git.sur5r.net Git - openldap/blob - libraries/libmdb/mdb.c

   1 #include <sys/types.h>
   2 #include <sys/stat.h>
   3 #include <sys/queue.h>
   4 #include <sys/param.h>
   5 #include <sys/uio.h>
   6 #include <sys/mman.h>
   7 #ifdef HAVE_SYS_FILE_H
   8 #include <sys/file.h>
   9 #endif
  10 #include <sys/ipc.h>
  11 #include <sys/shm.h>
  12
  13 #include <assert.h>
  14 #include <err.h>
  15 #include <errno.h>
  16 #include <fcntl.h>
  17 #include <stddef.h>
  18 #include <stdint.h>
  19 #include <stdio.h>
  20 #include <stdlib.h>
  21 #include <string.h>
  22 #include <time.h>
  23 #include <unistd.h>
  24 #include <pthread.h>
  25
  26 #include "mdb.h"
  27
  28 #ifndef DEBUG
  29 #define DEBUG 1
  30 #endif
  31
  32 #if (DEBUG +0) && defined(__GNUC__)
  33 # define DPRINTF(fmt, ...) \
  34         fprintf(stderr, "%s:%d: " fmt "\n", __func__, __LINE__, ##__VA_ARGS__)
  35 #else
  36 # define DPRINTF(...)   ((void) 0)
  37 #endif
  38
  39 #define PAGESIZE         4096
  40 #define MDB_MINKEYS      4
  41 #define MDB_MAGIC        0xBEEFC0DE
  42 #define MDB_VERSION      1
  43 #define MAXKEYSIZE       255
  44
  45 #define P_INVALID        (~0L)
  46
  47 #define F_ISSET(w, f)    (((w) & (f)) == (f))
  48
  49 typedef ulong            pgno_t;
  50 typedef uint16_t         indx_t;
  51
  52 #define DEFAULT_READERS 126
  53 #define DEFAULT_MAPSIZE 1048576
  54
  55 /* Lock descriptor stuff */
  56 #define RXBODY  \
  57         ulong           mr_txnid; \
  58         pid_t           mr_pid; \
  59         pthread_t       mr_tid
  60 typedef struct MDB_rxbody {
  61         RXBODY;
  62 } MDB_rxbody;
  63
  64 #ifndef CACHELINE
  65 #define CACHELINE       64      /* most CPUs. Itanium uses 128 */
  66 #endif
  67
  68 typedef struct MDB_reader {
  69         RXBODY;
  70         /* cache line alignment */
  71         char pad[CACHELINE-sizeof(MDB_rxbody)];
  72 } MDB_reader;
  73
  74 #define TXBODY \
  75         uint32_t        mt_magic;       \
  76         uint32_t        mt_version;     \
  77         pthread_mutex_t mt_mutex;       \
  78         ulong           mt_txnid;       \
  79         uint32_t        mt_numreaders
  80 typedef struct MDB_txbody {
  81         TXBODY;
  82 } MDB_txbody;
  83
  84 typedef struct MDB_txninfo {
  85         TXBODY;
  86         char pad[CACHELINE-sizeof(MDB_txbody)];
  87         pthread_mutex_t mt_wmutex;
  88         char pad2[CACHELINE-sizeof(pthread_mutex_t)];
  89         MDB_reader      mt_readers[1];
  90 } MDB_txninfo;
  91
  92 /* Common header for all page types. Overflow pages
  93  * occupy a number of contiguous pages with no
  94  * headers on any page after the first.
  95  */
  96 typedef struct MDB_page {               /* represents a page of storage */
  97         pgno_t          mp_pgno;                /* page number */
  98 #define P_BRANCH         0x01           /* branch page */
  99 #define P_LEAF           0x02           /* leaf page */
 100 #define P_OVERFLOW       0x04           /* overflow page */
 101 #define P_META           0x08           /* meta page */
 102 #define P_HEAD           0x10           /* header page */
 103 #define P_DIRTY          0x20           /* dirty page */
 104         uint32_t        mp_flags;
 105 #define mp_lower        mp_pb.pb.pb_lower
 106 #define mp_upper        mp_pb.pb.pb_upper
 107 #define mp_pages        mp_pb.pb_pages
 108         union page_bounds {
 109                 struct {
 110                         indx_t          pb_lower;               /* lower bound of free space */
 111                         indx_t          pb_upper;               /* upper bound of free space */
 112                 } pb;
 113                 uint32_t        pb_pages;       /* number of overflow pages */
 114         } mp_pb;
 115         indx_t          mp_ptrs[1];             /* dynamic size */
 116 } MDB_page;
 117
 118 #define PAGEHDRSZ        offsetof(MDB_page, mp_ptrs)
 119
 120 #define NUMKEYS(p)       (((p)->mp_lower - PAGEHDRSZ) >> 1)
 121 #define SIZELEFT(p)      (indx_t)((p)->mp_upper - (p)->mp_lower)
 122 #define PAGEFILL(env, p) (1000 * ((env)->me_head.mh_psize - PAGEHDRSZ - SIZELEFT(p)) / \
 123                                 ((env)->me_head.mh_psize - PAGEHDRSZ))
 124 #define IS_LEAF(p)       F_ISSET((p)->mp_flags, P_LEAF)
 125 #define IS_BRANCH(p)     F_ISSET((p)->mp_flags, P_BRANCH)
 126 #define IS_OVERFLOW(p)   F_ISSET((p)->mp_flags, P_OVERFLOW)
 127
 128 typedef struct MDB_head {                       /* header page content */
 129         uint32_t        mh_magic;
 130         uint32_t        mh_version;
 131         uint32_t        mh_flags;
 132         uint32_t        mh_psize;                       /* page size */
 133         void            *mh_address;            /* address for fixed mapping */
 134         size_t          mh_mapsize;                     /* size of mmap region */
 135 } MDB_head;
 136
 137 typedef struct MDB_meta {                       /* meta (footer) page content */
 138         MDB_stat        mm_stat;
 139         pgno_t          mm_root;                        /* page number of root page */
 140         pgno_t          mm_last_pg;                     /* last used page in file */
 141         ulong           mm_txnid;                       /* txnid that committed this page */
 142 } MDB_meta;
 143
 144 typedef struct MDB_dhead {                                      /* a dirty page */
 145         SIMPLEQ_ENTRY(MDB_dpage)         md_next;       /* queue of dirty pages */
 146         MDB_page        *md_parent;
 147         int                     md_pi;                          /* parent index */
 148         int                     md_num;
 149 } MDB_dhead;
 150
 151 typedef struct MDB_dpage {
 152         MDB_dhead       h;
 153         MDB_page        p;
 154 } MDB_dpage;
 155
 156 SIMPLEQ_HEAD(dirty_queue, MDB_dpage);
 157
 158 typedef struct MDB_pageparent {
 159         MDB_page *mp_page;
 160         MDB_page *mp_parent;
 161         int             mp_pi;
 162 } MDB_pageparent;
 163
 164 static MDB_dpage *mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num);
 165 static int              mdb_touch(MDB_txn *txn, MDB_pageparent *mp);
 166
 167 typedef struct MDB_ppage {                                      /* ordered list of pages */
 168         SLIST_ENTRY(MDB_ppage)   mp_entry;
 169         MDB_page                *mp_page;
 170         unsigned int    mp_ki;          /* cursor index on page */
 171 } MDB_ppage;
 172 SLIST_HEAD(page_stack, MDB_ppage);
 173
 174 #define CURSOR_EMPTY(c)          SLIST_EMPTY(&(c)->mc_stack)
 175 #define CURSOR_TOP(c)            SLIST_FIRST(&(c)->mc_stack)
 176 #define CURSOR_POP(c)            SLIST_REMOVE_HEAD(&(c)->mc_stack, mp_entry)
 177 #define CURSOR_PUSH(c,p)         SLIST_INSERT_HEAD(&(c)->mc_stack, p, mp_entry)
 178
 179 struct MDB_cursor {
 180         MDB_db          *mc_db;
 181         MDB_txn         *mc_txn;
 182         struct page_stack        mc_stack;              /* stack of parent pages */
 183         short           mc_initialized; /* 1 if initialized */
 184         short           mc_eof;         /* 1 if end is reached */
 185 };
 186
 187 #define METAHASHLEN      offsetof(MDB_meta, mm_hash)
 188 #define METADATA(p)      ((void *)((char *)p + PAGEHDRSZ))
 189
 190 typedef struct MDB_node {
 191 #define mn_pgno          mn_p.np_pgno
 192 #define mn_dsize         mn_p.np_dsize
 193         union {
 194                 pgno_t           np_pgno;       /* child page number */
 195                 uint32_t         np_dsize;      /* leaf data size */
 196         } mn_p;
 197         unsigned int    mn_flags:4;
 198         unsigned int    mn_ksize:12;                    /* key size */
 199 #define F_BIGDATA        0x01                   /* data put on overflow page */
 200         char            mn_data[1];
 201 } MDB_node;
 202
 203 struct MDB_txn {
 204         pgno_t          mt_root;                /* current / new root page */
 205         pgno_t          mt_next_pgno;   /* next unallocated page */
 206         pgno_t          mt_first_pgno;
 207         ulong           mt_txnid;
 208         MDB_env         *mt_env;
 209         union {
 210                 struct dirty_queue      *dirty_queue;   /* modified pages */
 211                 MDB_reader      *reader;
 212         } mt_u;
 213 #define MDB_TXN_RDONLY           0x01           /* read-only transaction */
 214 #define MDB_TXN_ERROR            0x02           /* an error has occurred */
 215         unsigned int             mt_flags;
 216 };
 217
 218 /* Must be same as MDB_db, minus md_root/md_stat */
 219 typedef struct MDB_db0 {
 220         unsigned int    md_flags;
 221         MDB_cmp_func    *md_cmp;                /* user compare function */
 222         MDB_rel_func    *md_rel;                /* user relocate function */
 223         MDB_db                  *md_parent;             /* parent tree */
 224         MDB_env                 *md_env;
 225 } MDB_db0;
 226
 227 struct MDB_db {
 228         unsigned int    md_flags;
 229         MDB_cmp_func    *md_cmp;                /* user compare function */
 230         MDB_rel_func    *md_rel;                /* user relocate function */
 231         MDB_db                  *md_parent;             /* parent tree */
 232         MDB_env                 *md_env;
 233         MDB_stat                md_stat;
 234         pgno_t                  md_root;                /* page number of root page */
 235 };
 236
 237 struct MDB_env {
 238         int                     me_fd;
 239         key_t           me_shmkey;
 240         uint32_t        me_flags;
 241         int                     me_maxreaders;
 242         int                     me_metatoggle;
 243         char            *me_path;
 244         char *me_map;
 245         MDB_txninfo     *me_txns;
 246         MDB_head        me_head;
 247         MDB_db0         me_db;          /* first DB, overlaps with meta */
 248         MDB_meta        me_meta;
 249         MDB_txn *me_txn;                /* current write transaction */
 250         size_t          me_mapsize;
 251         off_t           me_size;                /* current file size */
 252         pthread_key_t   me_txkey;       /* thread-key for readers */
 253 };
 254
 255 #define NODESIZE         offsetof(MDB_node, mn_data)
 256
 257 #define INDXSIZE(k)      (NODESIZE + ((k) == NULL ? 0 : (k)->mv_size))
 258 #define LEAFSIZE(k, d)   (NODESIZE + (k)->mv_size + (d)->mv_size)
 259 #define NODEPTR(p, i)    ((MDB_node *)((char *)(p) + (p)->mp_ptrs[i]))
 260 #define NODEKEY(node)    (void *)((node)->mn_data)
 261 #define NODEDATA(node)   (void *)((char *)(node)->mn_data + (node)->mn_ksize)
 262 #define NODEPGNO(node)   ((node)->mn_pgno)
 263 #define NODEDSZ(node)    ((node)->mn_dsize)
 264
