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 on mdbenv %p, root page %lu", 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 on mdbenv %p, root page %lu", 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 on mdbenv %p, root page %lu",
 590             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         bcopy(meta[toggle], &env->me_meta, sizeof(env->me_meta));
 847         env->me_metatoggle = toggle;
 848
 849         DPRINTF("Using meta page %d", toggle);
 850
 851         return MDB_SUCCESS;
 852 }
 853
 854 int
 855 mdbenv_create(MDB_env **env)
 856 {
 857         MDB_env *e;
 858
 859         e = calloc(1, sizeof(*e));
 860         if (!e) return ENOMEM;
 861
 862         e->me_head.mh_magic = MDB_MAGIC;
 863         e->me_head.mh_version = MDB_VERSION;
 864         e->me_head.mh_mapsize = DEFAULT_MAPSIZE;
 865         e->me_maxreaders = DEFAULT_READERS;
 866         e->me_db.md_env = e;
 867         *env = e;
 868         return MDB_SUCCESS;
 869 }
 870
 871 int
 872 mdbenv_set_mapsize(MDB_env *env, size_t size)
 873 {
 874         if (env->me_map)
 875                 return EINVAL;
 876         env->me_mapsize = env->me_head.mh_mapsize = size;
 877         return MDB_SUCCESS;
 878 }
 879
 880 int
 881 mdbenv_set_maxreaders(MDB_env *env, int readers)
 882 {
 883         env->me_maxreaders = readers;
 884         return MDB_SUCCESS;
 885 }
 886
 887 int
 888 mdbenv_get_maxreaders(MDB_env *env, int *readers)
 889 {
 890         if (!env || !readers)
 891                 return EINVAL;
 892         *readers = env->me_maxreaders;
 893         return MDB_SUCCESS;
 894 }
 895
 896 int
 897 mdbenv_open2(MDB_env *env, unsigned int flags)
 898 {
 899         int i, newenv = 0;
 900
 901         env->me_flags = flags;
 902         env->me_meta.mm_root = P_INVALID;
 903
 904         if ((i = mdbenv_read_header(env)) != 0) {
 905                 if (i != ENOENT)
 906                         return i;
 907                 DPRINTF("new mdbenv");
 908                 newenv = 1;
 909         }
 910
 911         if (!env->me_mapsize)
 912                 env->me_mapsize = env->me_head.mh_mapsize;
 913
 914         i = MAP_SHARED;
 915         if (env->me_head.mh_address && (flags & MDB_FIXEDMAP))
 916                 i |= MAP_FIXED;
 917         env->me_map = mmap(env->me_head.mh_address, env->me_mapsize, PROT_READ, i,
 918                 env->me_fd, 0);
 919         if (env->me_map == MAP_FAILED)
 920                 return errno;
 921
 922         if (newenv) {
 923                 env->me_head.mh_mapsize = env->me_mapsize;
 924                 if (flags & MDB_FIXEDMAP)
 925                         env->me_head.mh_address = env->me_map;
 926                 i = mdbenv_write_header(env);
 927                 if (i != MDB_SUCCESS) {
 928                         munmap(env->me_map, env->me_mapsize);
 929                         return i;
 930                 }
 931                 i = mdbenv_init_meta(env);
 932                 if (i != MDB_SUCCESS) {
 933                         munmap(env->me_map, env->me_mapsize);
 934                         return i;
 935                 }
 936         }
 937
 938         if ((i = mdbenv_read_meta(env)) != 0)
 939                 return i;
 940
 941         DPRINTF("opened database version %u, pagesize %u",
 942             env->me_head.mh_version, env->me_head.mh_psize);
 943         DPRINTF("depth: %u", env->me_meta.mm_stat.ms_depth);
 944         DPRINTF("entries: %lu", env->me_meta.mm_stat.ms_entries);
 945         DPRINTF("branch pages: %lu", env->me_meta.mm_stat.ms_branch_pages);
 946         DPRINTF("leaf pages: %lu", env->me_meta.mm_stat.ms_leaf_pages);
