptrs[indx] = ofs;
3633         mp->mp_upper = ofs;
3634         mp->mp_lower += sizeof(indx_t);
3635
3636         /* Write the node data. */
3637         node = NODEPTR(mp, indx);
3638         node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
3639         node->mn_flags = flags;
3640         if (IS_LEAF(mp))
3641                 SETDSZ(node,data->mv_size);
3642         else
3643                 SETPGNO(node,pgno);
3644
3645         if (key)
3646                 memcpy(NODEKEY(node), key->mv_data, key->mv_size);
3647
3648         if (IS_LEAF(mp)) {
3649                 assert(key);
3650                 if (ofp == NULL) {
3651                         if (F_ISSET(flags, F_BIGDATA))
3652                                 memcpy(node->mn_data + key->mv_size, data->mv_data,
3653                                     sizeof(pgno_t));
3654                         else
3655                                 memcpy(node->mn_data + key->mv_size, data->mv_data,
3656                                     data->mv_size);
3657                 } else {
3658                         memcpy(node->mn_data + key->mv_size, &ofp->mp_pgno,
3659                             sizeof(pgno_t));
3660                         memcpy(METADATA(ofp), data->mv_data, data->mv_size);
3661                 }
3662         }
3663
3664         return MDB_SUCCESS;
3665 }
3666
3667 static void
3668 mdb_del_node(MDB_page *mp, indx_t indx, int ksize)
3669 {
3670         unsigned int     sz;
3671         indx_t           i, j, numkeys, ptr;
3672         MDB_node        *node;
3673         char            *base;
3674
3675         DPRINTF("delete node %u on %s page %lu", indx,
3676             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
3677         assert(indx < NUMKEYS(mp));
3678
3679         if (IS_LEAF2(mp)) {
3680                 int x = NUMKEYS(mp) - 1 - indx;
3681                 base = LEAF2KEY(mp, indx, ksize);
3682                 if (x)
3683                         memmove(base, base + ksize, x * ksize);
3684                 mp->mp_lower -= sizeof(indx_t);
3685                 mp->mp_upper += ksize - sizeof(indx_t);
3686                 return;
3687         }
3688
3689         node = NODEPTR(mp, indx);
3690         sz = NODESIZE + node->mn_ksize;
3691         if (IS_LEAF(mp)) {
3692                 if (F_ISSET(node->mn_flags, F_BIGDATA))
3693                         sz += sizeof(pgno_t);
3694                 else
3695                         sz += NODEDSZ(node);
3696         }
3697         sz += sz & 1;
3698
3699         ptr = mp->mp_ptrs[indx];
3700         numkeys = NUMKEYS(mp);
3701         for (i = j = 0; i < numkeys; i++) {
3702                 if (i != indx) {
3703                         mp->mp_ptrs[j] = mp->mp_ptrs[i];
3704                         if (mp->mp_ptrs[i] < ptr)
3705                                 mp->mp_ptrs[j] += sz;
3706                         j++;
3707                 }
3708         }
3709
3710         base = (char *)mp + mp->mp_upper;
3711         memmove(base + sz, base, ptr - mp->mp_upper);
3712
3713         mp->mp_lower -= sizeof(indx_t);
3714         mp->mp_upper += sz;
3715 }
3716
3717 static void
3718 mdb_xcursor_init0(MDB_cursor *mc)
3719 {
3720         MDB_xcursor *mx = mc->mc_xcursor;
3721         MDB_dbi dbn;
3722
3723         mx->mx_txn = *mc->mc_txn;
3724         mx->mx_txn.mt_dbxs = mx->mx_dbxs;
3725         mx->mx_txn.mt_dbs = mx->mx_dbs;
3726         mx->mx_dbxs[0] = mc->mc_txn->mt_dbxs[0];
3727         mx->mx_dbxs[1] = mc->mc_txn->mt_dbxs[1];
3728         if (mc->mc_dbi > 1) {
3729                 mx->mx_dbxs[2] = mc->mc_txn->mt_dbxs[mc->mc_dbi];
3730                 dbn = 2;
3731         } else {
3732                 dbn = 1;
3733         }
3734         mx->mx_dbxs[dbn+1].md_parent = dbn;
3735         mx->mx_dbxs[dbn+1].md_cmp = mx->mx_dbxs[dbn].md_dcmp;
3736         mx->mx_dbxs[dbn+1].md_rel = mx->mx_dbxs[dbn].md_rel;
3737         mx->mx_dbxs[dbn+1].md_dirty = 0;
3738         mx->mx_txn.mt_numdbs = dbn+2;
3739         mx->mx_txn.mt_u = mc->mc_txn->mt_u;
3740
3741         mx->mx_cursor.mc_xcursor = NULL;
3742         mx->mx_cursor.mc_txn = &mx->mx_txn;
3743         mx->mx_cursor.mc_dbi = dbn+1;
3744 }
3745
3746 static void
3747 mdb_xcursor_init1(MDB_cursor *mc, MDB_node *node)
3748 {
3749         MDB_db *db = NODEDATA(node);
3750         MDB_xcursor *mx = mc->mc_xcursor;
3751         MDB_dbi dbn;
3752         mx->mx_dbs[0] = mc->mc_txn->mt_dbs[0];
3753         mx->mx_dbs[1] = mc->mc_txn->mt_dbs[1];
3754         if (mc->mc_dbi > 1) {
3755                 mx->mx_dbs[2] = mc->mc_txn->mt_dbs[mc->mc_dbi];
3756                 mx->mx_dbxs[2].md_dirty = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty;
3757                 dbn = 3;
3758         } else {
3759                 dbn = 2;
3760         }
3761         DPRINTF("Sub-db %u for db %u root page %lu", dbn, mc->mc_dbi, db->md_root);
3762         mx->mx_dbs[dbn] = *db;
3763         if (F_ISSET(mc->mc_pg[mc->mc_top]->mp_flags, P_DIRTY))
3764                 mx->mx_dbxs[dbn].md_dirty = 1;
3765         mx->mx_dbxs[dbn].md_name.mv_data = NODEKEY(node);
3766         mx->mx_dbxs[dbn].md_name.mv_size = node->mn_ksize;
3767         mx->mx_txn.mt_next_pgno = mc->mc_txn->mt_next_pgno;
3768         mx->mx_cursor.mc_snum = 0;
3769         mx->mx_cursor.mc_flags = 0;
3770 }
3771
3772 static void
3773 mdb_xcursor_init2(MDB_cursor *mc)
3774 {
3775         MDB_xcursor *mx = mc->mc_xcursor;
3776         MDB_dbi dbn;
3777         mx->mx_dbs[0] = mc->mc_txn->mt_dbs[0];
3778         mx->mx_dbs[1] = mc->mc_txn->mt_dbs[1];
3779         if (mc->mc_dbi > 1) {
3780                 mx->mx_dbs[2] = mc->mc_txn->mt_dbs[mc->mc_dbi];
3781                 mx->mx_dbxs[2].md_dirty = mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty;
3782                 dbn = 3;
3783         } else {
3784                 dbn = 2;
3785         }
3786         DPRINTF("Sub-db %u for db %u root page %lu", dbn, mc->mc_dbi,
3787                 mx->mx_dbs[dbn].md_root);
3788         mx->mx_txn.mt_next_pgno = mc->mc_txn->mt_next_pgno;
3789 }
3790
3791 static void
3792 mdb_xcursor_fini(MDB_cursor *mc)
3793 {
3794         MDB_xcursor *mx = mc->mc_xcursor;