 265 #define MDB_COMMIT_PAGES         64     /* max number of pages to write in one commit */
 266 #define MDB_MAXCACHE_DEF         1024   /* max number of pages to keep in cache  */
 267
 268 static int  mdb_search_page_root(MDB_db *db,
 269                             MDB_val *key,
 270                             MDB_cursor *cursor, int modify,
 271                             MDB_pageparent *mpp);
 272 static int  mdb_search_page(MDB_db *db,
 273                             MDB_txn *txn, MDB_val *key,
 274                             MDB_cursor *cursor, int modify,
 275                             MDB_pageparent *mpp);
 276
 277 static int  mdbenv_write_header(MDB_env *env);
 278 static int  mdbenv_read_header(MDB_env *env);
 279 static int  mdb_check_meta_page(MDB_page *p);
 280 static int  mdbenv_read_meta(MDB_env *env);
 281 static int  mdbenv_write_meta(MDB_txn *txn);
 282 static MDB_page *mdbenv_get_page(MDB_env *env, pgno_t pgno);
 283
 284 static MDB_node *mdb_search_node(MDB_db *db, MDB_page *mp,
 285                             MDB_val *key, int *exactp, unsigned int *kip);
 286 static int  mdb_add_node(MDB_db *bt, MDB_page *mp,
 287                             indx_t indx, MDB_val *key, MDB_val *data,
 288                             pgno_t pgno, uint8_t flags);
 289 static void mdb_del_node(MDB_db *bt, MDB_page *mp,
 290                             indx_t indx);
 291 static int  mdb_read_data(MDB_db *bt, MDB_page *mp,
 292                             MDB_node *leaf, MDB_val *data);
 293
 294 static int               mdb_rebalance(MDB_db *bt, MDB_pageparent *mp);
 295 static int               mdb_update_key(MDB_db *bt, MDB_page *mp,
 296                             indx_t indx, MDB_val *key);
 297 static int               mdb_move_node(MDB_db *bt,
 298                                 MDB_pageparent *src, indx_t srcindx,
 299                                 MDB_pageparent *dst, indx_t dstindx);
 300 static int               mdb_merge(MDB_db *bt, MDB_pageparent *src,
 301                             MDB_pageparent *dst);
 302 static int               mdb_split(MDB_db *bt, MDB_page **mpp,
 303                             unsigned int *newindxp, MDB_val *newkey,
 304                             MDB_val *newdata, pgno_t newpgno);
 305 static MDB_dpage *mdbenv_new_page(MDB_env *env, uint32_t flags, int num);
 306
 307 static void              cursor_pop_page(MDB_cursor *cursor);
 308 static MDB_ppage *cursor_push_page(MDB_cursor *cursor,
 309                             MDB_page *mp);
 310
 311 static int               mdb_set_key(MDB_db *bt, MDB_page *mp,
 312                             MDB_node *node, MDB_val *key);
 313 static int               mdb_sibling(MDB_cursor *cursor, int move_right);
 314 static int               mdb_cursor_next(MDB_cursor *cursor,
 315                             MDB_val *key, MDB_val *data);
 316 static int               mdb_cursor_set(MDB_cursor *cursor,
 317                             MDB_val *key, MDB_val *data, int *exactp);
 318 static int               mdb_cursor_first(MDB_cursor *cursor,
 319                             MDB_val *key, MDB_val *data);
 320
 321 static size_t            mdb_leaf_size(MDB_db *bt, MDB_val *key,
 322                             MDB_val *data);
 323 static size_t            mdb_branch_size(MDB_db *bt, MDB_val *key);
 324
 325 static pgno_t            mdbenv_compact_tree(MDB_env *env, pgno_t pgno,
 326                             MDB_env *envc);
 327
 328 static int               memncmp(const void *s1, size_t n1,
 329                                  const void *s2, size_t n2);
 330 static int               memnrcmp(const void *s1, size_t n1,
 331                                   const void *s2, size_t n2);
 332
 333 static int
 334 memncmp(const void *s1, size_t n1, const void *s2, size_t n2)
 335 {
 336         if (n1 < n2) {
 337                 if (memcmp(s1, s2, n1) == 0)
 338                         return -1;
 339         }
 340         else if (n1 > n2) {
 341                 if (memcmp(s1, s2, n2) == 0)
 342                         return 1;
 343         }
 344         return memcmp(s1, s2, n1);
 345 }
 346
 347 static int
 348 memnrcmp(const void *s1, size_t n1, const void *s2, size_t n2)
 349 {
 350         const unsigned char     *p1;
 351         const unsigned char     *p2;
 352
 353         if (n1 == 0)
 354                 return n2 == 0 ? 0 : -1;
 355
 356         if (n2 == 0)
 357                 return n1 == 0 ? 0 : 1;
 358
 359         p1 = (const unsigned char *)s1 + n1 - 1;
 360         p2 = (const unsigned char *)s2 + n2 - 1;
 361
 362         while (*p1 == *p2) {
 363                 if (p1 == s1)
 364                         return (p2 == s2) ? 0 : -1;
 365                 if (p2 == s2)
 366                         return (p1 == p2) ? 0 : 1;
 367                 p1--;
 368                 p2--;
 369         }
 370         return *p1 - *p2;
 371 }
 372
 373 int
 374 mdb_cmp(MDB_db *db, const MDB_val *a, const MDB_val *b)
 375 {
 376         return db->md_cmp(a, b);
 377 }
 378
 379 static int
 380 _mdb_cmp(MDB_db *db, const MDB_val *key1, const MDB_val *key2)
 381 {
 382         if (F_ISSET(db->md_flags, MDB_REVERSEKEY))
 383                 return memnrcmp(key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 384         else
 385                 return memncmp((char *)key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 386 }
 387
 388 /* Allocate new page(s) for writing */
 389 static MDB_dpage *
 390 mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num)
 391 {
 392         MDB_dpage *dp;
 393
 394         if ((dp = malloc(txn->mt_env->me_head.mh_psize * num + sizeof(MDB_dhead))) == NULL)
 395                 return NULL;
 396         dp->h.md_num = num;
 397         dp->h.md_parent = parent;
 398         dp->h.md_pi = parent_idx;
 399         SIMPLEQ_INSERT_TAIL(txn->mt_u.dirty_queue, dp, h.md_next);
 400         dp->p.mp_pgno = txn->mt_next_pgno;
 401         txn->mt_next_pgno += num;
 402
 403         return dp;
 404 }
 405
 406 /* Touch a page: make it dirty and re-insert into tree with updated pgno.
 407  */
 408 static int
 409 mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
 410 {
 411         int rc;
 412         MDB_page *mp = pp->mp_page;
 413         pgno_t  pgno;
 414         assert(txn != NULL);
 415         assert(pp != NULL);
 416
 417         if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
 418                 MDB_dpage *dp;
 419                 DPRINTF("touching page %lu -> %lu", mp->mp_pgno, txn->mt_next_pgno);
 420                 if ((dp = mdb_newpage(txn, pp->mp_parent, pp->mp_pi, 1)) == NULL)
 421                         return ENOMEM;
 422                 pgno = dp->p.mp_pgno;
 423                 bcopy(mp, &dp->p, txn->mt_env->me_head.mh_psize);
 424                 mp = &dp->p;
 425                 mp->mp_pgno = pgno;
 426                 mp->mp_flags |= P_DIRTY;
 427
 428                 /* Update the page number to new touched page. */
 429                 if (pp->mp_parent != NULL)
 430                         NODEPGNO(NODEPTR(pp->mp_parent, pp->mp_pi)) = mp->mp_pgno;
 431                 pp->mp_page = mp;
 432         }
 433         return 0;
 434 }
 435
 436 int
 437 mdbenv_sync(MDB_env *env)
 438 {
 439         int rc = 0;
 440         if (!F_ISSET(env->me_flags, MDB_NOSYNC)) {
 441                 if (fsync(env->me_fd))
 442                         rc = errno;
 443         }
 444         return rc;
 445 }
 446
 447 int
 448 mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **ret)
 449 {
 450         MDB_txn *txn;
 451         int rc;
 452
 453         if ((txn = calloc(1, sizeof(*txn))) == NULL) {
 454                 DPRINTF("calloc: %s", strerror(errno));
 455                 return ENOMEM;
 456         }
 457
 458         if (rdonly) {
 459                 txn->mt_flags |= MDB_TXN_RDONLY;
 460         } else {
 461                 txn->mt_u.dirty_queue = calloc(1, sizeof(*txn->mt_u.dirty_queue));
 462                 if (txn->mt_u.dirty_queue == NULL) {
 463                         free(txn);
 464                         return ENOMEM;
 465                 }
 466                 SIMPLEQ_INIT(txn->mt_u.dirty_queue);
 467
 468                 pthread_mutex_lock(&env->me_txns->mt_wmutex);
 469                 env->me_txns->mt_txnid++;
 470         }
 471         txn->mt_txnid = env->me_txns->mt_txnid;
 472         if (rdonly) {
 473                 MDB_reader *r = pthread_getspecific(env->me_txkey);
 474                 if (!r) {
 475                         int i;
 476                         pthread_mutex_lock(&env->me_txns->mt_mutex);
 477                         for (i=0; i<env->me_maxreaders; i++) {
 478                                 if (env->me_txns->mt_readers[i].mr_pid == 0) {
 479                                         env->me_txns->mt_readers[i].mr_pid = getpid();
 480                                         env->me_txns->mt_readers[i].mr_tid = pthread_self();
 481                                         pthread_setspecific(env->me_txkey, &env->me_txns->mt_readers[i]);
 482                                         if (i >= env->me_txns->mt_numreaders)
 483                                                 env->me_txns->mt_numreaders = i+1;
 484                                         break;
 485                                 }
 486                         }
 487                         pthread_mutex_unlock(&env->me_txns->mt_mutex);
 488                         if (i == env->me_maxreaders) {
 489                                 return ENOSPC;
 490                         }
 491                 }
 492                 r->mr_txnid = txn->mt_txnid;
 493                 txn->mt_u.reader = r;
 494         } else {
 495                 env->me_txn = txn;
 496         }
 497
 498         txn->mt_env = env;
 499
 500         if ((rc = mdbenv_read_meta(env)) != MDB_SUCCESS) {
 501                 mdb_txn_abort(txn);
 502                 return rc;
 503         }
 504
 505         txn->mt_next_pgno = env->me_meta.mm_last_pg+1;
 506         txn->mt_first_pgno = txn->mt_next_pgno;
 507         txn->mt_root = env->me_meta.mm_root;
 508         DPRINTF("begin transaction %lu on mdbenv %p, root page %lu", txn->mt_txnid, env, txn->mt_root);
 509
 510         *ret = txn;
 511         return MDB_SUCCESS;
 512 }
 513
 514 void
 515 mdb_txn_abort(MDB_txn *txn)
 516 {
 517         MDB_dpage *dp;
 518         MDB_env *env;
 519
 520         if (txn == NULL)
 521                 return;
 522
 523         env = txn->mt_env;
 524         DPRINTF("abort transaction %lu on mdbenv %p, root page %lu", txn->mt_txnid, env, txn->mt_root);
 525
 526         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 527                 txn->mt_u.reader->mr_txnid = 0;
 528         } else {
 529                 /* Discard all dirty pages.