 947         DPRINTF("overflow pages: %lu", env->me_meta.mm_stat.ms_overflow_pages);
 948         DPRINTF("root: %lu", env->me_meta.mm_root);
 949
 950         return MDB_SUCCESS;
 951 }
 952
 953 static void
 954 mdbenv_reader_dest(void *ptr)
 955 {
 956         MDB_reader *reader = ptr;
 957
 958         reader->mr_txnid = 0;
 959         reader->mr_pid = 0;
 960         reader->mr_tid = 0;
 961 }
 962
 963 int
 964 mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
 965 {
 966         int             oflags, rc, shmid;
 967         off_t   size;
 968
 969
 970         if (F_ISSET(flags, MDB_RDONLY))
 971                 oflags = O_RDONLY;
 972         else
 973                 oflags = O_RDWR | O_CREAT;
 974
 975         if ((env->me_fd = open(path, oflags, mode)) == -1)
 976                 return errno;
 977
 978         env->me_shmkey = ftok(path, 'm');
 979         size = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
 980         shmid = shmget(env->me_shmkey, size, IPC_CREAT|IPC_EXCL|mode);
 981         if (shmid == -1) {
 982                 if (errno == EEXIST) {
 983                         shmid = shmget(env->me_shmkey, size, IPC_CREAT|mode);
 984                         if (shmid == -1)
 985                                 return errno;
 986                         env->me_txns = shmat(shmid, NULL, 0);
 987                         if (env->me_txns->mt_magic != MDB_MAGIC ||
 988                                 env->me_txns->mt_version != MDB_VERSION) {
 989                                         DPRINTF("invalid lock region %d", shmid);
 990                                         shmdt(env->me_txns);
 991                                         env->me_txns = NULL;
 992                                         return EIO;
 993                                 }
 994                 } else {
 995                         return errno;
 996                 }
 997         } else {
 998                 pthread_mutexattr_t mattr;
 999
1000                 env->me_txns = shmat(shmid, NULL, 0);
1001                 pthread_mutexattr_init(&mattr);
1002                 pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
1003                 pthread_mutex_init(&env->me_txns->mt_mutex, &mattr);
1004                 pthread_mutex_init(&env->me_txns->mt_wmutex, &mattr);
1005                 env->me_txns->mt_version = MDB_VERSION;
1006                 env->me_txns->mt_magic = MDB_MAGIC;
1007         }
1008
1009         if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
1010                 close(env->me_fd);
1011                 env->me_fd = -1;
1012         } else {
1013                 env->me_path = strdup(path);
1014                 DPRINTF("opened dbenv %p", env);
1015         }
1016
1017         pthread_key_create(&env->me_txkey, mdbenv_reader_dest);
1018
1019         return rc;
1020 }
1021
1022 void
1023 mdbenv_close(MDB_env *env)
1024 {
1025         if (env == NULL)
1026                 return;
1027
1028         free(env->me_path);
1029
1030         if (env->me_map) {
1031                 munmap(env->me_map, env->me_mapsize);
1032         }
1033         close(env->me_fd);
1034         if (env->me_txns) {
1035                 shmdt(env->me_txns);
1036         }
1037         free(env);
1038 }
1039
1040 /* Search for key within a leaf page, using binary search.
1041  * Returns the smallest entry larger or equal to the key.
1042  * If exactp is non-null, stores whether the found entry was an exact match
1043  * in *exactp (1 or 0).
1044  * If kip is non-null, stores the index of the found entry in *kip.
1045  * If no entry larger or equal to the key is found, returns NULL.