3795         mc->mc_txn->mt_next_pgno = mx->mx_txn.mt_next_pgno;
3796         mc->mc_txn->mt_dbs[0] = mx->mx_dbs[0];
3797         mc->mc_txn->mt_dbs[1] = mx->mx_dbs[1];
3798         if (mc->mc_dbi > 1) {
3799                 mc->mc_txn->mt_dbs[mc->mc_dbi] = mx->mx_dbs[2];
3800                 mc->mc_txn->mt_dbxs[mc->mc_dbi].md_dirty = mx->mx_dbxs[2].md_dirty;
3801         }
3802 }
3803
3804 int
3805 mdb_cursor_open(MDB_txn *txn, MDB_dbi dbi, MDB_cursor **ret)
3806 {
3807         MDB_cursor      *mc;
3808         size_t size = sizeof(MDB_cursor);
3809
3810         if (txn == NULL || ret == NULL || !dbi || dbi >= txn->mt_numdbs)
3811                 return EINVAL;
3812
3813         if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT)
3814                 size += sizeof(MDB_xcursor);
3815
3816         if ((mc = calloc(1, size)) != NULL) {
3817                 mc->mc_dbi = dbi;
3818                 mc->mc_txn = txn;
3819                 if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
3820                         MDB_xcursor *mx = (MDB_xcursor *)(mc + 1);
3821                         mc->mc_xcursor = mx;
3822                         mdb_xcursor_init0(mc);
3823                 }
3824         } else {
3825                 return ENOMEM;
3826         }
3827
3828         *ret = mc;
3829
3830         return MDB_SUCCESS;
3831 }
3832
3833 /* Return the count of duplicate data items for the current key */
3834 int
3835 mdb_cursor_count(MDB_cursor *mc, unsigned long *countp)
3836 {
3837         MDB_node        *leaf;
3838
3839         if (mc == NULL || countp == NULL)
3840                 return EINVAL;
3841
3842         if (!(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT))
3843                 return EINVAL;
3844
3845         leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
3846         if (!F_ISSET(leaf->mn_flags, F_DUPDATA)) {
3847                 *countp = 1;
3848         } else {
3849                 if (!(mc->mc_xcursor->mx_cursor.mc_flags & C_INITIALIZED))
3850                         return EINVAL;
3851
3852                 *countp = mc->mc_xcursor->mx_txn.mt_dbs[mc->mc_xcursor->mx_cursor.mc_dbi].md_entries;
3853         }
3854         return MDB_SUCCESS;
3855 }
3856
3857 void
3858 mdb_cursor_close(MDB_cursor *mc)
3859 {
3860         if (mc != NULL) {
3861                 free(mc);
3862         }
3863 }
3864
3865 static int
3866 mdb_update_key(MDB_page *mp, indx_t indx, MDB_val *key)
3867 {
3868         indx_t                   ptr, i, numkeys;
3869         int                      delta;
3870         size_t                   len;
3871         MDB_node                *node;
3872         char                    *base;
3873         DKBUF;
3874
3875         node = NODEPTR(mp, indx);
3876         ptr = mp->mp_ptrs[indx];
3877         DPRINTF("update key %u (ofs %u) [%.*s] to [%s] on page %lu",
3878             indx, ptr,
3879             (int)node->mn_ksize, (char *)NODEKEY(node),
3880                 DKEY(key),
3881             mp->mp_pgno);
3882
3883         delta = key->mv_size - node->mn_ksize;
3884         if (delta) {
3885                 if (delta > 0 && SIZELEFT(mp) < delta) {
3886                         DPRINTF("OUCH! Not enough room, delta = %d", delta);
3887                         return ENOSPC;
3888                 }
3889
3890                 numkeys = NUMKEYS(mp);
3891                 for (i = 0; i < numkeys; i++) {
3892                         if (mp->mp_ptrs[i] <= ptr)
3893                                 mp->mp_ptrs[i] -= delta;
3894                 }
3895
3896                 base = (char *)mp + mp->mp_upper;
3897                 len = ptr - mp->mp_upper + NODESIZE;
3898                 memmove(base - delta, base, len);
3899                 mp->mp_upper -= delta;
3900
3901                 node = NODEPTR(mp, indx);
3902                 node->mn_ksize = key->mv_size;
3903         }
3904
3905         memcpy(NODEKEY(node), key->mv_data, key->mv_size);
3906
3907         return MDB_SUCCESS;
3908 }
3909
3910 /* Move a node from csrc to cdst.
3911  */
3912 static int
3913 mdb_move_node(MDB_cursor *csrc, MDB_cursor *cdst)
3914 {
3915         int                      rc;
3916         MDB_node                *srcnode;
3917         MDB_val          key, data;
3918         DKBUF;
3919
3920         /* Mark src and dst as dirty. */
3921         if ((rc = mdb_touch(csrc)) ||
3922             (rc = mdb_touch(cdst)))
3923                 return rc;;
3924
3925         if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
3926                 srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], 0);        /* fake */
3927                 key.mv_size = csrc->mc_txn->mt_dbs[csrc->mc_dbi].md_pad;
3928                 key.mv_data = LEAF2KEY(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top], key.mv_size);
3929                 data.mv_size = 0;
3930                 data.mv_data = NULL;
3931         } else {
3932                 if (csrc->mc_ki[csrc->mc_top] == 0 && IS_BRANCH(csrc->mc_pg[csrc->mc_top])) {
3933                         unsigned int snum = csrc->mc_snum;
3934                         /* must find the lowest key below src */
3935                         mdb_search_page_root(csrc, NULL, 0);
3936                         srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], 0);
3937                         csrc->mc_snum = snum--;
3938                         csrc->mc_top = snum;
3939                 } else {
3940                         srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top]);
3941                 }
3942                 key.mv_size = NODEKSZ(srcnode);
3943                 key.mv_data = NODEKEY(srcnode);
3944                 data.mv_size = NODEDSZ(srcnode);
3945                 data.mv_data = NODEDATA(srcnode);
3946         }
3947         DPRINTF("moving %s node %u [%s] on page %lu to node %u on page %lu",
3948             IS_LEAF(csrc->mc_pg[csrc->mc_top]) ? "leaf" : "branch",
3949             csrc->mc_ki[csrc->mc_top],
3950                 DKEY(&key),
3951             csrc->mc_pg[csrc->mc_top]->mp_pgno,
3952             cdst->mc_ki[cdst->mc_top], cdst->mc_pg[cdst->mc_top]->mp_pgno);
3953
3954         /* Add the node to the destination page.