 530                  */
 531                 while (!SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
 532                         dp = SIMPLEQ_FIRST(txn->mt_u.dirty_queue);
 533                         SIMPLEQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
 534                         free(dp);
 535                 }
 536
 537 #if 0
 538                 DPRINTF("releasing write lock on txn %p", txn);
 539                 txn->bt->txn = NULL;
 540                 if (flock(txn->bt->fd, LOCK_UN) != 0) {
 541                         DPRINTF("failed to unlock fd %d: %s",
 542                             txn->bt->fd, strerror(errno));
 543                 }
 544 #endif
 545                 free(txn->mt_u.dirty_queue);
 546                 env->me_txn = NULL;
 547                 pthread_mutex_unlock(&env->me_txns->mt_wmutex);
 548         }
 549
 550         free(txn);
 551 }
 552
 553 int
 554 mdb_txn_commit(MDB_txn *txn)
 555 {
 556         int              n, done;
 557         ssize_t          rc;
 558         off_t            size;
 559         MDB_dpage       *dp;
 560         MDB_env *env;
 561         pgno_t  next;
 562         struct iovec     iov[MDB_COMMIT_PAGES];
 563
 564         assert(txn != NULL);
 565         assert(txn->mt_env != NULL);
 566
 567         env = txn->mt_env;
 568
 569         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 570                 DPRINTF("attempt to commit read-only transaction");
 571                 mdb_txn_abort(txn);
 572                 return EPERM;
 573         }
 574
 575         if (txn != env->me_txn) {
 576                 DPRINTF("attempt to commit unknown transaction");
 577                 mdb_txn_abort(txn);
 578                 return EINVAL;
 579         }
 580
 581         if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
 582                 DPRINTF("error flag is set, can't commit");
 583                 mdb_txn_abort(txn);
 584                 return EINVAL;
 585         }
 586
 587         if (SIMPLEQ_EMPTY(txn->mt_u.dirty_queue))
 588                 goto done;
 589
 590         DPRINTF("committing transaction %lu on mdbenv %p, root page %lu",
 591             txn->mt_txnid, env, txn->mt_root);
 592
 593         /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
 594          */
 595         next = 0;
 596         do {
 597                 n = 0;
 598                 done = 1;
 599                 size = 0;
 600                 SIMPLEQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
 601                         if (dp->p.mp_pgno != next) {
 602                                 lseek(env->me_fd, dp->p.mp_pgno * env->me_head.mh_psize, SEEK_SET);
 603                                 next = dp->p.mp_pgno;
 604                                 if (n)
 605                                         break;
 606                         }
 607                         DPRINTF("committing page %lu", dp->p.mp_pgno);
 608                         iov[n].iov_len = env->me_head.mh_psize * dp->h.md_num;
 609                         iov[n].iov_base = &dp->p;
 610                         size += iov[n].iov_len;
 611                         next = dp->p.mp_pgno + dp->h.md_num;
 612                         /* clear dirty flag */
 613                         dp->p.mp_flags &= ~P_DIRTY;
 614                         if (++n >= MDB_COMMIT_PAGES) {
 615                                 done = 0;
 616                                 break;
 617                         }
 618                 }
 619
 620                 if (n == 0)
 621                         break;
 622
 623                 DPRINTF("committing %u dirty pages", n);
 624                 rc = writev(env->me_fd, iov, n);
 625                 if (rc != size) {
 626                         n = errno;
 627                         if (rc > 0)
 628                                 DPRINTF("short write, filesystem full?");
 629                         else
 630                                 DPRINTF("writev: %s", strerror(errno));
 631                         mdb_txn_abort(txn);
 632                         return n;
 633                 }
 634
 635                 /* Drop the dirty pages.
 636                  */
 637                 while (!SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
 638                         dp = SIMPLEQ_FIRST(txn->mt_u.dirty_queue);
 639                         SIMPLEQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
 640                         free(dp);
 641                         if (--n == 0)
 642                                 break;
 643                 }
 644         } while (!done);
 645
 646         if ((n = mdbenv_sync(env)) != 0 ||
 647             (n = mdbenv_write_meta(txn)) != MDB_SUCCESS ||
 648             (n = mdbenv_sync(env)) != 0) {
 649                 mdb_txn_abort(txn);
 650                 return n;
 651         }
 652         env->me_txn = NULL;
 653         pthread_mutex_unlock(&env->me_txns->mt_wmutex);
 654         free(txn->mt_u.dirty_queue);
 655         free(txn);
 656         txn = NULL;
 657
 658 done:
 659         mdb_txn_abort(txn);
 660
 661         return MDB_SUCCESS;
 662 }
 663
 664 static int
 665 mdbenv_write_header(MDB_env *env)
 666 {
 667         struct stat      sb;
 668         MDB_head        *h;
 669         MDB_page        *p;
 670         ssize_t          rc;
 671         unsigned int     psize;
 672
 673         DPRINTF("writing header page");
 674         assert(env != NULL);
 675
 676         psize = sysconf(_SC_PAGE_SIZE);
 677
 678         if ((p = calloc(1, psize)) == NULL)
 679                 return ENOMEM;
 680         p->mp_flags = P_HEAD;
 681
 682         env->me_head.mh_psize = psize;
 683         env->me_head.mh_flags = env->me_flags & 0xffff;
 684
 685         h = METADATA(p);
 686         bcopy(&env->me_head, h, sizeof(*h));
 687
 688         rc = write(env->me_fd, p, env->me_head.mh_psize);
 689         free(p);
 690         if (rc != (ssize_t)env->me_head.mh_psize) {
 691                 int err = errno;
 692                 if (rc > 0)
 693                         DPRINTF("short write, filesystem full?");
 694                 return err;
 695         }
 696
 697         return MDB_SUCCESS;
 698 }
 699
 700 static int
 701 mdbenv_read_header(MDB_env *env)
 702 {
 703         char             page[PAGESIZE];
 704         MDB_page        *p;
 705         MDB_head        *h;
 706         int              rc;
 707
 708         assert(env != NULL);
 709
 710         /* We don't know the page size yet, so use a minimum value.
 711          */
 712
 713         if ((rc = pread(env->me_fd, page, PAGESIZE, 0)) == 0) {
 714                 return ENOENT;
 715         } else if (rc != PAGESIZE) {
 716                 if (rc > 0)
 717                         errno = EINVAL;
 718                 DPRINTF("read: %s", strerror(errno));
 719                 return errno;
 720         }
 721
 722         p = (MDB_page *)page;
 723
 724         if (!F_ISSET(p->mp_flags, P_HEAD)) {
 725                 DPRINTF("page %lu not a header page", p->mp_pgno);
 726                 return EINVAL;
 727         }
 728
 729         h = METADATA(p);
 730         if (h->mh_magic != MDB_MAGIC) {
 731                 DPRINTF("header has invalid magic");
 732                 return EINVAL;
 733         }
 734
 735         if (h->mh_version != MDB_VERSION) {
 736                 DPRINTF("database is version %u, expected version %u",
 737                     h->mh_version, MDB_VERSION);
 738                 return EINVAL;
 739         }
 740
 741         bcopy(h, &env->me_head, sizeof(*h));
 742         return 0;
 743 }
 744
 745 static int
 746 mdbenv_init_meta(MDB_env *env)
 747 {
 748         MDB_page *p, *q;
 749         MDB_meta *meta;
 750         int rc;
 751
 752         p = calloc(2, env->me_head.mh_psize);
 753         p->mp_pgno = 1;
 754         p->mp_flags = P_META;
 755
 756         meta = METADATA(p);
 757         meta->mm_root = P_INVALID;
 758         meta->mm_last_pg = 2;
 759
 760         q = (MDB_page *)((char *)p + env->me_head.mh_psize);
 761
 762         q->mp_pgno = 2;
 763         q->mp_flags = P_META;
 764
 765         meta = METADATA(q);
 766         meta->mm_root = P_INVALID;
 767         meta->mm_last_pg = 2;
 768
 769         rc = write(env->me_fd, p, env->me_head.mh_psize * 2);
 770         free(p);
 771         return (rc == env->me_head.mh_psize * 2) ? MDB_SUCCESS : errno;
 772 }
 773
 774 static int
 775 mdbenv_write_meta(MDB_txn *txn)
 776 {
 777         MDB_env *env;
 778         MDB_meta        meta;
 779         off_t off;
 780         int rc;
 781
 782         assert(txn != NULL);
 783         assert(txn->mt_env != NULL);
 784
 785         DPRINTF("writing meta page for root page %lu", txn->mt_root);
 786
 787         env = txn->mt_env;
 788
 789         bcopy(&env->me_meta, &meta, sizeof(meta));
 790         meta.mm_root = txn->mt_root;
 791         meta.mm_last_pg = txn->mt_next_pgno - 1;
 792         meta.mm_txnid = txn->mt_txnid;
 793
 794         off = env->me_head.mh_psize;
 795         if (!env->me_metatoggle)
 796                 off *= 2;
 797         off += PAGEHDRSZ;
 798
 799         lseek(env->me_fd, off, SEEK_SET);
 800         rc = write(env->me_fd, &meta, sizeof(meta));
 801         if (rc != sizeof(meta)) {
 802                 DPRINTF("write failed, disk error?");
 803                 return errno;
 804         }
 805
 806         return MDB_SUCCESS;
 807 }
 808
 809 /* Returns true if page p is a valid meta page, false otherwise.