1046  */
1047 static MDB_node *
1048 mdb_search_node(MDB_db *bt, MDB_page *mp, MDB_val *key,
1049     int *exactp, unsigned int *kip)
1050 {
1051         unsigned int     i = 0;
1052         int              low, high;
1053         int              rc = 0;
1054         MDB_node        *node;
1055         MDB_val  nodekey;
1056
1057         DPRINTF("searching %lu keys in %s page %lu",
1058             NUMKEYS(mp),
1059             IS_LEAF(mp) ? "leaf" : "branch",
1060             mp->mp_pgno);
1061
1062         assert(NUMKEYS(mp) > 0);
1063
1064         bzero(&nodekey, sizeof(nodekey));
1065
1066         low = IS_LEAF(mp) ? 0 : 1;
1067         high = NUMKEYS(mp) - 1;
1068         while (low <= high) {
1069                 i = (low + high) >> 1;
1070                 node = NODEPTR(mp, i);
1071
1072                 nodekey.mv_size = node->mn_ksize;
1073                 nodekey.mv_data = NODEKEY(node);
1074
1075                 if (bt->md_cmp)
1076                         rc = bt->md_cmp(key, &nodekey);
1077                 else
1078                         rc = _mdb_cmp(bt, key, &nodekey);
1079
1080                 if (IS_LEAF(mp))
1081                         DPRINTF("found leaf index %u [%.*s], rc = %i",
1082                             i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
1083                 else
1084                         DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
1085                             i, (int)node->mn_ksize, (char *)NODEKEY(node),
1086                             node->mn_pgno, rc);
1087
1088                 if (rc == 0)
1089                         break;
1090                 if (rc > 0)
1091                         low = i + 1;
1092                 else
1093                         high = i - 1;
1094         }
1095
1096         if (rc > 0) {   /* Found entry is less than the key. */
1097                 i++;    /* Skip to get the smallest entry larger than key. */
1098                 if (i >= NUMKEYS(mp))
1099                         /* There is no entry larger or equal to the key. */
1100                         return NULL;
1101         }
1102         if (exactp)
1103                 *exactp = (rc == 0);
1104         if (kip)        /* Store the key index if requested. */
1105                 *kip = i;
1106
1107         return NODEPTR(mp, i);
1108 }
1109
1110 static void
1111 cursor_pop_page(MDB_cursor *cursor)
1112 {
1113         MDB_ppage       *top;
1114
1115         top = CURSOR_TOP(cursor);
1116         CURSOR_POP(cursor);
1117
1118         DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, cursor);
1119
1120         free(top);
1121 }
1122
1123 static MDB_ppage *
1124 cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
1125 {
1126         MDB_ppage       *ppage;
1127
1128         DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, cursor);
1129
1130         if ((ppage = calloc(1, sizeof(*ppage))) == NULL)
1131                 return NULL;
1132         ppage->mp_page = mp;
1133         CURSOR_PUSH(cursor, ppage);
1134         return ppage;
1135 }
1136
1137 static MDB_page *
1138 mdbenv_get_page(MDB_env *env, pgno_t pgno)
1139 {
1140         MDB_page *p = NULL;
1141         MDB_txn *txn = env->me_txn;
1142
1143         if (txn && pgno >= txn->mt_first_pgno &&
1144                 !SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
1145                 MDB_dpage *dp;
1146                 SIMPLEQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
1147                         if (dp->p.mp_pgno == pgno) {
1148                                 p = &dp->p;
1149                                 break;
1150                         }
1151                 }
1152         } else {
1153                 p = (MDB_page *)(env->me_map + env->me_head.mh_psize * pgno);
1154         }
1155         return p;
1156 }
1157
1158 static int
1159 mdb_search_page_root(MDB_db *bt, MDB_val *key,
1160     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1161 {
1162         MDB_page        *mp = mpp->mp_page;
1163         int rc;
1164
1165         if (cursor && cursor_push_page(cursor, mp) == NULL)
1166                 return MDB_FAIL;
1167
1168         while (IS_BRANCH(mp)) {
1169                 unsigned int     i = 0;
1170                 MDB_node        *node;
1171
1172                 DPRINTF("branch page %lu has %lu keys", mp->mp_pgno, NUMKEYS(mp));
1173                 assert(NUMKEYS(mp) > 1);
1174                 DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
1175
1176                 if (key == NULL)        /* Initialize cursor to first page. */
1177                         i = 0;
1178                 else {
1179                         int      exact;
1180                         node = mdb_search_node(bt, mp, key, &exact, &i);
1181                         if (node == NULL)