3955          */
3956         rc = mdb_add_node(cdst, cdst->mc_ki[cdst->mc_top], &key, &data, NODEPGNO(srcnode),
3957             srcnode->mn_flags);
3958         if (rc != MDB_SUCCESS)
3959                 return rc;
3960
3961         /* Delete the node from the source page.
3962          */
3963         mdb_del_node(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top], key.mv_size);
3964
3965         /* Update the parent separators.
3966          */
3967         if (csrc->mc_ki[csrc->mc_top] == 0) {
3968                 if (csrc->mc_ki[csrc->mc_top-1] != 0) {
3969                         if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
3970                                 key.mv_data = LEAF2KEY(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top], key.mv_size);
3971                         } else {
3972                                 srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top]);
3973                                 key.mv_size = NODEKSZ(srcnode);
3974                                 key.mv_data = NODEKEY(srcnode);
3975                         }
3976                         DPRINTF("update separator for source page %lu to [%s]",
3977                                 csrc->mc_pg[csrc->mc_top]->mp_pgno, DKEY(&key));
3978                         if ((rc = mdb_update_key(csrc->mc_pg[csrc->mc_top-1], csrc->mc_ki[csrc->mc_top-1],
3979                                 &key)) != MDB_SUCCESS)
3980                                 return rc;
3981                 }
3982                 if (IS_BRANCH(csrc->mc_pg[csrc->mc_top])) {
3983                         MDB_val  nullkey;
3984                         nullkey.mv_size = 0;
3985                         assert(mdb_update_key(csrc->mc_pg[csrc->mc_top], 0, &nullkey) == MDB_SUCCESS);
3986                 }
3987         }
3988
3989         if (cdst->mc_ki[cdst->mc_top] == 0) {
3990                 if (cdst->mc_ki[cdst->mc_top-1] != 0) {
3991                         if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
3992                                 key.mv_data = LEAF2KEY(cdst->mc_pg[cdst->mc_top], 0, key.mv_size);
3993                         } else {
3994                                 srcnode = NODEPTR(cdst->mc_pg[cdst->mc_top], 0);
3995                                 key.mv_size = NODEKSZ(srcnode);
3996                                 key.mv_data = NODEKEY(srcnode);
3997                         }
3998                         DPRINTF("update separator for destination page %lu to [%s]",
3999                                 cdst->mc_pg[cdst->mc_top]->mp_pgno, DKEY(&key));
4000                         if ((rc = mdb_update_key(cdst->mc_pg[cdst->mc_top-1], cdst->mc_ki[cdst->mc_top-1],
4001                                 &key)) != MDB_SUCCESS)
4002                                 return rc;
4003                 }
4004                 if (IS_BRANCH(cdst->mc_pg[cdst->mc_top])) {
4005                         MDB_val  nullkey;
4006                         nullkey.mv_size = 0;
4007                         assert(mdb_update_key(cdst->mc_pg[cdst->mc_top], 0, &nullkey) == MDB_SUCCESS);
4008                 }
4009         }
4010
4011         return MDB_SUCCESS;
4012 }
4013
4014 static int
4015 mdb_merge(MDB_cursor *csrc, MDB_cursor *cdst)
4016 {
4017         int                      rc;
4018         indx_t                   i, j;
4019         MDB_node                *srcnode;
4020         MDB_val          key, data;
4021
4022         DPRINTF("merging page %lu into %lu", csrc->mc_pg[csrc->mc_top]->mp_pgno, cdst->mc_pg[cdst->mc_top]->mp_pgno);
4023
4024         assert(csrc->mc_snum > 1);      /* can't merge root page */
4025         assert(cdst->mc_snum > 1);
4026
4027         /* Mark dst as dirty. */
4028         if ((rc = mdb_touch(cdst)))
4029                 return rc;
4030
4031         /* Move all nodes from src to dst.
4032          */
4033         j = NUMKEYS(cdst->mc_pg[cdst->mc_top]);
4034         if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
4035                 key.mv_size = csrc->mc_txn->mt_dbs[csrc->mc_dbi].md_pad;
4036                 key.mv_data = METADATA(csrc->mc_pg[csrc->mc_top]);
4037                 for (i = 0; i < NUMKEYS(csrc->mc_pg[csrc->mc_top]); i++, j++) {
4038                         rc = mdb_add_node(cdst, j, &key, NULL, 0, 0);
4039                         if (rc != MDB_SUCCESS)
4040                                 return rc;
4041                         key.mv_data = (char *)key.mv_data + key.mv_size;
4042                 }
4043         } else {
4044                 for (i = 0; i < NUMKEYS(csrc->mc_pg[csrc->mc_top]); i++, j++) {
4045                         srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], i);
4046
4047                         key.mv_size = srcnode->mn_ksize;
4048                         key.mv_data = NODEKEY(srcnode);
4049                         data.mv_size = NODEDSZ(srcnode);
4050                         data.mv_data = NODEDATA(srcnode);
4051                         rc = mdb_add_node(cdst, j, &key, &data, NODEPGNO(srcnode), srcnode->mn_flags);
4052                         if (rc != MDB_SUCCESS)
4053                                 return rc;
4054                 }
4055         }
4056
4057         DPRINTF("dst page %lu now has %u keys (%.1f%% filled)",
4058             cdst->mc_pg[cdst->mc_top]->mp_pgno, NUMKEYS(cdst->mc_pg[cdst->mc_top]), (float)PAGEFILL(cdst->mc_txn->mt_env, cdst->mc_pg[cdst->mc_top]) / 10);
4059
4060         /* Unlink the src page from parent and add to free list.