 810  */
 811 static int
 812 mdb_check_meta_page(MDB_page *p)
 813 {
 814         if (!F_ISSET(p->mp_flags, P_META)) {
 815                 DPRINTF("page %lu not a meta page", p->mp_pgno);
 816                 return EINVAL;
 817         }
 818
 819         return 0;
 820 }
 821
 822 static int
 823 mdbenv_read_meta(MDB_env *env)
 824 {
 825         MDB_page        *mp0, *mp1;
 826         MDB_meta        *meta[2];
 827         int toggle = 0, rc;
 828
 829         assert(env != NULL);
 830
 831         if ((mp0 = mdbenv_get_page(env, 1)) == NULL ||
 832                 (mp1 = mdbenv_get_page(env, 2)) == NULL)
 833                 return EIO;
 834
 835         rc = mdb_check_meta_page(mp0);
 836         if (rc) return rc;
 837
 838         rc = mdb_check_meta_page(mp1);
 839         if (rc) return rc;
 840
 841         meta[0] = METADATA(mp0);
 842         meta[1] = METADATA(mp1);
 843
 844         if (meta[0]->mm_txnid < meta[1]->mm_txnid)
 845                 toggle = 1;
 846
 847         if (meta[toggle]->mm_txnid > env->me_meta.mm_txnid) {
 848                 bcopy(meta[toggle], &env->me_meta, sizeof(env->me_meta));
 849                 env->me_metatoggle = toggle;
 850         }
 851
 852         DPRINTF("Using meta page %d", toggle);
 853
 854         return MDB_SUCCESS;
 855 }
 856
 857 int
 858 mdbenv_create(MDB_env **env)
 859 {
 860         MDB_env *e;
 861
 862         e = calloc(1, sizeof(*e));
 863         if (!e) return ENOMEM;
 864
 865         e->me_head.mh_magic = MDB_MAGIC;
 866         e->me_head.mh_version = MDB_VERSION;
 867         e->me_head.mh_mapsize = DEFAULT_MAPSIZE;
 868         e->me_maxreaders = DEFAULT_READERS;
 869         e->me_db.md_env = e;
 870         *env = e;
 871         return MDB_SUCCESS;
 872 }
 873
 874 int
 875 mdbenv_set_mapsize(MDB_env *env, size_t size)
 876 {
 877         if (env->me_map)
 878                 return EINVAL;
 879         env->me_mapsize = env->me_head.mh_mapsize = size;
 880         return MDB_SUCCESS;
 881 }
 882
 883 int
 884 mdbenv_set_maxreaders(MDB_env *env, int readers)
 885 {
 886         env->me_maxreaders = readers;
 887         return MDB_SUCCESS;
 888 }
 889
 890 int
 891 mdbenv_get_maxreaders(MDB_env *env, int *readers)
 892 {
 893         if (!env || !readers)
 894                 return EINVAL;
 895         *readers = env->me_maxreaders;
 896         return MDB_SUCCESS;
 897 }
 898
 899 int
 900 mdbenv_open2(MDB_env *env, unsigned int flags)
 901 {
 902         int i, newenv = 0;
 903
 904         env->me_flags = flags;
 905         env->me_meta.mm_root = P_INVALID;
 906         env->me_meta.mm_last_pg = 2;
 907
 908         if ((i = mdbenv_read_header(env)) != 0) {
 909                 if (i != ENOENT)
 910                         return i;
 911                 DPRINTF("new mdbenv");
 912                 newenv = 1;
 913         }
 914
 915         if (!env->me_mapsize)
 916                 env->me_mapsize = env->me_head.mh_mapsize;
 917
 918         i = MAP_SHARED;
 919         if (env->me_head.mh_address && (flags & MDB_FIXEDMAP))
 920                 i |= MAP_FIXED;
 921         env->me_map = mmap(env->me_head.mh_address, env->me_mapsize, PROT_READ, i,
 922                 env->me_fd, 0);
 923         if (env->me_map == MAP_FAILED)
 924                 return errno;
 925
 926         if (newenv) {
 927                 env->me_head.mh_mapsize = env->me_mapsize;
 928                 if (flags & MDB_FIXEDMAP)
 929                         env->me_head.mh_address = env->me_map;
 930                 i = mdbenv_write_header(env);
 931                 if (i != MDB_SUCCESS) {
 932                         munmap(env->me_map, env->me_mapsize);
 933                         return i;
 934                 }
 935                 i = mdbenv_init_meta(env);
 936                 if (i != MDB_SUCCESS) {
 937                         munmap(env->me_map, env->me_mapsize);
 938                         return i;
 939                 }
 940         }
 941
 942         if ((i = mdbenv_read_meta(env)) != 0)
 943                 return i;
 944
 945         DPRINTF("opened database version %u, pagesize %u",
 946             env->me_head.mh_version, env->me_head.mh_psize);
 947         DPRINTF("depth: %u", env->me_meta.mm_stat.ms_depth);
 948         DPRINTF("entries: %lu", env->me_meta.mm_stat.ms_entries);
 949         DPRINTF("branch pages: %lu", env->me_meta.mm_stat.ms_branch_pages);
 950         DPRINTF("leaf pages: %lu", env->me_meta.mm_stat.ms_leaf_pages);
 951         DPRINTF("overflow pages: %lu", env->me_meta.mm_stat.ms_overflow_pages);
 952         DPRINTF("root: %lu", env->me_meta.mm_root);
 953
 954         return MDB_SUCCESS;
 955 }
 956
 957 static void
 958 mdbenv_reader_dest(void *ptr)
 959 {
 960         MDB_reader *reader = ptr;
 961
 962         reader->mr_txnid = 0;
 963         reader->mr_pid = 0;
 964         reader->mr_tid = 0;
 965 }
 966
 967 int
 968 mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
 969 {
 970         int             oflags, rc, shmid;
 971         off_t   size;
 972
 973
 974         if (F_ISSET(flags, MDB_RDONLY))
 975                 oflags = O_RDONLY;
 976         else
 977                 oflags = O_RDWR | O_CREAT;
 978
 979         if ((env->me_fd = open(path, oflags, mode)) == -1)
 980                 return errno;
 981
 982         env->me_shmkey = ftok(path, 'm');
 983         size = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
 984         shmid = shmget(env->me_shmkey, size, IPC_CREAT|IPC_EXCL|mode);
 985         if (shmid == -1) {
 986                 if (errno == EEXIST) {
 987                         shmid = shmget(env->me_shmkey, size, IPC_CREAT|mode);
 988                         if (shmid == -1)
 989                                 return errno;
 990                         env->me_txns = shmat(shmid, NULL, 0);
 991                         if (env->me_txns->mt_magic != MDB_MAGIC ||
 992                                 env->me_txns->mt_version != MDB_VERSION) {
 993                                         DPRINTF("invalid lock region %d", shmid);
 994                                         shmdt(env->me_txns);
 995                                         env->me_txns = NULL;
 996                                         return EIO;
 997                                 }
 998                 } else {
 999                         return errno;
1000                 }
1001         } else {
1002                 pthread_mutexattr_t mattr;
1003
1004                 env->me_txns = shmat(shmid, NULL, 0);
1005                 pthread_mutexattr_init(&mattr);
1006                 pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
1007                 pthread_mutex_init(&env->me_txns->mt_mutex, &mattr);
1008                 pthread_mutex_init(&env->me_txns->mt_wmutex, &mattr);
1009                 env->me_txns->mt_version = MDB_VERSION;
1010                 env->me_txns->mt_magic = MDB_MAGIC;
1011         }
1012
1013         if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
1014                 close(env->me_fd);
1015                 env->me_fd = -1;
1016         } else {
1017                 env->me_path = strdup(path);
1018                 DPRINTF("opened dbenv %p", env);
1019         }
1020
1021         pthread_key_create(&env->me_txkey, mdbenv_reader_dest);
1022
1023         return rc;
1024 }
1025
1026 void
1027 mdbenv_close(MDB_env *env)
1028 {
1029         if (env == NULL)
1030                 return;
1031
1032         free(env->me_path);
1033
1034         if (env->me_map) {
1035                 munmap(env->me_map, env->me_mapsize);
1036         }
1037         close(env->me_fd);
1038         if (env->me_txns) {
1039                 shmdt(env->me_txns);
1040         }
1041         free(env);
1042 }
1043
1044 /* Search for key within a leaf page, using binary search.
1045  * Returns the smallest entry larger or equal to the key.
1046  * If exactp is non-null, stores whether the found entry was an exact match
1047  * in *exactp (1 or 0).
1048  * If kip is non-null, stores the index of the found entry in *kip.
1049  * If no entry larger or equal to the key is found, returns NULL.
1050  */
1051 static MDB_node *
1052 mdb_search_node(MDB_db *bt, MDB_page *mp, MDB_val *key,
1053     int *exactp, unsigned int *kip)
1054 {
1055         unsigned int     i = 0;
1056         int              low, high;
1057         int              rc = 0;
1058         MDB_node        *node;
1059         MDB_val  nodekey;
1060
1061         DPRINTF("searching %lu keys in %s page %lu",
1062             NUMKEYS(mp),
1063             IS_LEAF(mp) ? "leaf" : "branch",
1064             mp->mp_pgno);
1065
1066         assert(NUMKEYS(mp) > 0);
1067
1068         bzero(&nodekey, sizeof(nodekey));
1069
1070         low = IS_LEAF(mp) ? 0 : 1;
1071         high = NUMKEYS(mp) - 1;
1072         while (low <= high) {
1073                 i = (low + high) >> 1;
1074                 node = NODEPTR(mp, i);
1075
1076                 nodekey.mv_size = node->mn_ksize;
1077                 nodekey.mv_data = NODEKEY(node);
1078
1079                 if (bt->md_cmp)
1080                         rc = bt->md_cmp(key, &nodekey);
1081                 else
1082                         rc = _mdb_cmp(bt, key, &nodekey);
1083
1084                 if (IS_LEAF(mp))
1085                         DPRINTF("found leaf index %u [%.*s], rc = %i",
1086                             i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
1087                 else
1088                         DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
1089                             i, (int)node->mn_ksize, (char *)NODEKEY(node),
1090                             node->mn_pgno, rc);
1091
1092                 if (rc == 0)
1093                         break;
1094                 if (rc > 0)
1095                         low = i + 1;
1096                 else
1097                         high = i - 1;
1098         }
1099
1100         if (rc > 0) {   /* Found entry is less than the key. */
1101                 i++;    /* Skip to get the smallest entry larger than key. */
1102                 if (i >= NUMKEYS(mp))
1103                         /* There is no entry larger or equal to the key. */
1104                         return NULL;
1105         }
1106         if (exactp)
1107                 *exactp = (rc == 0);
1108         if (kip)        /* Store the key index if requested. */
1109                 *kip = i;
1110
1111         return NODEPTR(mp, i);
1112 }
1113
1114 static void
1115 cursor_pop_page(MDB_cursor *cursor)
1116 {
1117         MDB_ppage       *top;
1118
1119         top = CURSOR_TOP(cursor);
1120         CURSOR_POP(cursor);
1121
1122         DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, cursor);
1123
1124         free(top);
1125 }
1126
1127 static MDB_ppage *
1128 cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
1129 {
1130         MDB_ppage       *ppage;
1131
1132         DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, cursor);
1133
1134         if ((ppage = calloc(1, sizeof(*ppage))) == NULL)
1135                 return NULL;
1136         ppage->mp_page = mp;
1137         CURSOR_PUSH(cursor, ppage);
1138         return ppage;
1139 }
1140
1141 static MDB_page *
1142 mdbenv_get_page(MDB_env *env, pgno_t pgno)
1143 {
1144         MDB_page *p = NULL;
1145         MDB_txn *txn = env->me_txn;
1146
1147         if (txn && pgno >= txn->mt_first_pgno &&
1148                 !SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
1149                 MDB_dpage *dp;
1150                 SIMPLEQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
1151                         if (dp->p.mp_pgno == pgno) {
1152                                 p = &dp->p;
1153                                 break;
1154                         }
1155                 }
1156         } else {
1157                 p = (MDB_page *)(env->me_map + env->me_head.mh_psize * pgno);
1158         }
1159         return p;
1160 }
1161
1162 static int
1163 mdb_search_page_root(MDB_db *bt, MDB_val *key,
1164     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1165 {
1166         MDB_page        *mp = mpp->mp_page;
1167         int rc;
1168
1169         if (cursor && cursor_push_page(cursor, mp) == NULL)
1170                 return MDB_FAIL;
1171
1172         while (IS_BRANCH(mp)) {
1173                 unsigned int     i = 0;
1174                 MDB_node        *node;
1175
1176                 DPRINTF("branch page %lu has %lu keys", mp->mp_pgno, NUMKEYS(mp));
1177                 assert(NUMKEYS(mp) > 1);
1178                 DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
1179
1180                 if (key == NULL)        /* Initialize cursor to first page. */
1181                         i = 0;
1182                 else {
1183                         int      exact;
1184                         node = mdb_search_node(bt, mp, key, &exact, &i);
1185                         if (node == NULL)
1186                                 i = NUMKEYS(mp) - 1;
1187                         else if (!exact) {
1188                                 assert(i > 0);
1189                                 i--;
1190                         }
1191                 }
1192
1193                 if (key)
1194                         DPRINTF("following index %u for key %.*s",
1195                             i, (int)key->mv_size, (char *)key->mv_data);
1196                 assert(i >= 0 && i < NUMKEYS(mp));
1197                 node = NODEPTR(mp, i);
1198
1199                 if (cursor)
1200                         CURSOR_TOP(cursor)->mp_ki = i;
1201
1202                 mpp->mp_parent = mp;
1203                 if ((mp = mdbenv_get_page(bt->md_env, NODEPGNO(node))) == NULL)
1204                         return MDB_FAIL;
1205                 mpp->mp_pi = i;
1206                 mpp->mp_page = mp;
1207
1208                 if (cursor && cursor_push_page(cursor, mp) == NULL)
1209                         return MDB_FAIL;
1210
1211                 if (modify) {
1212                         MDB_dhead *dh = ((MDB_dhead *)mp)-1;
1213                         if (rc = mdb_touch(bt->md_env->me_txn, mpp))
1214                                 return rc;
1215                         dh = ((MDB_dhead *)mpp->mp_page)-1;
1216                         dh->md_parent = mpp->mp_parent;
1217                         dh->md_pi = mpp->mp_pi;
1218                 }
1219
1220                 mp = mpp->mp_page;
1221         }
1222
1223         if (!IS_LEAF(mp)) {
1224                 DPRINTF("internal error, index points to a %02X page!?",
1225                     mp->mp_flags);
1226                 return MDB_FAIL;
1227         }
1228
1229         DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
1230             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
1231
1232         return MDB_SUCCESS;
1233 }
1234
1235 /* Search for the page a given key should be in.