1182                                 i = NUMKEYS(mp) - 1;
1183                         else if (!exact) {
1184                                 assert(i > 0);
1185                                 i--;
1186                         }
1187                 }
1188
1189                 if (key)
1190                         DPRINTF("following index %u for key %.*s",
1191                             i, (int)key->mv_size, (char *)key->mv_data);
1192                 assert(i >= 0 && i < NUMKEYS(mp));
1193                 node = NODEPTR(mp, i);
1194
1195                 if (cursor)
1196                         CURSOR_TOP(cursor)->mp_ki = i;
1197
1198                 mpp->mp_parent = mp;
1199                 if ((mp = mdbenv_get_page(bt->md_env, NODEPGNO(node))) == NULL)
1200                         return MDB_FAIL;
1201                 mpp->mp_pi = i;
1202                 mpp->mp_page = mp;
1203
1204                 if (cursor && cursor_push_page(cursor, mp) == NULL)
1205                         return MDB_FAIL;
1206
1207                 if (modify) {
1208                         MDB_dhead *dh = ((MDB_dhead *)mp)-1;
1209                         if (rc = mdb_touch(bt->md_env->me_txn, mpp))
1210                                 return rc;
1211                         dh = ((MDB_dhead *)mpp->mp_page)-1;
1212                         dh->md_parent = mpp->mp_parent;
1213                         dh->md_pi = mpp->mp_pi;
1214                 }
1215
1216                 mp = mpp->mp_page;
1217         }
1218
1219         if (!IS_LEAF(mp)) {
1220                 DPRINTF("internal error, index points to a %02X page!?",
1221                     mp->mp_flags);
1222                 return MDB_FAIL;
1223         }
1224
1225         DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
1226             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
1227
1228         return MDB_SUCCESS;
1229 }
1230
1231 /* Search for the page a given key should be in.
1232  * Stores a pointer to the found page in *mpp.
1233  * If key is NULL, search for the lowest page (used by mdb_cursor_first).
1234  * If cursor is non-null, pushes parent pages on the cursor stack.
1235  * If modify is true, visited pages are updated with new page numbers.
1236  */
1237 static int
1238 mdb_search_page(MDB_db *db, MDB_txn *txn, MDB_val *key,
1239     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1240 {
1241         int              rc;
1242         pgno_t           root;
1243
1244         /* Can't modify pages outside a transaction. */
1245         if (txn == NULL && modify) {
1246                 return EINVAL;
1247         }
1248
1249         /* Choose which root page to start with. If a transaction is given
1250          * use the root page from the transaction, otherwise read the last
1251          * committed root page.
1252          */
1253         if (txn == NULL) {
1254                 if ((rc = mdbenv_read_meta(db->md_env)) != MDB_SUCCESS)
1255                         return rc;
1256                 root = db->md_env->me_meta.mm_root;
1257         } else if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
1258                 DPRINTF("transaction has failed, must abort");
1259                 return EINVAL;
1260         } else
1261                 root = txn->mt_root;
1262
1263         if (root == P_INVALID) {                /* Tree is empty. */
1264                 DPRINTF("tree is empty");
1265                 return ENOENT;
1266         }
1267
1268         if ((mpp->mp_page = mdbenv_get_page(db->md_env, root)) == NULL)
1269                 return MDB_FAIL;
1270
1271         DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
1272
1273         if (modify && !F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
1274                 mpp->mp_parent = NULL;
1275                 mpp->mp_pi = 0;
1276                 if ((rc = mdb_touch(txn, mpp)))
1277                         return rc;
1278                 txn->mt_root = mpp->mp_page->mp_pgno;
1279         }
1280
1281         return mdb_search_page_root(db, key, cursor, modify, mpp);
1282 }
1283
1284 static int
1285 mdb_read_data(MDB_db *db, MDB_page *mp, MDB_node *leaf,
1286     MDB_val *data)
1287 {
1288         MDB_page        *omp;           /* overflow mpage */
1289         size_t           psz;
1290         size_t           max;
1291         size_t           sz = 0;
1292         pgno_t           pgno;
1293
1294         bzero(data, sizeof(*data));
1295         max = db->md_env->me_head.mh_psize - PAGEHDRSZ;
1296
1297         if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
1298                 data->mv_size = leaf->mn_dsize;
1299                 data->mv_data = NODEDATA(leaf);
1300                 return MDB_SUCCESS;
1301         }
1302
1303         /* Read overflow data.