4061          */
4062         mdb_del_node(csrc->mc_pg[csrc->mc_top-1], csrc->mc_ki[csrc->mc_top-1], 0);
4063         if (csrc->mc_ki[csrc->mc_top-1] == 0) {
4064                 key.mv_size = 0;
4065                 if ((rc = mdb_update_key(csrc->mc_pg[csrc->mc_top-1], 0, &key)) != MDB_SUCCESS)
4066                         return rc;
4067         }
4068
4069         mdb_midl_append(csrc->mc_txn->mt_free_pgs, csrc->mc_pg[csrc->mc_top]->mp_pgno);
4070         if (IS_LEAF(csrc->mc_pg[csrc->mc_top]))
4071                 csrc->mc_txn->mt_dbs[csrc->mc_dbi].md_leaf_pages--;
4072         else
4073                 csrc->mc_txn->mt_dbs[csrc->mc_dbi].md_branch_pages--;
4074         cursor_pop_page(csrc);
4075
4076         return mdb_rebalance(csrc);
4077 }
4078
4079 static void
4080 mdb_cursor_copy(const MDB_cursor *csrc, MDB_cursor *cdst)
4081 {
4082         unsigned int i;
4083
4084         cdst->mc_txn = csrc->mc_txn;
4085         cdst->mc_dbi = csrc->mc_dbi;
4086         cdst->mc_snum = csrc->mc_snum;
4087         cdst->mc_top = csrc->mc_top;
4088         cdst->mc_flags = csrc->mc_flags;
4089
4090         for (i=0; i<csrc->mc_snum; i++) {
4091                 cdst->mc_pg[i] = csrc->mc_pg[i];
4092                 cdst->mc_ki[i] = csrc->mc_ki[i];
4093         }
4094 }
4095
4096 static int
4097 mdb_rebalance(MDB_cursor *mc)
4098 {
4099         MDB_node        *node;
4100         MDB_page        *root;
4101         int rc;
4102         unsigned int ptop;
4103         MDB_cursor      mn;
4104
4105         DPRINTF("rebalancing %s page %lu (has %u keys, %.1f%% full)",
4106             IS_LEAF(mc->mc_pg[mc->mc_top]) ? "leaf" : "branch",
4107             mc->mc_pg[mc->mc_top]->mp_pgno, NUMKEYS(mc->mc_pg[mc->mc_top]), (float)PAGEFILL(mc->mc_txn->mt_env, mc->mc_pg[mc->mc_top]) / 10);
4108
4109         if (PAGEFILL(mc->mc_txn->mt_env, mc->mc_pg[mc->mc_top]) >= FILL_THRESHOLD) {
4110                 DPRINTF("no need to rebalance page %lu, above fill threshold",
4111                     mc->mc_pg[mc->mc_top]->mp_pgno);
4112                 return MDB_SUCCESS;
4113         }
4114
4115         if (mc->mc_snum < 2) {
4116                 if (NUMKEYS(mc->mc_pg[mc->mc_top]) == 0) {
4117                         DPUTS("tree is completely empty");
4118                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = P_INVALID;
4119                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_depth = 0;
4120                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_leaf_pages = 0;
4121                         mdb_midl_append(mc->mc_txn->mt_free_pgs, mc->mc_pg[mc->mc_top]->mp_pgno);
4122                 } else if (IS_BRANCH(mc->mc_pg[mc->mc_top]) && NUMKEYS(mc->mc_pg[mc->mc_top]) == 1) {
4123                         DPUTS("collapsing root page!");
4124                         mdb_midl_append(mc->mc_txn->mt_free_pgs, mc->mc_pg[mc->mc_top]->mp_pgno);
4125                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = NODEPGNO(NODEPTR(mc->mc_pg[mc->mc_top], 0));
4126                         if ((rc = mdb_get_page(mc->mc_txn, mc->mc_txn->mt_dbs[mc->mc_dbi].md_root, &root)))
4127                                 return rc;
4128                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_depth--;
4129                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_branch_pages--;
4130                 } else
4131                         DPUTS("root page doesn't need rebalancing");
4132                 return MDB_SUCCESS;
4133         }
4134
4135         /* The parent (branch page) must have at least 2 pointers,
4136          * otherwise the tree is invalid.
4137          */
4138         ptop = mc->mc_top-1;
4139         assert(NUMKEYS(mc->mc_pg[ptop]) > 1);
4140
4141         /* Leaf page fill factor is below the threshold.
4142          * Try to move keys from left or right neighbor, or
4143          * merge with a neighbor page.
4144          */
4145
4146         /* Find neighbors.
4147          */
4148         mdb_cursor_copy(mc, &mn);
4149         mn.mc_xcursor = NULL;
4150
4151         if (mc->mc_ki[ptop] == 0) {
4152                 /* We're the leftmost leaf in our parent.
4153                  */
4154                 DPUTS("reading right neighbor");
4155                 mn.mc_ki[ptop]++;
4156                 node = NODEPTR(mc->mc_pg[ptop], mn.mc_ki[ptop]);
4157                 if ((rc = mdb_get_page(mc->mc_txn, NODEPGNO(node), &mn.mc_pg[mn.mc_top])))
4158                         return rc;
4159                 mn.mc_ki[mn.mc_top] = 0;
4160                 mc->mc_ki[mc->mc_top] = NUMKEYS(mc->mc_pg[mc->mc_top]);
4161         } else {
4162                 /* There is at least one neighbor to the left.
4163                  */
4164                 DPUTS("reading left neighbor");
4165                 mn.mc_ki[ptop]--;
4166                 node = NODEPTR(mc->mc_pg[ptop], mn.mc_ki[ptop]);
4167                 if ((rc = mdb_get_page(mc->mc_txn, NODEPGNO(node), &mn.mc_pg[mn.mc_top])))
4168                         return rc;
4169                 mn.mc_ki[mn.mc_top] = NUMKEYS(mn.mc_pg[mn.mc_top]) - 1;
4170                 mc->mc_ki[mc->mc_top] = 0;
4171         }
4172
4173         DPRINTF("found neighbor page %lu (%u keys, %.1f%% full)",
4174             mn.mc_pg[mn.mc_top]->mp_pgno, NUMKEYS(mn.mc_pg[mn.mc_top]), (float)PAGEFILL(mc->mc_txn->mt_env, mn.mc_pg[mn.mc_top]) / 10);
4175
4176         /* If the neighbor page is above threshold and has at least two
4177          * keys, move one key from it.