1236  * Stores a pointer to the found page in *mpp.
1237  * If key is NULL, search for the lowest page (used by mdb_cursor_first).
1238  * If cursor is non-null, pushes parent pages on the cursor stack.
1239  * If modify is true, visited pages are updated with new page numbers.
1240  */
1241 static int
1242 mdb_search_page(MDB_db *db, MDB_txn *txn, MDB_val *key,
1243     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1244 {
1245         int              rc;
1246         pgno_t           root;
1247
1248         /* Can't modify pages outside a transaction. */
1249         if (txn == NULL && modify) {
1250                 return EINVAL;
1251         }
1252
1253         /* Choose which root page to start with. If a transaction is given
1254          * use the root page from the transaction, otherwise read the last
1255          * committed root page.
1256          */
1257         if (txn == NULL) {
1258                 if ((rc = mdbenv_read_meta(db->md_env)) != MDB_SUCCESS)
1259                         return rc;
1260                 root = db->md_env->me_meta.mm_root;
1261         } else if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
1262                 DPRINTF("transaction has failed, must abort");
1263                 return EINVAL;
1264         } else
1265                 root = txn->mt_root;
1266
1267         if (root == P_INVALID) {                /* Tree is empty. */
1268                 DPRINTF("tree is empty");
1269                 return ENOENT;
1270         }
1271
1272         if ((mpp->mp_page = mdbenv_get_page(db->md_env, root)) == NULL)
1273                 return MDB_FAIL;
1274
1275         DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
1276
1277         if (modify && !F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
1278                 mpp->mp_parent = NULL;
1279                 mpp->mp_pi = 0;
1280                 if ((rc = mdb_touch(txn, mpp)))
1281                         return rc;
1282                 txn->mt_root = mpp->mp_page->mp_pgno;
1283         }
1284
1285         return mdb_search_page_root(db, key, cursor, modify, mpp);
1286 }
1287
1288 static int
1289 mdb_read_data(MDB_db *db, MDB_page *mp, MDB_node *leaf,
1290     MDB_val *data)
1291 {
1292         MDB_page        *omp;           /* overflow mpage */
1293         size_t           psz;
1294         size_t           max;
1295         size_t           sz = 0;
1296         pgno_t           pgno;
1297
1298         bzero(data, sizeof(*data));
1299         max = db->md_env->me_head.mh_psize - PAGEHDRSZ;
1300
1301         if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
1302                 data->mv_size = leaf->mn_dsize;
1303                 data->mv_data = NODEDATA(leaf);
1304                 return MDB_SUCCESS;
1305         }
1306
1307         /* Read overflow data.
1308          */
1309         data->mv_size = leaf->mn_dsize;
1310         bcopy(NODEDATA(leaf), &pgno, sizeof(pgno));
1311         if ((omp = mdbenv_get_page(db->md_env, pgno)) == NULL) {
1312                 DPRINTF("read overflow page %lu failed", pgno);
1313                 return MDB_FAIL;
1314         }
1315         data->mv_data = omp;
1316
1317         return MDB_SUCCESS;
1318 }
1319
1320 int
1321 mdb_get(MDB_db *db, MDB_txn *txn,
1322     MDB_val *key, MDB_val *data)
1323 {
1324         int              rc, exact;
1325         MDB_node        *leaf;
1326         MDB_pageparent mpp;
1327
1328         assert(key);
1329         assert(data);
1330         DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
1331
1332         if (db == NULL)
1333                 return EINVAL;
1334
1335         if (txn != NULL && db->md_env != txn->mt_env) {
1336                 return EINVAL;
1337         }
1338
1339         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1340                 return EINVAL;
1341         }
1342
1343         if ((rc = mdb_search_page(db, txn, key, NULL, 0, &mpp)) != MDB_SUCCESS)
1344                 return rc;
1345
1346         leaf = mdb_search_node(db, mpp.mp_page, key, &exact, NULL);
1347         if (leaf && exact)
1348                 rc = mdb_read_data(db, mpp.mp_page, leaf, data);
1349         else {
1350                 rc = ENOENT;
1351         }
1352
1353         return rc;
1354 }
1355
1356 static int
1357 mdb_sibling(MDB_cursor *cursor, int move_right)
1358 {
1359         int              rc;
1360         MDB_node        *indx;
1361         MDB_ppage       *parent, *top;
1362         MDB_page        *mp;
1363
1364         top = CURSOR_TOP(cursor);
1365         if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
1366                 return ENOENT;          /* root has no siblings */
1367         }
1368
1369         DPRINTF("parent page is page %lu, index %u",
1370             parent->mp_page->mp_pgno, parent->mp_ki);
1371
1372         cursor_pop_page(cursor);
1373         if (move_right ? (parent->mp_ki + 1 >= NUMKEYS(parent->mp_page))
1374                        : (parent->mp_ki == 0)) {
1375                 DPRINTF("no more keys left, moving to %s sibling",
1376                     move_right ? "right" : "left");
1377                 if ((rc = mdb_sibling(cursor, move_right)) != MDB_SUCCESS)
1378                         return rc;
1379                 parent = CURSOR_TOP(cursor);
1380         } else {
1381                 if (move_right)
1382                         parent->mp_ki++;
1383                 else
1384                         parent->mp_ki--;
1385                 DPRINTF("just moving to %s index key %u",
1386                     move_right ? "right" : "left", parent->mp_ki);
1387         }
1388         assert(IS_BRANCH(parent->mp_page));
1389
1390         indx = NODEPTR(parent->mp_page, parent->mp_ki);
1391         if ((mp = mdbenv_get_page(cursor->mc_db->md_env, indx->mn_pgno)) == NULL)
1392                 return MDB_FAIL;
1393 #if 0
1394         mp->parent = parent->mp_page;
1395         mp->parent_index = parent->mp_ki;
1396 #endif
1397
1398         cursor_push_page(cursor, mp);
1399
1400         return MDB_SUCCESS;
1401 }
1402
1403 static int
1404 mdb_set_key(MDB_db *bt, MDB_page *mp, MDB_node *node,
1405     MDB_val *key)
1406 {
1407         if (key == NULL)
1408                 return 0;
1409
1410         key->mv_size = node->mn_ksize;
1411         key->mv_data = NODEKEY(node);
1412
1413         return 0;
1414 }
1415
1416 static int
1417 mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1418 {
1419         MDB_ppage       *top;
1420         MDB_page        *mp;
1421         MDB_node        *leaf;
1422
1423         if (cursor->mc_eof) {
1424                 return ENOENT;
1425         }
1426
1427         assert(cursor->mc_initialized);
1428
1429         top = CURSOR_TOP(cursor);
1430         mp = top->mp_page;
1431
1432         DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, cursor);
1433
1434         if (top->mp_ki + 1 >= NUMKEYS(mp)) {
1435                 DPRINTF("=====> move to next sibling page");
1436                 if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
1437                         cursor->mc_eof = 1;
1438                         return ENOENT;
1439                 }
1440                 top = CURSOR_TOP(cursor);
1441                 mp = top->mp_page;
1442                 DPRINTF("next page is %lu, key index %u", mp->mp_pgno, top->mp_ki);
1443         } else
1444                 top->mp_ki++;
1445
1446         DPRINTF("==> cursor points to page %lu with %lu keys, key index %u",
1447             mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
1448
1449         assert(IS_LEAF(mp));
1450         leaf = NODEPTR(mp, top->mp_ki);
1451
1452         if (data && mdb_read_data(cursor->mc_db, mp, leaf, data) != MDB_SUCCESS)
1453                 return MDB_FAIL;
1454
1455         return mdb_set_key(cursor->mc_db, mp, leaf, key);
1456 }
1457
1458 static int
1459 mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1460     int *exactp)
1461 {
1462         int              rc;
1463         MDB_node        *leaf;
1464         MDB_ppage       *top;
1465         MDB_pageparent mpp;
1466
1467         assert(cursor);
1468         assert(key);
1469         assert(key->mv_size > 0);
1470
1471         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, key, cursor, 0, &mpp);
1472         if (rc != MDB_SUCCESS)
1473                 return rc;
1474         assert(IS_LEAF(mpp.mp_page));
1475
1476         top = CURSOR_TOP(cursor);
1477         leaf = mdb_search_node(cursor->mc_db, mpp.mp_page, key, exactp, &top->mp_ki);
1478         if (exactp != NULL && !*exactp) {
1479                 /* MDB_CURSOR_EXACT specified and not an exact match. */
1480                 return ENOENT;
1481         }
1482
1483         if (leaf == NULL) {
1484                 DPRINTF("===> inexact leaf not found, goto sibling");
1485                 if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
1486                         return rc;              /* no entries matched */
1487                 top = CURSOR_TOP(cursor);
1488                 top->mp_ki = 0;
1489                 mpp.mp_page = top->mp_page;
1490                 assert(IS_LEAF(mpp.mp_page));
1491                 leaf = NODEPTR(mpp.mp_page, 0);
1492         }
1493
1494         cursor->mc_initialized = 1;
1495         cursor->mc_eof = 0;
1496
1497         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1498                 return rc;
1499
1500         rc = mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1501         if (rc == MDB_SUCCESS) {
1502                 DPRINTF("==> cursor placed on key %.*s",
1503                         (int)key->mv_size, (char *)key->mv_data);
1504                 ;
1505         }
1506
1507         return rc;
1508 }
1509
1510 static int
1511 mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1512 {
1513         int              rc;
1514         MDB_pageparent  mpp;
1515         MDB_node        *leaf;
1516
1517         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, NULL, cursor, 0, &mpp);
1518         if (rc != MDB_SUCCESS)
1519                 return rc;
1520         assert(IS_LEAF(mpp.mp_page));
1521
1522         leaf = NODEPTR(mpp.mp_page, 0);
1523         cursor->mc_initialized = 1;
1524         cursor->mc_eof = 0;
1525
1526         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1527                 return rc;
1528
1529         return mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1530 }
1531
1532 int
1533 mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1534     MDB_cursor_op op)
1535 {
1536         int              rc;
1537         int              exact = 0;
1538
1539         assert(cursor);
1540
1541         switch (op) {
1542         case MDB_CURSOR:
1543         case MDB_CURSOR_EXACT:
1544                 while (CURSOR_TOP(cursor) != NULL)
1545                         cursor_pop_page(cursor);
1546                 if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1547                         rc = EINVAL;