1304          */
1305         data->mv_size = leaf->mn_dsize;
1306         bcopy(NODEDATA(leaf), &pgno, sizeof(pgno));
1307         if ((omp = mdbenv_get_page(db->md_env, pgno)) == NULL) {
1308                 DPRINTF("read overflow page %lu failed", pgno);
1309                 return MDB_FAIL;
1310         }
1311         data->mv_data = omp;
1312
1313         return MDB_SUCCESS;
1314 }
1315
1316 int
1317 mdb_get(MDB_db *db, MDB_txn *txn,
1318     MDB_val *key, MDB_val *data)
1319 {
1320         int              rc, exact;
1321         MDB_node        *leaf;
1322         MDB_pageparent mpp;
1323
1324         assert(key);
1325         assert(data);
1326         DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
1327
1328         if (db == NULL)
1329                 return EINVAL;
1330
1331         if (txn != NULL && db->md_env != txn->mt_env) {
1332                 return EINVAL;
1333         }
1334
1335         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1336                 return EINVAL;
1337         }
1338
1339         if ((rc = mdb_search_page(db, txn, key, NULL, 0, &mpp)) != MDB_SUCCESS)
1340                 return rc;
1341
1342         leaf = mdb_search_node(db, mpp.mp_page, key, &exact, NULL);
1343         if (leaf && exact)
1344                 rc = mdb_read_data(db, mpp.mp_page, leaf, data);
1345         else {
1346                 rc = ENOENT;
1347         }
1348
1349         return rc;
1350 }
1351
1352 static int
1353 mdb_sibling(MDB_cursor *cursor, int move_right)
1354 {
1355         int              rc;
1356         MDB_node        *indx;
1357         MDB_ppage       *parent, *top;
1358         MDB_page        *mp;
1359
1360         top = CURSOR_TOP(cursor);
1361         if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
1362                 return ENOENT;          /* root has no siblings */
1363         }
1364
1365         DPRINTF("parent page is page %lu, index %u",
1366             parent->mp_page->mp_pgno, parent->mp_ki);
1367
1368         cursor_pop_page(cursor);
1369         if (move_right ? (parent->mp_ki + 1 >= NUMKEYS(parent->mp_page))
1370                        : (parent->mp_ki == 0)) {
1371                 DPRINTF("no more keys left, moving to %s sibling",
1372                     move_right ? "right" : "left");
1373                 if ((rc = mdb_sibling(cursor, move_right)) != MDB_SUCCESS)
1374                         return rc;
1375                 parent = CURSOR_TOP(cursor);
1376         } else {
1377                 if (move_right)
1378                         parent->mp_ki++;
1379                 else
1380                         parent->mp_ki--;
1381                 DPRINTF("just moving to %s index key %u",
1382                     move_right ? "right" : "left", parent->mp_ki);
1383         }
1384         assert(IS_BRANCH(parent->mp_page));
1385
1386         indx = NODEPTR(parent->mp_page, parent->mp_ki);
1387         if ((mp = mdbenv_get_page(cursor->mc_db->md_env, indx->mn_pgno)) == NULL)
1388                 return MDB_FAIL;
1389 #if 0
1390         mp->parent = parent->mp_page;
1391         mp->parent_index = parent->mp_ki;
1392 #endif
1393
1394         cursor_push_page(cursor, mp);
1395
1396         return MDB_SUCCESS;
1397 }
1398
1399 static int
1400 mdb_set_key(MDB_db *bt, MDB_page *mp, MDB_node *node,
1401     MDB_val *key)
1402 {
1403         if (key == NULL)
1404                 return 0;
1405
1406         key->mv_size = node->mn_ksize;
1407         key->mv_data = NODEKEY(node);
1408
1409         return 0;
1410 }
1411
1412 static int
1413 mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1414 {
1415         MDB_ppage       *top;
1416         MDB_page        *mp;
1417         MDB_node        *leaf;
1418
1419         if (cursor->mc_eof) {
1420                 return ENOENT;
1421         }
1422
1423         assert(cursor->mc_initialized);
1424
1425         top = CURSOR_TOP(cursor);
1426         mp = top->mp_page;
1427
1428         DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, cursor);
1429
1430         if (top->mp_ki + 1 >= NUMKEYS(mp)) {
1431                 DPRINTF("=====> move to next sibling page");
1432                 if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
1433                         cursor->mc_eof = 1;