4178          *
4179          * Otherwise we should try to merge them.
4180          */
4181         if (PAGEFILL(mc->mc_txn->mt_env, mn.mc_pg[mn.mc_top]) >= FILL_THRESHOLD && NUMKEYS(mn.mc_pg[mn.mc_top]) >= 2)
4182                 return mdb_move_node(&mn, mc);
4183         else { /* FIXME: if (has_enough_room()) */
4184                 if (mc->mc_ki[ptop] == 0)
4185                         return mdb_merge(&mn, mc);
4186                 else
4187                         return mdb_merge(mc, &mn);
4188         }
4189 }
4190
4191 static int
4192 mdb_del0(MDB_cursor *mc, MDB_node *leaf)
4193 {
4194         int rc;
4195
4196         /* add overflow pages to free list */
4197         if (!IS_LEAF2(mc->mc_pg[mc->mc_top]) && F_ISSET(leaf->mn_flags, F_BIGDATA)) {
4198                 int i, ovpages;
4199                 pgno_t pg;
4200
4201                 memcpy(&pg, NODEDATA(leaf), sizeof(pg));
4202                 ovpages = OVPAGES(NODEDSZ(leaf), mc->mc_txn->mt_env->me_psize);
4203                 for (i=0; i<ovpages; i++) {
4204                         DPRINTF("freed ov page %lu", pg);
4205                         mdb_midl_append(mc->mc_txn->mt_free_pgs, pg);
4206                         pg++;
4207                 }
4208         }
4209         mdb_del_node(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad);
4210         mc->mc_txn->mt_dbs[mc->mc_dbi].md_entries--;
4211         rc = mdb_rebalance(mc);
4212         if (rc != MDB_SUCCESS)
4213                 mc->mc_txn->mt_flags |= MDB_TXN_ERROR;
4214
4215         return rc;
4216 }
4217
4218 int
4219 mdb_del(MDB_txn *txn, MDB_dbi dbi,
4220     MDB_val *key, MDB_val *data)
4221 {
4222         MDB_cursor mc;
4223         MDB_xcursor mx;
4224         MDB_cursor_op op;
4225         MDB_val rdata, *xdata;
4226         int              rc, exact;
4227         DKBUF;
4228
4229         assert(key != NULL);
4230
4231         DPRINTF("====> delete db %u key [%s]", dbi, DKEY(key));
4232
4233         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
4234                 return EINVAL;
4235
4236         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
4237                 return EACCES;
4238         }
4239
4240         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
4241                 return EINVAL;
4242         }
4243
4244         mc.mc_txn = txn;
4245         mc.mc_dbi = dbi;
4246         mc.mc_flags = 0;
4247         if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
4248                 mc.mc_xcursor = &mx;
4249                 mdb_xcursor_init0(&mc);
4250         } else {
4251                 mc.mc_xcursor = NULL;
4252         }
4253
4254         exact = 0;
4255         if (data) {
4256                 op = MDB_GET_BOTH;
4257                 rdata = *data;
4258                 xdata = &rdata;
4259         } else {
4260                 op = MDB_SET;
4261                 xdata = NULL;
4262         }
4263         rc = mdb_cursor_set(&mc, key, xdata, op, &exact);
4264         if (rc == 0)
4265                 rc = mdb_cursor_del(&mc, data ? 0 : MDB_NODUPDATA);
4266         return rc;
4267 }
4268
4269 /* Split page <mc->top>, and insert <key,(data|newpgno)> in either left or
4270  * right sibling, at index <mc->ki> (as if unsplit). Updates mc->top and
4271  * mc->ki with the actual values after split, ie if mc->top and mc->ki
4272  * refer to a node in the new right sibling page.
4273  */
4274 static int
4275 mdb_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
4276 {
4277         uint8_t          flags;
4278         int              rc = MDB_SUCCESS, ins_new = 0;
4279         indx_t           newindx;
4280         pgno_t           pgno = 0;
4281         unsigned int     i, j, split_indx, nkeys, pmax;
4282         MDB_node        *node;
4283         MDB_val  sepkey, rkey, rdata;
4284         MDB_page        *copy;
4285         MDB_page        *mp, *rp, *pp;
4286         unsigned int ptop;
4287         MDB_cursor      mn;
4288         DKBUF;
4289
4290         mp = mc->mc_pg[mc->mc_top];
4291         newindx = mc->mc_ki[mc->mc_top];
4292
4293         DPRINTF("-----> splitting %s page %lu and adding [%s] at index %i",
4294             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno,
4295             DKEY(newkey), mc->mc_ki[mc->mc_top]);
4296
4297         if (mc->mc_snum < 2) {
4298                 if ((pp = mdb_new_page(mc, P_BRANCH, 1)) == NULL)
4299                         return ENOMEM;
4300                 /* shift current top to make room for new parent */
4301                 mc->mc_pg[1] = mc->mc_pg[0];
4302                 mc->mc_ki[1] = mc->mc_ki[0];
4303                 mc->mc_pg[0] = pp;
4304                 mc->mc_ki[0] = 0;
4305                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = pp->mp_pgno;
4306                 DPRINTF("root split! new root = %lu", pp->mp_pgno);
4307                 mc->mc_txn->mt_dbs[mc->mc_dbi].md_depth++;
4308
4309                 /* Add left (implicit) pointer. */
4310                 if ((rc = mdb_add_node(mc, 0, NULL, NULL, mp->mp_pgno, 0)) != MDB_SUCCESS) {
4311                         /* undo the pre-push */
4312                         mc->mc_pg[0] = mc->mc_pg[1];
4313                         mc->mc_ki[0] = mc->mc_ki[1];
4314                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_root = mp->mp_pgno;
4315                         mc->mc_txn->mt_dbs[mc->mc_dbi].md_depth--;
4316                         return rc;
4317                 }
4318                 mc->mc_snum = 2;
4319                 mc->mc_top = 1;
4320                 ptop = 0;
4321         } else {
4322                 ptop = mc->mc_top-1;
4323                 DPRINTF("parent branch page is %lu", mc->mc_pg[ptop]->mp_pgno);
4324         }
4325
4326         /* Create a right sibling. */