1548                 } else if (op == MDB_CURSOR_EXACT)
1549                         rc = mdb_cursor_set(cursor, key, data, &exact);
1550                 else
1551                         rc = mdb_cursor_set(cursor, key, data, NULL);
1552                 break;
1553         case MDB_NEXT:
1554                 if (!cursor->mc_initialized)
1555                         rc = mdb_cursor_first(cursor, key, data);
1556                 else
1557                         rc = mdb_cursor_next(cursor, key, data);
1558                 break;
1559         case MDB_FIRST:
1560                 while (CURSOR_TOP(cursor) != NULL)
1561                         cursor_pop_page(cursor);
1562                 rc = mdb_cursor_first(cursor, key, data);
1563                 break;
1564         default:
1565                 DPRINTF("unhandled/unimplemented cursor operation %u", op);
1566                 rc = EINVAL;
1567                 break;
1568         }
1569
1570         return rc;
1571 }
1572
1573 /* Allocate a page and initialize it
1574  */
1575 static MDB_dpage *
1576 mdbenv_new_page(MDB_env *env, uint32_t flags, int num)
1577 {
1578         MDB_dpage       *dp;
1579
1580         assert(env != NULL);
1581         assert(env->me_txn != NULL);
1582
1583         DPRINTF("allocating new mpage %lu, page size %u",
1584             env->me_txn->mt_next_pgno, env->me_head.mh_psize);
1585         if ((dp = mdb_newpage(env->me_txn, NULL, 0, num)) == NULL)
1586                 return NULL;
1587         dp->p.mp_flags = flags | P_DIRTY;
1588         dp->p.mp_lower = PAGEHDRSZ;
1589         dp->p.mp_upper = env->me_head.mh_psize;
1590
1591         if (IS_BRANCH(&dp->p))
1592                 env->me_meta.mm_stat.ms_branch_pages++;
1593         else if (IS_LEAF(&dp->p))
1594                 env->me_meta.mm_stat.ms_leaf_pages++;
1595         else if (IS_OVERFLOW(&dp->p)) {
1596                 env->me_meta.mm_stat.ms_overflow_pages += num;
1597                 dp->p.mp_pages = num;
1598         }
1599
1600         return dp;
1601 }
1602
1603 static size_t
1604 mdb_leaf_size(MDB_db *db, MDB_val *key, MDB_val *data)
1605 {
1606         size_t           sz;
1607
1608         sz = LEAFSIZE(key, data);
1609         if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1610                 /* put on overflow page */
1611                 sz -= data->mv_size - sizeof(pgno_t);
1612         }
1613
1614         return sz + sizeof(indx_t);
1615 }
1616
1617 static size_t
1618 mdb_branch_size(MDB_db *db, MDB_val *key)
1619 {
1620         size_t           sz;
1621
1622         sz = INDXSIZE(key);
1623         if (sz >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1624                 /* put on overflow page */
1625                 /* not implemented */
1626                 /* sz -= key->size - sizeof(pgno_t); */
1627         }
1628
1629         return sz + sizeof(indx_t);
1630 }
1631
1632 static int
1633 mdb_add_node(MDB_db *db, MDB_page *mp, indx_t indx,
1634     MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
1635 {
1636         unsigned int     i;
1637         size_t           node_size = NODESIZE;
1638         indx_t           ofs;
1639         MDB_node        *node;
1640         MDB_dpage       *ofp = NULL;            /* overflow page */
1641
1642         assert(mp->mp_upper >= mp->mp_lower);
1643
1644         DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
1645             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
1646             IS_LEAF(mp) ? "leaf" : "branch",
1647             mp->mp_pgno, indx, key ? key->mv_size : 0);
1648
1649         if (key != NULL)
1650                 node_size += key->mv_size;
1651
1652         if (IS_LEAF(mp)) {
1653                 assert(data);
1654                 if (F_ISSET(flags, F_BIGDATA)) {
1655                         /* Data already on overflow page. */
1656                         node_size += sizeof(pgno_t);
1657                 } else if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1658                         int ovpages = PAGEHDRSZ + data->mv_size + db->md_env->me_head.mh_psize - 1;
1659                         ovpages /= db->md_env->me_head.mh_psize;
1660                         /* Put data on overflow page. */
1661                         DPRINTF("data size is %zu, put on overflow page",
1662                             data->mv_size);
1663                         node_size += sizeof(pgno_t);
1664                         if ((ofp = mdbenv_new_page(db->md_env, P_OVERFLOW, ovpages)) == NULL)
1665                                 return MDB_FAIL;
1666                         DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
1667                         flags |= F_BIGDATA;
1668                 } else {
1669                         node_size += data->mv_size;
1670                 }
1671         }
1672
1673         if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
1674                 DPRINTF("not enough room in page %lu, got %lu ptrs",
1675                     mp->mp_pgno, NUMKEYS(mp));
1676                 DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
1677                     mp->mp_upper - mp->mp_lower);
1678                 DPRINTF("node size = %zu", node_size);
1679                 return ENOSPC;
1680         }
1681
1682         /* Move higher pointers up one slot. */
1683         for (i = NUMKEYS(mp); i > indx; i--)
1684                 mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
1685
1686         /* Adjust free space offsets. */
1687         ofs = mp->mp_upper - node_size;
1688         assert(ofs >= mp->mp_lower + sizeof(indx_t));
1689         mp->mp_ptrs[indx] = ofs;
1690         mp->mp_upper = ofs;
1691         mp->mp_lower += sizeof(indx_t);
1692
1693         /* Write the node data. */
1694         node = NODEPTR(mp, indx);
1695         node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
1696         node->mn_flags = flags;
1697         if (IS_LEAF(mp))
1698                 node->mn_dsize = data->mv_size;
1699         else
1700                 node->mn_pgno = pgno;
1701
1702         if (key)
1703                 bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1704
1705         if (IS_LEAF(mp)) {
1706                 assert(key);
1707                 if (ofp == NULL) {
1708                         if (F_ISSET(flags, F_BIGDATA))
1709                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1710                                     sizeof(pgno_t));
1711                         else
1712                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1713                                     data->mv_size);
1714                 } else {
1715                         bcopy(&ofp->p.mp_pgno, node->mn_data + key->mv_size,
1716                             sizeof(pgno_t));
1717                         bcopy(data->mv_data, METADATA(&ofp->p), data->mv_size);
1718                 }
1719         }
1720
1721         return MDB_SUCCESS;
1722 }
1723
1724 static void
1725 mdb_del_node(MDB_db *db, MDB_page *mp, indx_t indx)
1726 {
1727         unsigned int     sz;
1728         indx_t           i, j, numkeys, ptr;
1729         MDB_node        *node;
1730         char            *base;
1731
1732         DPRINTF("delete node %u on %s page %lu", indx,
1733             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
1734         assert(indx < NUMKEYS(mp));
1735
1736         node = NODEPTR(mp, indx);
1737         sz = NODESIZE + node->mn_ksize;
1738         if (IS_LEAF(mp)) {
1739                 if (F_ISSET(node->mn_flags, F_BIGDATA))
1740                         sz += sizeof(pgno_t);
1741                 else
1742                         sz += NODEDSZ(node);
1743         }
1744
1745         ptr = mp->mp_ptrs[indx];
1746         numkeys = NUMKEYS(mp);
1747         for (i = j = 0; i < numkeys; i++) {
1748                 if (i != indx) {
1749                         mp->mp_ptrs[j] = mp->mp_ptrs[i];
1750                         if (mp->mp_ptrs[i] < ptr)
1751                                 mp->mp_ptrs[j] += sz;
1752                         j++;
1753                 }
1754         }
1755
1756         base = (char *)mp + mp->mp_upper;
1757         bcopy(base, base + sz, ptr - mp->mp_upper);
1758
1759         mp->mp_lower -= sizeof(indx_t);
1760         mp->mp_upper += sz;
1761 }
1762
1763 int
1764 mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **ret)
1765 {
1766         MDB_cursor      *cursor;
1767
1768         if (db == NULL || ret == NULL)
1769                 return EINVAL;
1770
1771         if (txn != NULL && db->md_env != txn->mt_env) {
1772                 return EINVAL;
1773         }
1774
1775         if ((cursor = calloc(1, sizeof(*cursor))) != NULL) {
1776                 SLIST_INIT(&cursor->mc_stack);
1777                 cursor->mc_db = db;
1778                 cursor->mc_txn = txn;
1779         }
1780
1781         *ret = cursor;
1782
1783         return MDB_SUCCESS;
1784 }
1785
1786 void
1787 mdb_cursor_close(MDB_cursor *cursor)
1788 {
1789         if (cursor != NULL) {
1790                 while (!CURSOR_EMPTY(cursor))
1791                         cursor_pop_page(cursor);
1792
1793 /*              btree_close(cursor->bt); */
1794                 free(cursor);
1795         }
1796 }
1797
1798 static int
1799 mdb_update_key(MDB_db *db, MDB_page *mp, indx_t indx,
1800     MDB_val *key)
1801 {
1802         indx_t                   ptr, i, numkeys;
1803         int                      delta;
1804         size_t                   len;
1805         MDB_node                *node;
1806         char                    *base;
1807
1808         node = NODEPTR(mp, indx);
1809         ptr = mp->mp_ptrs[indx];
1810         DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
1811             indx, ptr,
1812             (int)node->mn_ksize, (char *)NODEKEY(node),
1813             (int)key->mv_size, (char *)key->mv_data,
1814             mp->mp_pgno);
1815
1816         delta = key->mv_size - node->mn_ksize;
1817         if (delta) {
1818                 if (delta > 0 && SIZELEFT(mp) < delta) {
1819                         DPRINTF("OUCH! Not enough room, delta = %d", delta);
1820                         return ENOSPC;
1821                 }
1822
1823                 numkeys = NUMKEYS(mp);
1824                 for (i = 0; i < numkeys; i++) {
1825                         if (mp->mp_ptrs[i] <= ptr)
1826                                 mp->mp_ptrs[i] -= delta;
1827                 }
1828
1829                 base = (char *)mp + mp->mp_upper;
1830                 len = ptr - mp->mp_upper + NODESIZE;
1831                 bcopy(base, base - delta, len);
1832                 mp->mp_upper -= delta;
1833
1834                 node = NODEPTR(mp, indx);
1835                 node->mn_ksize = key->mv_size;
1836         }
1837
1838         bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1839
1840         return MDB_SUCCESS;
1841 }
1842
1843 /* Move a node from src to dst.