1434                         return ENOENT;
1435                 }
1436                 top = CURSOR_TOP(cursor);
1437                 mp = top->mp_page;
1438                 DPRINTF("next page is %lu, key index %u", mp->mp_pgno, top->mp_ki);
1439         } else
1440                 top->mp_ki++;
1441
1442         DPRINTF("==> cursor points to page %lu with %lu keys, key index %u",
1443             mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
1444
1445         assert(IS_LEAF(mp));
1446         leaf = NODEPTR(mp, top->mp_ki);
1447
1448         if (data && mdb_read_data(cursor->mc_db, mp, leaf, data) != MDB_SUCCESS)
1449                 return MDB_FAIL;
1450
1451         return mdb_set_key(cursor->mc_db, mp, leaf, key);
1452 }
1453
1454 static int
1455 mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1456     int *exactp)
1457 {
1458         int              rc;
1459         MDB_node        *leaf;
1460         MDB_ppage       *top;
1461         MDB_pageparent mpp;
1462
1463         assert(cursor);
1464         assert(key);
1465         assert(key->mv_size > 0);
1466
1467         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, key, cursor, 0, &mpp);
1468         if (rc != MDB_SUCCESS)
1469                 return rc;
1470         assert(IS_LEAF(mpp.mp_page));
1471
1472         top = CURSOR_TOP(cursor);
1473         leaf = mdb_search_node(cursor->mc_db, mpp.mp_page, key, exactp, &top->mp_ki);
1474         if (exactp != NULL && !*exactp) {
1475                 /* MDB_CURSOR_EXACT specified and not an exact match. */
1476                 return ENOENT;
1477         }
1478
1479         if (leaf == NULL) {
1480                 DPRINTF("===> inexact leaf not found, goto sibling");
1481                 if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
1482                         return rc;              /* no entries matched */
1483                 top = CURSOR_TOP(cursor);
1484                 top->mp_ki = 0;
1485                 mpp.mp_page = top->mp_page;
1486                 assert(IS_LEAF(mpp.mp_page));
1487                 leaf = NODEPTR(mpp.mp_page, 0);
1488         }
1489
1490         cursor->mc_initialized = 1;
1491         cursor->mc_eof = 0;
1492
1493         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1494                 return rc;
1495
1496         rc = mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1497         if (rc == MDB_SUCCESS) {
1498                 DPRINTF("==> cursor placed on key %.*s",
1499                         (int)key->mv_size, (char *)key->mv_data);
1500                 ;
1501         }
1502
1503         return rc;
1504 }
1505
1506 static int
1507 mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1508 {
1509         int              rc;
1510         MDB_pageparent  mpp;
1511         MDB_node        *leaf;
1512
1513         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, NULL, cursor, 0, &mpp);
1514         if (rc != MDB_SUCCESS)
1515                 return rc;
1516         assert(IS_LEAF(mpp.mp_page));
1517
1518         leaf = NODEPTR(mpp.mp_page, 0);
1519         cursor->mc_initialized = 1;
1520         cursor->mc_eof = 0;
1521
1522         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1523                 return rc;
1524
1525         return mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1526 }
1527
1528 int
1529 mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1530     MDB_cursor_op op)
1531 {
1532         int              rc;
1533         int              exact = 0;
1534
1535         assert(cursor);
1536
1537         switch (op) {
1538         case MDB_CURSOR:
1539         case MDB_CURSOR_EXACT:
1540                 while (CURSOR_TOP(cursor) != NULL)
1541                         cursor_pop_page(cursor);
1542                 if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1543                         rc = EINVAL;
1544                 } else if (op == MDB_CURSOR_EXACT)
1545                         rc = mdb_cursor_set(cursor, key, data, &exact);
1546                 else
1547                         rc = mdb_cursor_set(cursor, key, data, NULL);
1548                 break;
1549         case MDB_NEXT:
1550                 if (!cursor->mc_initialized)
1551                         rc = mdb_cursor_first(cursor, key, data);