4327         if ((rp = mdb_new_page(mc, mp->mp_flags, 1)) == NULL)
4328                 return ENOMEM;
4329         mdb_cursor_copy(mc, &mn);
4330         mn.mc_pg[mn.mc_top] = rp;
4331         mn.mc_ki[ptop] = mc->mc_ki[ptop]+1;
4332         DPRINTF("new right sibling: page %lu", rp->mp_pgno);
4333
4334         nkeys = NUMKEYS(mp);
4335         split_indx = nkeys / 2 + 1;
4336
4337         if (IS_LEAF2(rp)) {
4338                 char *split, *ins;
4339                 int x;
4340                 unsigned int lsize, rsize, ksize;
4341                 /* Move half of the keys to the right sibling */
4342                 copy = NULL;
4343                 x = mc->mc_ki[mc->mc_top] - split_indx;
4344                 ksize = mc->mc_txn->mt_dbs[mc->mc_dbi].md_pad;
4345                 split = LEAF2KEY(mp, split_indx, ksize);
4346                 rsize = (nkeys - split_indx) * ksize;
4347                 lsize = (nkeys - split_indx) * sizeof(indx_t);
4348                 mp->mp_lower -= lsize;
4349                 rp->mp_lower += lsize;
4350                 mp->mp_upper += rsize - lsize;
4351                 rp->mp_upper -= rsize - lsize;
4352                 sepkey.mv_size = ksize;
4353                 if (newindx == split_indx) {
4354                         sepkey.mv_data = newkey->mv_data;
4355                 } else {
4356                         sepkey.mv_data = split;
4357                 }
4358                 if (x<0) {
4359                         ins = LEAF2KEY(mp, mc->mc_ki[mc->mc_top], ksize);
4360                         memcpy(rp->mp_ptrs, split, rsize);
4361                         sepkey.mv_data = rp->mp_ptrs;
4362                         memmove(ins+ksize, ins, (split_indx - mc->mc_ki[mc->mc_top]) * ksize);
4363                         memcpy(ins, newkey->mv_data, ksize);
4364                         mp->mp_lower += sizeof(indx_t);
4365                         mp->mp_upper -= ksize - sizeof(indx_t);
4366                 } else {
4367                         if (x)
4368                                 memcpy(rp->mp_ptrs, split, x * ksize);
4369                         ins = LEAF2KEY(rp, x, ksize);
4370                         memcpy(ins, newkey->mv_data, ksize);
4371                         memcpy(ins+ksize, split + x * ksize, rsize - x * ksize);
4372                         rp->mp_lower += sizeof(indx_t);
4373                         rp->mp_upper -= ksize - sizeof(indx_t);
4374                         mc->mc_ki[mc->mc_top] = x;
4375                         mc->mc_pg[mc->mc_top] = rp;
4376                 }
4377                 goto newsep;
4378         }
4379
4380         /* For leaf pages, check the split point based on what
4381          * fits where, since otherwise add_node can fail.
4382          */
4383         if (IS_LEAF(mp)) {
4384                 unsigned int psize, nsize;
4385                 /* Maximum free space in an empty page */
4386                 pmax = mc->mc_txn->mt_env->me_psize - PAGEHDRSZ;
4387                 nsize = mdb_leaf_size(mc->mc_txn->mt_env, newkey, newdata);
4388                 if (newindx < split_indx) {
4389                         psize = nsize;
4390                         for (i=0; i<split_indx; i++) {
4391                                 node = NODEPTR(mp, i);
4392                                 psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
4393                                 if (F_ISSET(node->mn_flags, F_BIGDATA))
4394                                         psize += sizeof(pgno_t);
4395                                 else
4396                                         psize += NODEDSZ(node);
4397                                 psize += psize & 1;
4398                                 if (psize > pmax) {
4399                                         split_indx = i;
4400                                         break;
4401                                 }
4402                         }
4403                 } else {
4404                         psize = nsize;
4405                         for (i=nkeys-1; i>=split_indx; i--) {
4406                                 node = NODEPTR(mp, i);
4407                                 psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
4408                                 if (F_ISSET(node->mn_flags, F_BIGDATA))
4409                                         psize += sizeof(pgno_t);
4410                                 else
4411                                         psize += NODEDSZ(node);
4412                                 psize += psize & 1;
4413                                 if (psize > pmax) {
4414                                         split_indx = i+1;
4415                                         break;
4416                                 }
4417                         }
4418                 }
4419         }
4420
4421         /* First find the separating key between the split pages.
4422          */
4423         if (newindx == split_indx) {
4424                 sepkey.mv_size = newkey->mv_size;
4425                 sepkey.mv_data = newkey->mv_data;
4426         } else {
4427                 node = NODEPTR(mp, split_indx);
4428                 sepkey.mv_size = node->mn_ksize;
4429                 sepkey.mv_data = NODEKEY(node);
4430         }
4431
4432 newsep:
4433         DPRINTF("separator is [%s]", DKEY(&sepkey));
4434
4435         /* Copy separator key to the parent.
4436          */
4437         if (SIZELEFT(mn.mc_pg[ptop]) < mdb_branch_size(mc->mc_txn->mt_env, &sepkey)) {
4438                 mn.mc_snum--;
4439                 mn.mc_top--;
4440                 rc = mdb_split(&mn, &sepkey, NULL, rp->mp_pgno);
4441
4442                 /* Right page might now have changed parent.
4443                  * Check if left page also changed parent.