1844  */
1845 static int
1846 mdb_move_node(MDB_db *bt, MDB_pageparent *src, indx_t srcindx,
1847     MDB_pageparent *dst, indx_t dstindx)
1848 {
1849         int                      rc;
1850         MDB_node                *srcnode;
1851         MDB_val          key, data;
1852
1853         srcnode = NODEPTR(src->mp_page, srcindx);
1854         DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
1855             IS_LEAF(src->mp_page) ? "leaf" : "branch",
1856             srcindx,
1857             (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
1858             src->mp_page->mp_pgno,
1859             dstindx, dst->mp_page->mp_pgno);
1860
1861         /* Mark src and dst as dirty. */
1862         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1863             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1864                 return rc;;
1865
1866         /* Add the node to the destination page.
1867          */
1868         key.mv_size = srcnode->mn_ksize;
1869         key.mv_data = NODEKEY(srcnode);
1870         data.mv_size = NODEDSZ(srcnode);
1871         data.mv_data = NODEDATA(srcnode);
1872         rc = mdb_add_node(bt, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
1873             srcnode->mn_flags);
1874         if (rc != MDB_SUCCESS)
1875                 return rc;
1876
1877         /* Delete the node from the source page.
1878          */
1879         mdb_del_node(bt, src->mp_page, srcindx);
1880
1881         /* Update the parent separators.
1882          */
1883         if (srcindx == 0 && src->mp_pi != 0) {
1884                 DPRINTF("update separator for source page %lu to [%.*s]",
1885                     src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1886                 if ((rc = mdb_update_key(bt, src->mp_parent, src->mp_pi,
1887                     &key)) != MDB_SUCCESS)
1888                         return rc;
1889         }
1890
1891         if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
1892                 MDB_val  nullkey;
1893                 nullkey.mv_size = 0;
1894                 assert(mdb_update_key(bt, src->mp_page, 0, &nullkey) == MDB_SUCCESS);
1895         }
1896
1897         if (dstindx == 0 && dst->mp_pi != 0) {
1898                 DPRINTF("update separator for destination page %lu to [%.*s]",
1899                     dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1900                 if ((rc = mdb_update_key(bt, dst->mp_parent, dst->mp_pi,
1901                     &key)) != MDB_SUCCESS)
1902                         return rc;
1903         }
1904
1905         if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
1906                 MDB_val  nullkey;
1907                 nullkey.mv_size = 0;
1908                 assert(mdb_update_key(bt, dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
1909         }
1910
1911         return MDB_SUCCESS;
1912 }
1913
1914 static int
1915 mdb_merge(MDB_db *bt, MDB_pageparent *src, MDB_pageparent *dst)
1916 {
1917         int                      rc;
1918         indx_t                   i;
1919         MDB_node                *srcnode;
1920         MDB_val          key, data;
1921         MDB_pageparent  mpp;
1922         MDB_dhead *dh;
1923
1924         DPRINTF("merging page %lu and %lu", src->mp_page->mp_pgno, dst->mp_page->mp_pgno);
1925
1926         assert(src->mp_parent); /* can't merge root page */
1927         assert(dst->mp_parent);
1928         assert(bt->md_env->me_txn != NULL);
1929
1930         /* Mark src and dst as dirty. */
1931         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1932             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1933                 return rc;
1934
1935         /* Move all nodes from src to dst.
1936          */
1937         for (i = 0; i < NUMKEYS(src->mp_page); i++) {
1938                 srcnode = NODEPTR(src->mp_page, i);
1939
1940                 key.mv_size = srcnode->mn_ksize;
1941                 key.mv_data = NODEKEY(srcnode);
1942                 data.mv_size = NODEDSZ(srcnode);
1943                 data.mv_data = NODEDATA(srcnode);
1944                 rc = mdb_add_node(bt, dst->mp_page, NUMKEYS(dst->mp_page), &key,
1945                     &data, NODEPGNO(srcnode), srcnode->mn_flags);
1946                 if (rc != MDB_SUCCESS)
1947                         return rc;
1948         }
1949
1950         DPRINTF("dst page %lu now has %lu keys (%.1f%% filled)",
1951             dst->mp_page->mp_pgno, NUMKEYS(dst->mp_page), (float)PAGEFILL(bt->md_env, dst->mp_page) / 10);
1952
1953         /* Unlink the src page from parent.
1954          */
1955         mdb_del_node(bt, src->mp_parent, src->mp_pi);
1956         if (src->mp_pi == 0) {
1957                 key.mv_size = 0;
1958                 if ((rc = mdb_update_key(bt, src->mp_parent, 0, &key)) != MDB_SUCCESS)
1959                         return rc;
1960         }
1961
1962         if (IS_LEAF(src->mp_page))
1963                 bt->md_env->me_meta.mm_stat.ms_leaf_pages--;
1964         else
1965                 bt->md_env->me_meta.mm_stat.ms_branch_pages--;
1966
1967         mpp.mp_page = src->mp_parent;
1968         dh = (MDB_dhead *)src->mp_parent;
1969         dh--;
1970         mpp.mp_parent = dh->md_parent;
1971         mpp.mp_pi = dh->md_pi;
1972
1973         return mdb_rebalance(bt, &mpp);
1974 }
1975
1976 #define FILL_THRESHOLD   250
1977
1978 static int
1979 mdb_rebalance(MDB_db *db, MDB_pageparent *mpp)
1980 {
1981         MDB_node        *node;
1982         MDB_page        *root;
1983         MDB_pageparent npp;
1984         indx_t           si = 0, di = 0;
1985
1986         assert(db != NULL);
1987         assert(db->md_env->me_txn != NULL);
1988         assert(mpp != NULL);
1989
1990         DPRINTF("rebalancing %s page %lu (has %lu keys, %.1f%% full)",
1991             IS_LEAF(mpp->mp_page) ? "leaf" : "branch",
1992             mpp->mp_page->mp_pgno, NUMKEYS(mpp->mp_page), (float)PAGEFILL(db->md_env, mpp->mp_page) / 10);
1993
1994         if (PAGEFILL(db->md_env, mpp->mp_page) >= FILL_THRESHOLD) {
1995                 DPRINTF("no need to rebalance page %lu, above fill threshold",
1996                     mpp->mp_page->mp_pgno);
1997                 return MDB_SUCCESS;
1998         }
1999
2000         if (mpp->mp_parent == NULL) {
2001                 if (NUMKEYS(mpp->mp_page) == 0) {
2002                         DPRINTF("tree is completely empty");
2003                         db->md_env->me_txn->mt_root = P_INVALID;
2004                         db->md_env->me_meta.mm_stat.ms_depth--;
2005                         db->md_env->me_meta.mm_stat.ms_leaf_pages--;
2006                 } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
2007                         DPRINTF("collapsing root page!");
2008                         db->md_env->me_txn->mt_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
2009                         if ((root = mdbenv_get_page(db->md_env, db->md_env->me_txn->mt_root)) == NULL)
2010                                 return MDB_FAIL;
2011                         db->md_env->me_meta.mm_stat.ms_depth--;
2012                         db->md_env->me_meta.mm_stat.ms_branch_pages--;
2013                 } else
2014                         DPRINTF("root page doesn't need rebalancing");
2015                 return MDB_SUCCESS;
2016         }
2017
2018         /* The parent (branch page) must have at least 2 pointers,
2019          * otherwise the tree is invalid.
2020          */
2021         assert(NUMKEYS(mpp->mp_parent) > 1);
2022
2023         /* Leaf page fill factor is below the threshold.
2024          * Try to move keys from left or right neighbor, or
2025          * merge with a neighbor page.
2026          */
2027
2028         /* Find neighbors.
2029          */
2030         if (mpp->mp_pi == 0) {
2031                 /* We're the leftmost leaf in our parent.
2032                  */
2033                 DPRINTF("reading right neighbor");
2034                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
2035                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2036                         return MDB_FAIL;
2037                 npp.mp_pi = mpp->mp_pi + 1;
2038                 si = 0;
2039                 di = NUMKEYS(mpp->mp_page);
2040         } else {
2041                 /* There is at least one neighbor to the left.
2042                  */
2043                 DPRINTF("reading left neighbor");
2044                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
2045                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2046                         return MDB_FAIL;
2047                 npp.mp_pi = mpp->mp_pi - 1;
2048                 si = NUMKEYS(npp.mp_page) - 1;
2049                 di = 0;
2050         }
2051         npp.mp_parent = mpp->mp_parent;
2052
2053         DPRINTF("found neighbor page %lu (%lu keys, %.1f%% full)",
2054             npp.mp_page->mp_pgno, NUMKEYS(npp.mp_page), (float)PAGEFILL(db->md_env, npp.mp_page) / 10);
2055
2056         /* If the neighbor page is above threshold and has at least two
2057          * keys, move one key from it.
2058          *
2059          * Otherwise we should try to merge them.
2060          */
2061         if (PAGEFILL(db->md_env, npp.mp_page) >= FILL_THRESHOLD && NUMKEYS(npp.mp_page) >= 2)
2062                 return mdb_move_node(db, &npp, si, mpp, di);
2063         else { /* FIXME: if (has_enough_room()) */
2064                 if (mpp->mp_pi == 0)
2065                         return mdb_merge(db, &npp, mpp);
2066                 else
2067                         return mdb_merge(db, mpp, &npp);
2068         }
2069 }
2070
2071 int
2072 mdb_del(MDB_db *bt, MDB_txn *txn,
2073     MDB_val *key, MDB_val *data)
2074 {
2075         int              rc, exact;
2076         unsigned int     ki;
2077         MDB_node        *leaf;
2078         MDB_pageparent  mpp;
2079
2080         DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
2081
2082         assert(key != NULL);
2083
2084         if (bt == NULL || txn == NULL)
2085                 return EINVAL;
2086
2087         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2088                 return EINVAL;
2089         }
2090
2091         if (bt->md_env->me_txn != txn) {
2092                 return EINVAL;
2093         }
2094
2095         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2096                 return EINVAL;
2097         }
2098
2099         if ((rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp)) != MDB_SUCCESS)
2100                 return rc;
2101
2102         leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2103         if (leaf == NULL || !exact) {
2104                 return ENOENT;
2105         }
2106
2107         if (data && (rc = mdb_read_data(bt, NULL, leaf, data)) != MDB_SUCCESS)
2108                 return rc;
2109
2110         mdb_del_node(bt, mpp.mp_page, ki);
2111         bt->md_env->me_meta.mm_stat.ms_entries--;
2112         rc = mdb_rebalance(bt, &mpp);
2113         if (rc != MDB_SUCCESS)
2114                 txn->mt_flags |= MDB_TXN_ERROR;
2115
2116         return rc;
2117 }
2118
2119 /* Split page <*mpp>, and insert <key,(data|newpgno)> in either left or
2120  * right sibling, at index <*newindxp> (as if unsplit). Updates *mpp and
2121  * *newindxp with the actual values after split, ie if *mpp and *newindxp
2122  * refer to a node in the new right sibling page.