1552                 else
1553                         rc = mdb_cursor_next(cursor, key, data);
1554                 break;
1555         case MDB_FIRST:
1556                 while (CURSOR_TOP(cursor) != NULL)
1557                         cursor_pop_page(cursor);
1558                 rc = mdb_cursor_first(cursor, key, data);
1559                 break;
1560         default:
1561                 DPRINTF("unhandled/unimplemented cursor operation %u", op);
1562                 rc = EINVAL;
1563                 break;
1564         }
1565
1566         return rc;
1567 }
1568
1569 /* Allocate a page and initialize it
1570  */
1571 static MDB_dpage *
1572 mdbenv_new_page(MDB_env *env, uint32_t flags, int num)
1573 {
1574         MDB_dpage       *dp;
1575
1576         assert(env != NULL);
1577         assert(env->me_txn != NULL);
1578
1579         DPRINTF("allocating new mpage %lu, page size %u",
1580             env->me_txn->mt_next_pgno, env->me_head.mh_psize);
1581         if ((dp = mdb_newpage(env->me_txn, NULL, 0, num)) == NULL)
1582                 return NULL;
1583         dp->p.mp_flags = flags | P_DIRTY;
1584         dp->p.mp_lower = PAGEHDRSZ;
1585         dp->p.mp_upper = env->me_head.mh_psize;
1586
1587         if (IS_BRANCH(&dp->p))
1588                 env->me_meta.mm_stat.ms_branch_pages++;
1589         else if (IS_LEAF(&dp->p))
1590                 env->me_meta.mm_stat.ms_leaf_pages++;
1591         else if (IS_OVERFLOW(&dp->p)) {
1592                 env->me_meta.mm_stat.ms_overflow_pages += num;
1593                 dp->p.mp_pages = num;
1594         }
1595
1596         return dp;
1597 }
1598
1599 static size_t
1600 mdb_leaf_size(MDB_db *db, MDB_val *key, MDB_val *data)
1601 {
1602         size_t           sz;
1603
1604         sz = LEAFSIZE(key, data);
1605         if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1606                 /* put on overflow page */
1607                 sz -= data->mv_size - sizeof(pgno_t);
1608         }
1609
1610         return sz + sizeof(indx_t);
1611 }
1612
1613 static size_t
1614 mdb_branch_size(MDB_db *db, MDB_val *key)
1615 {
1616         size_t           sz;
1617
1618         sz = INDXSIZE(key);
1619         if (sz >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1620                 /* put on overflow page */
1621                 /* not implemented */
1622                 /* sz -= key->size - sizeof(pgno_t); */
1623         }
1624
1625         return sz + sizeof(indx_t);
1626 }
1627
1628 static int
1629 mdb_add_node(MDB_db *db, MDB_page *mp, indx_t indx,
1630     MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
1631 {
1632         unsigned int     i;
1633         size_t           node_size = NODESIZE;
1634         indx_t           ofs;
1635         MDB_node        *node;
1636         MDB_dpage       *ofp = NULL;            /* overflow page */
1637
1638         assert(mp->mp_upper >= mp->mp_lower);
1639
1640         DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
1641             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
1642             IS_LEAF(mp) ? "leaf" : "branch",
1643             mp->mp_pgno, indx, key ? key->mv_size : 0);
1644
1645         if (key != NULL)
1646                 node_size += key->mv_size;
1647
1648         if (IS_LEAF(mp)) {
1649                 assert(data);
1650                 node_size += data->mv_size;
1651                 if (F_ISSET(flags, F_BIGDATA)) {
1652                         /* Data already on overflow page. */
1653                         node_size -= data->mv_size - sizeof(pgno_t);
1654                 } else if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1655                         int ovpages = PAGEHDRSZ + data->mv_size + db->md_env->me_head.mh_psize - 1;
1656                         ovpages /= db->md_env->me_head.mh_psize;
1657                         /* Put data on overflow page. */
1658                         DPRINTF("data size is %zu, put on overflow page",
1659                             data->mv_size);
1660                         node_size -= data->mv_size - sizeof(pgno_t);
1661                         if ((ofp = mdbenv_new_page(db->md_env, P_OVERFLOW, ovpages)) == NULL)
1662                                 return MDB_FAIL;