4444                  */
4445                 if (mn.mc_pg[ptop] != mc->mc_pg[ptop] &&
4446                     mc->mc_ki[ptop] >= NUMKEYS(mc->mc_pg[ptop])) {
4447                         mc->mc_pg[ptop] = mn.mc_pg[ptop];
4448                         mc->mc_ki[ptop] = mn.mc_ki[ptop] - 1;
4449                 }
4450         } else {
4451                 mn.mc_top--;
4452                 rc = mdb_add_node(&mn, mn.mc_ki[ptop], &sepkey, NULL, rp->mp_pgno, 0);
4453                 mn.mc_top++;
4454         }
4455         if (IS_LEAF2(rp)) {
4456                 return rc;
4457         }
4458         if (rc != MDB_SUCCESS) {
4459                 return rc;
4460         }
4461
4462         /* Move half of the keys to the right sibling. */
4463
4464         /* grab a page to hold a temporary copy */
4465         if (mc->mc_txn->mt_env->me_dpages) {
4466                 copy = mc->mc_txn->mt_env->me_dpages;
4467                 mc->mc_txn->mt_env->me_dpages = copy->mp_next;
4468         } else {
4469                 if ((copy = malloc(mc->mc_txn->mt_env->me_psize)) == NULL)
4470                         return ENOMEM;
4471         }
4472
4473         copy->mp_pgno  = mp->mp_pgno;
4474         copy->mp_flags = mp->mp_flags;
4475         copy->mp_lower = PAGEHDRSZ;
4476         copy->mp_upper = mc->mc_txn->mt_env->me_psize;
4477         mc->mc_pg[mc->mc_top] = copy;
4478         for (i = j = 0; i <= nkeys; j++) {
4479                 if (i == split_indx) {
4480                 /* Insert in right sibling. */
4481                 /* Reset insert index for right sibling. */
4482                         j = (i == newindx && ins_new);
4483                         mc->mc_pg[mc->mc_top] = rp;
4484                 }
4485
4486                 if (i == newindx && !ins_new) {
4487                         /* Insert the original entry that caused the split. */
4488                         rkey.mv_data = newkey->mv_data;
4489                         rkey.mv_size = newkey->mv_size;
4490                         if (IS_LEAF(mp)) {
4491                                 rdata.mv_data = newdata->mv_data;
4492                                 rdata.mv_size = newdata->mv_size;
4493                         } else
4494                                 pgno = newpgno;
4495                         flags = 0;
4496
4497                         ins_new = 1;
4498
4499                         /* Update page and index for the new key. */
4500                         mc->mc_ki[mc->mc_top] = j;
4501                 } else if (i == nkeys) {
4502                         break;
4503                 } else {
4504                         node = NODEPTR(mp, i);
4505                         rkey.mv_data = NODEKEY(node);
4506                         rkey.mv_size = node->mn_ksize;
4507                         if (IS_LEAF(mp)) {
4508                                 rdata.mv_data = NODEDATA(node);
4509                                 rdata.mv_size = NODEDSZ(node);
4510                         } else
4511                                 pgno = NODEPGNO(node);
4512                         flags = node->mn_flags;
4513
4514                         i++;
4515                 }
4516
4517                 if (!IS_LEAF(mp) && j == 0) {
4518                         /* First branch index doesn't need key data. */
4519                         rkey.mv_size = 0;
4520                 }
4521
4522                 rc = mdb_add_node(mc, j, &rkey, &rdata, pgno, flags);
4523         }
4524
4525         /* reset back to original page */
4526         if (newindx < split_indx)
4527                 mc->mc_pg[mc->mc_top] = mp;
4528
4529         nkeys = NUMKEYS(copy);
4530         for (i=0; i<nkeys; i++)
4531                 mp->mp_ptrs[i] = copy->mp_ptrs[i];
4532         mp->mp_lower = copy->mp_lower;
4533         mp->mp_upper = copy->mp_upper;
4534         memcpy(NODEPTR(mp, nkeys-1), NODEPTR(copy, nkeys-1),
4535                 mc->mc_txn->mt_env->me_psize - copy->mp_upper);
4536
4537         /* return tmp page to freelist */
4538         copy->mp_next = mc->mc_txn->mt_env->me_dpages;
4539         mc->mc_txn->mt_env->me_dpages = copy;
4540         return rc;
4541 }
4542
4543 int
4544 mdb_put(MDB_txn *txn, MDB_dbi dbi,
4545     MDB_val *key, MDB_val *data, unsigned int flags)
4546 {
4547         MDB_cursor mc;
4548         MDB_xcursor mx;
4549
4550         assert(key != NULL);
4551         assert(data != NULL);
4552
4553         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
4554                 return EINVAL;
4555
4556         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
4557                 return EACCES;
4558         }
4559
4560         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
4561                 return EINVAL;
4562         }
4563
4564         if ((flags & (MDB_NOOVERWRITE|MDB_NODUPDATA)) != flags)
4565                 return EINVAL;
4566
4567         mc.mc_txn = txn;
4568         mc.mc_dbi = dbi;
4569         mc.mc_snum = 0;
4570         mc.mc_flags = 0;
4571         if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
4572                 mc.mc_xcursor = &mx;
4573                 mdb_xcursor_init0(&mc);
4574         } else {
4575                 mc.mc_xcursor = NULL;
4576         }
4577         return mdb_cursor_put(&mc, key, data, flags);
4578 }
4579
4580 int
4581 mdb_env_set_flags(MDB_env *env, unsigned int flag, int onoff)
4582 {
4583         /** Only a subset of the @ref mdb_env flags can be changed
4584          *      at runtime. Changing other flags requires closing the environment
4585          *      and re-opening it with the new flags.
4586          */
4587 #define CHANGEABLE      (MDB_NOSYNC)
4588         if ((flag & CHANGEABLE) != flag)
4589                 return EINVAL;
4590         if (onoff)
4591                 env->me_flags |= flag;
4592         else
4593                 env->me_flags &= ~flag;
4594         return MDB_SUCCESS;
4595 }
4596
4597 int
4598 mdb_env_get_flags(MDB_env *env, unsigned int *arg)
4599 {
4600         if (!env || !arg)
4601                 return EINVAL;
4602
4603         *arg = env->me_flags;
4604         return MDB_SUCCESS;
4605 }
4606
4607 int
4608 mdb_env_get_path(MDB_env *env, const char **arg)
4609 {
4610         if (!env || !arg)
4611                 return EINVAL;
4612
4613         *arg = env->me_path;
4614         return MDB_SUCCESS;
4615 }
4616
4617 static int
4618 mdb_stat0(MDB_env *env, MDB_db *db, MDB_stat *arg)