2123  */
2124 static int
2125 mdb_split(MDB_db *bt, MDB_page **mpp, unsigned int *newindxp,
2126     MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
2127 {
2128         uint8_t          flags;
2129         int              rc = MDB_SUCCESS, ins_new = 0;
2130         indx_t           newindx;
2131         pgno_t           pgno = 0;
2132         unsigned int     i, j, split_indx;
2133         MDB_node        *node;
2134         MDB_page        *pright, *p;
2135         MDB_val  sepkey, rkey, rdata;
2136         MDB_page        *copy;
2137         MDB_dpage       *mdp, *rdp, *pdp;
2138         MDB_dhead *dh;
2139
2140         assert(bt != NULL);
2141         assert(bt->md_env != NULL);
2142
2143         dh = ((MDB_dhead *)*mpp) - 1;
2144         mdp = (MDB_dpage *)dh;
2145         newindx = *newindxp;
2146
2147         DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
2148             IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
2149             (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
2150
2151         if (mdp->h.md_parent == NULL) {
2152                 if ((pdp = mdbenv_new_page(bt->md_env, P_BRANCH, 1)) == NULL)
2153                         return MDB_FAIL;
2154                 mdp->h.md_pi = 0;
2155                 mdp->h.md_parent = &pdp->p;
2156                 bt->md_env->me_txn->mt_root = pdp->p.mp_pgno;
2157                 DPRINTF("root split! new root = %lu", pdp->p.mp_pgno);
2158                 bt->md_env->me_meta.mm_stat.ms_depth++;
2159
2160                 /* Add left (implicit) pointer. */
2161                 if (mdb_add_node(bt, &pdp->p, 0, NULL, NULL,
2162                     mdp->p.mp_pgno, 0) != MDB_SUCCESS)
2163                         return MDB_FAIL;
2164         } else {
2165                 DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
2166         }
2167
2168         /* Create a right sibling. */
2169         if ((rdp = mdbenv_new_page(bt->md_env, mdp->p.mp_flags, 1)) == NULL)
2170                 return MDB_FAIL;
2171         rdp->h.md_parent = mdp->h.md_parent;
2172         rdp->h.md_pi = mdp->h.md_pi + 1;
2173         DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
2174
2175         /* Move half of the keys to the right sibling. */
2176         if ((copy = malloc(bt->md_env->me_head.mh_psize)) == NULL)
2177                 return MDB_FAIL;
2178         bcopy(&mdp->p, copy, bt->md_env->me_head.mh_psize);
2179         bzero(&mdp->p.mp_ptrs, bt->md_env->me_head.mh_psize - PAGEHDRSZ);
2180         mdp->p.mp_lower = PAGEHDRSZ;
2181         mdp->p.mp_upper = bt->md_env->me_head.mh_psize;
2182
2183         split_indx = NUMKEYS(copy) / 2 + 1;
2184
2185         /* First find the separating key between the split pages.
2186          */
2187         bzero(&sepkey, sizeof(sepkey));
2188         if (newindx == split_indx) {
2189                 sepkey.mv_size = newkey->mv_size;
2190                 sepkey.mv_data = newkey->mv_data;
2191         } else {
2192                 node = NODEPTR(copy, split_indx);
2193                 sepkey.mv_size = node->mn_ksize;
2194                 sepkey.mv_data = NODEKEY(node);
2195         }
2196
2197         DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
2198
2199         /* Copy separator key to the parent.
2200          */
2201         if (SIZELEFT(rdp->h.md_parent) < mdb_branch_size(bt, &sepkey)) {
2202                 rc = mdb_split(bt, &rdp->h.md_parent, &rdp->h.md_pi,
2203                     &sepkey, NULL, rdp->p.mp_pgno);
2204
2205                 /* Right page might now have changed parent.
2206                  * Check if left page also changed parent.
2207                  */
2208                 if (rdp->h.md_parent != mdp->h.md_parent &&
2209                     mdp->h.md_pi >= NUMKEYS(mdp->h.md_parent)) {
2210                         mdp->h.md_parent = rdp->h.md_parent;
2211                         mdp->h.md_pi = rdp->h.md_pi - 1;
2212                 }
2213         } else {
2214                 rc = mdb_add_node(bt, rdp->h.md_parent, rdp->h.md_pi,
2215                     &sepkey, NULL, rdp->p.mp_pgno, 0);
2216         }
2217         if (rc != MDB_SUCCESS) {
2218                 free(copy);
2219                 return MDB_FAIL;
2220         }
2221
2222         for (i = j = 0; i <= NUMKEYS(copy); j++) {
2223                 if (i < split_indx) {
2224                         /* Re-insert in left sibling. */
2225                         pdp = mdp;
2226                 } else {
2227                         /* Insert in right sibling. */
2228                         if (i == split_indx)
2229                                 /* Reset insert index for right sibling. */
2230                                 j = (i == newindx && ins_new);
2231                         pdp = rdp;
2232                 }
2233
2234                 if (i == newindx && !ins_new) {
2235                         /* Insert the original entry that caused the split. */
2236                         rkey.mv_data = newkey->mv_data;
2237                         rkey.mv_size = newkey->mv_size;
2238                         if (IS_LEAF(&mdp->p)) {
2239                                 rdata.mv_data = newdata->mv_data;
2240                                 rdata.mv_size = newdata->mv_size;
2241                         } else
2242                                 pgno = newpgno;
2243                         flags = 0;
2244
2245                         ins_new = 1;
2246
2247                         /* Update page and index for the new key. */
2248                         *newindxp = j;
2249                         *mpp = &pdp->p;
2250                 } else if (i == NUMKEYS(copy)) {
2251                         break;
2252                 } else {
2253                         node = NODEPTR(copy, i);
2254                         rkey.mv_data = NODEKEY(node);
2255                         rkey.mv_size = node->mn_ksize;
2256                         if (IS_LEAF(&mdp->p)) {
2257                                 rdata.mv_data = NODEDATA(node);
2258                                 rdata.mv_size = node->mn_dsize;
2259                         } else
2260                                 pgno = node->mn_pgno;
2261                         flags = node->mn_flags;
2262
2263                         i++;
2264                 }
2265
2266                 if (!IS_LEAF(&mdp->p) && j == 0) {
2267                         /* First branch index doesn't need key data. */
2268                         rkey.mv_size = 0;
2269                 }
2270
2271                 rc = mdb_add_node(bt, &pdp->p, j, &rkey, &rdata, pgno,flags);
2272         }
2273
2274         free(copy);
2275         return rc;
2276 }
2277
2278 int
2279 mdb_put(MDB_db *bt, MDB_txn *txn,
2280     MDB_val *key, MDB_val *data, unsigned int flags)
2281 {
2282         int              rc = MDB_SUCCESS, exact;
2283         unsigned int     ki;
2284         MDB_node        *leaf;
2285         MDB_pageparent  mpp;
2286
2287         assert(key != NULL);
2288         assert(data != NULL);
2289
2290         if (bt == NULL || txn == NULL)
2291                 return EINVAL;
2292
2293         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2294                 return EINVAL;
2295         }
2296
2297         if (bt->md_env->me_txn != txn) {
2298                 return EINVAL;
2299         }
2300
2301         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2302                 return EINVAL;
2303         }
2304
2305         DPRINTF("==> put key %.*s, size %zu, data size %zu",
2306                 (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
2307
2308         rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp);
2309         if (rc == MDB_SUCCESS) {
2310                 leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2311                 if (leaf && exact) {
2312                         if (F_ISSET(flags, MDB_NOOVERWRITE)) {
2313                                 DPRINTF("duplicate key %.*s",
2314                                     (int)key->mv_size, (char *)key->mv_data);
2315                                 return EEXIST;
2316                         }
2317                         mdb_del_node(bt, mpp.mp_page, ki);
2318                 }
2319                 if (leaf == NULL) {             /* append if not found */
2320                         ki = NUMKEYS(mpp.mp_page);
2321                         DPRINTF("appending key at index %i", ki);
2322                 }
2323         } else if (rc == ENOENT) {
2324                 MDB_dpage *dp;
2325                 /* new file, just write a root leaf page */
2326                 DPRINTF("allocating new root leaf page");
2327                 if ((dp = mdbenv_new_page(bt->md_env, P_LEAF, 1)) == NULL) {
2328                         return ENOMEM;
2329                 }
2330                 mpp.mp_page = &dp->p;
2331                 txn->mt_root = mpp.mp_page->mp_pgno;
2332                 bt->md_env->me_meta.mm_stat.ms_depth++;
2333                 ki = 0;
2334         }
2335         else
2336                 goto done;
2337
2338         assert(IS_LEAF(mpp.mp_page));
2339         DPRINTF("there are %lu keys, should insert new key at index %i",
2340                 NUMKEYS(mpp.mp_page), ki);
2341
2342         if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(bt, key, data)) {
2343                 rc = mdb_split(bt, &mpp.mp_page, &ki, key, data, P_INVALID);
2344         } else {
2345                 /* There is room already in this leaf page. */
2346                 rc = mdb_add_node(bt, mpp.mp_page, ki, key, data, 0, 0);
2347         }
2348
2349         if (rc != MDB_SUCCESS)
2350                 txn->mt_flags |= MDB_TXN_ERROR;
2351         else
2352                 bt->md_env->me_meta.mm_stat.ms_entries++;
2353
2354 done:
2355         return rc;
2356 }
2357
2358 int
2359 mdbenv_get_flags(MDB_env *env, unsigned int *arg)
2360 {
2361         if (!env || !arg)
2362                 return EINVAL;
2363
2364         *arg = env->me_flags;
2365         return MDB_SUCCESS;
2366 }
2367
2368 int
2369 mdbenv_get_path(MDB_env *env, const char **arg)
2370 {
2371         if (!env || !arg)
2372                 return EINVAL;
2373
2374         *arg = env->me_path;
2375         return MDB_SUCCESS;
2376 }
2377
2378 int
2379 mdbenv_stat(MDB_env *env, MDB_stat **arg)
2380 {
2381         if (env == NULL || arg == NULL)
2382                 return EINVAL;
2383
2384         *arg = &env->me_meta.mm_stat;
2385
2386         return MDB_SUCCESS;
2387 }
2388
2389 int mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db)
2390 {
2391         if (!name) {
2392                 *db = (MDB_db *)&env->me_db;
2393                 return MDB_SUCCESS;
2394         }
2395         return EINVAL;
2396 }
2397
2398 int mdb_stat(MDB_db *db, MDB_stat **arg)
2399 {
2400         if (db == NULL || arg == NULL)
2401                 return EINVAL;
2402
2403         *arg = &db->md_stat;
2404
2405         return MDB_SUCCESS;
2406 }
2407
2408 void mdb_close(MDB_db *db)
2409 {
2410 }