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