4619 {
4620         arg->ms_psize = env->me_psize;
4621         arg->ms_depth = db->md_depth;
4622         arg->ms_branch_pages = db->md_branch_pages;
4623         arg->ms_leaf_pages = db->md_leaf_pages;
4624         arg->ms_overflow_pages = db->md_overflow_pages;
4625         arg->ms_entries = db->md_entries;
4626
4627         return MDB_SUCCESS;
4628 }
4629 int
4630 mdb_env_stat(MDB_env *env, MDB_stat *arg)
4631 {
4632         int toggle;
4633
4634         if (env == NULL || arg == NULL)
4635                 return EINVAL;
4636
4637         mdb_env_read_meta(env, &toggle);
4638
4639         return mdb_stat0(env, &env->me_metas[toggle]->mm_dbs[MAIN_DBI], arg);
4640 }
4641
4642 static void
4643 mdb_default_cmp(MDB_txn *txn, MDB_dbi dbi)
4644 {
4645         if (txn->mt_dbs[dbi].md_flags & MDB_REVERSEKEY)
4646                 txn->mt_dbxs[dbi].md_cmp = memnrcmp;
4647         else if (txn->mt_dbs[dbi].md_flags & MDB_INTEGERKEY)
4648                 txn->mt_dbxs[dbi].md_cmp = cintcmp;
4649         else
4650                 txn->mt_dbxs[dbi].md_cmp = memncmp;
4651
4652         if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
4653                 if (txn->mt_dbs[dbi].md_flags & MDB_INTEGERDUP) {
4654                         if (txn->mt_dbs[dbi].md_flags & MDB_DUPFIXED)
4655                                 txn->mt_dbxs[dbi].md_dcmp = intcmp;
4656                         else
4657                                 txn->mt_dbxs[dbi].md_dcmp = cintcmp;
4658                 } else if (txn->mt_dbs[dbi].md_flags & MDB_REVERSEDUP) {
4659                         txn->mt_dbxs[dbi].md_dcmp = memnrcmp;
4660                 } else {
4661                         txn->mt_dbxs[dbi].md_dcmp = memncmp;
4662                 }
4663         } else {
4664                 txn->mt_dbxs[dbi].md_dcmp = NULL;
4665         }
4666 }
4667
4668 int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
4669 {
4670         MDB_val key, data;
4671         MDB_dbi i;
4672         int rc, dirty = 0;
4673         size_t len;
4674
4675         if (txn->mt_dbxs[FREE_DBI].md_cmp == NULL) {
4676                 mdb_default_cmp(txn, FREE_DBI);
4677         }
4678
4679         /* main DB? */
4680         if (!name) {
4681                 *dbi = MAIN_DBI;
4682                 if (flags & (MDB_DUPSORT|MDB_REVERSEKEY|MDB_INTEGERKEY))
4683                         txn->mt_dbs[MAIN_DBI].md_flags |= (flags & (MDB_DUPSORT|MDB_REVERSEKEY|MDB_INTEGERKEY));
4684                 mdb_default_cmp(txn, MAIN_DBI);
4685                 return MDB_SUCCESS;
4686         }
4687
4688         if (txn->mt_dbxs[MAIN_DBI].md_cmp == NULL) {
4689                 mdb_default_cmp(txn, MAIN_DBI);
4690         }
4691
4692         /* Is the DB already open? */
4693         len = strlen(name);
4694         for (i=2; i<txn->mt_numdbs; i++) {
4695                 if (len == txn->mt_dbxs[i].md_name.mv_size &&
4696                         !strncmp(name, txn->mt_dbxs[i].md_name.mv_data, len)) {
4697                         *dbi = i;
4698                         return MDB_SUCCESS;
4699                 }
4700         }
4701
4702         if (txn->mt_numdbs >= txn->mt_env->me_maxdbs - 1)
4703                 return ENFILE;
4704
4705         /* Find the DB info */
4706         key.mv_size = len;
4707         key.mv_data = (void *)name;
4708         rc = mdb_get(txn, MAIN_DBI, &key, &data);
4709
4710         /* Create if requested */
4711         if (rc == MDB_NOTFOUND && (flags & MDB_CREATE)) {
4712                 MDB_cursor mc;
4713                 MDB_db dummy;
4714                 data.mv_size = sizeof(MDB_db);
4715                 data.mv_data = &dummy;
4716                 memset(&dummy, 0, sizeof(dummy));
4717                 dummy.md_root = P_INVALID;
4718                 dummy.md_flags = flags & 0xffff;
4719                 mc.mc_txn = txn;
4720                 mc.mc_dbi = MAIN_DBI;
4721                 mc.mc_flags = 0;
4722                 rc = mdb_cursor_put(&mc, &key, &data, F_SUBDATA);
4723                 dirty = 1;
4724         }
4725
4726         /* OK, got info, add to table */
4727         if (rc == MDB_SUCCESS) {
4728                 txn->mt_dbxs[txn->mt_numdbs].md_name.mv_data = strdup(name);
4729                 txn->mt_dbxs[txn->mt_numdbs].md_name.mv_size = len;
4730                 txn->mt_dbxs[txn->mt_numdbs].md_rel = NULL;
4731                 txn->mt_dbxs[txn->mt_numdbs].md_parent = MAIN_DBI;
4732                 txn->mt_dbxs[txn->mt_numdbs].md_dirty = dirty;
4733                 memcpy(&txn->mt_dbs[txn->mt_numdbs], data.mv_data, sizeof(MDB_db));
4734                 *dbi = txn->mt_numdbs;
4735                 txn->mt_env->me_dbs[0][txn->mt_numdbs] = txn->mt_dbs[txn->mt_numdbs];
4736                 txn->mt_env->me_dbs[1][txn->mt_numdbs] = txn->mt_dbs[txn->mt_numdbs];
4737                 mdb_default_cmp(txn, txn->mt_numdbs);
4738                 txn->mt_numdbs++;
4739         }
4740
4741         return rc;
4742 }
4743
4744 int mdb_stat(MDB_txn *txn, MDB_dbi dbi, MDB_stat *arg)
4745 {
4746         if (txn == NULL || arg == NULL || dbi >= txn->mt_numdbs)
4747                 return EINVAL;
4748
4749         return mdb_stat0(txn->mt_env, &txn->mt_dbs[dbi], arg);
4750 }
4751
4752 void mdb_close(MDB_txn *txn, MDB_dbi dbi)
4753 {
4754         char *ptr;
4755         if (dbi <= MAIN_DBI || dbi >= txn->mt_numdbs)
4756                 return;
4757         ptr = txn->mt_dbxs[dbi].md_name.mv_data;
4758         txn->mt_dbxs[dbi].md_name.mv_data = NULL;
4759         txn->mt_dbxs[dbi].md_name.mv_size = 0;
4760         free(ptr);
4761 }
4762
4763 int mdb_set_compare(MDB_txn *txn, MDB_dbi dbi, MDB_cmp_func *cmp)
4764 {
4765         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
4766                 return EINVAL;
4767
4768         txn->mt_dbxs[dbi].md_cmp = cmp;
4769         return MDB_SUCCESS;
4770 }
4771
4772 int mdb_set_dupsort(MDB_txn *txn, MDB_dbi dbi, MDB_cmp_func *cmp)
4773 {
4774         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
4775                 return EINVAL;
4776
4777         txn->mt_dbxs[dbi].md_dcmp = cmp;
4778         return MDB_SUCCESS;
4779 }
4780
4781 int mdb_set_relfunc(MDB_txn *txn, MDB_dbi dbi, MDB_rel_func *rel)
4782 {
4783         if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
4784                 return EINVAL;
4785
4786         txn->mt_dbxs[dbi].md_rel = rel;
4787         return MDB_SUCCESS;
4788 }
4789
4790 /** @} */