1663                         DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
1664                         flags |= F_BIGDATA;
1665                 }
1666         }
1667
1668         if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
1669                 DPRINTF("not enough room in page %lu, got %lu ptrs",
1670                     mp->mp_pgno, NUMKEYS(mp));
1671                 DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
1672                     mp->mp_upper - mp->mp_lower);
1673                 DPRINTF("node size = %zu", node_size);
1674                 return ENOSPC;
1675         }
1676
1677         /* Move higher pointers up one slot. */
1678         for (i = NUMKEYS(mp); i > indx; i--)
1679                 mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
1680
1681         /* Adjust free space offsets. */
1682         ofs = mp->mp_upper - node_size;
1683         assert(ofs >= mp->mp_lower + sizeof(indx_t));
1684         mp->mp_ptrs[indx] = ofs;
1685         mp->mp_upper = ofs;
1686         mp->mp_lower += sizeof(indx_t);
1687
1688         /* Write the node data. */
1689         node = NODEPTR(mp, indx);
1690         node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
1691         node->mn_flags = flags;
1692         if (IS_LEAF(mp))
1693                 node->mn_dsize = data->mv_size;
1694         else
1695                 node->mn_pgno = pgno;
1696
1697         if (key)
1698                 bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1699
1700         if (IS_LEAF(mp)) {
1701                 assert(key);
1702                 if (ofp == NULL) {
1703                         if (F_ISSET(flags, F_BIGDATA))
1704                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1705                                     sizeof(pgno_t));
1706                         else
1707                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1708                                     data->mv_size);
1709                 } else {
1710                         bcopy(&ofp->p.mp_pgno, node->mn_data + key->mv_size,
1711                             sizeof(pgno_t));
1712                         bcopy(data->mv_data, METADATA(&ofp->p), data->mv_size);
1713                 }
1714         }
1715
1716         return MDB_SUCCESS;
1717 }
1718
1719 static void
1720 mdb_del_node(MDB_db *db, MDB_page *mp, indx_t indx)
1721 {
1722         unsigned int     sz;
1723         indx_t           i, j, numkeys, ptr;
1724         MDB_node        *node;
1725         char            *base;
1726
1727         DPRINTF("delete node %u on %s page %lu", indx,
1728             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
1729         assert(indx < NUMKEYS(mp));
1730
1731         node = NODEPTR(mp, indx);
1732         sz = NODESIZE + node->mn_ksize;
1733         if (IS_LEAF(mp)) {
1734                 if (F_ISSET(node->mn_flags, F_BIGDATA))
1735                         sz += sizeof(pgno_t);
1736                 else
1737                         sz += NODEDSZ(node);
1738         }
1739
1740         ptr = mp->mp_ptrs[indx];
1741         numkeys = NUMKEYS(mp);
1742         for (i = j = 0; i < numkeys; i++) {
1743                 if (i != indx) {
1744                         mp->mp_ptrs[j] = mp->mp_ptrs[i];
1745                         if (mp->mp_ptrs[i] < ptr)
1746                                 mp->mp_ptrs[j] += sz;
1747                         j++;
1748                 }
1749         }
1750
1751         base = (char *)mp + mp->mp_upper;
1752         bcopy(base, base + sz, ptr - mp->mp_upper);
1753
1754         mp->mp_lower -= sizeof(indx_t);
1755         mp->mp_upper += sz;
1756 }
1757
1758 int
1759 mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **ret)
1760 {
1761         MDB_cursor      *cursor;
1762
1763         if (db == NULL || ret == NULL)
1764                 return EINVAL;
1765
1766         if (txn != NULL && db->md_env != txn->mt_env) {
1767                 return EINVAL;
1768         }
1769
1770         if ((cursor = calloc(1, sizeof(*cursor))) != NULL) {
1771                 SLIST_INIT(&cursor->mc_stack);
1772                 cursor->mc_db = db;
1773                 cursor->mc_txn = txn;
1774         }
1775
1776         *ret = cursor;
1777
1778         return MDB_SUCCESS;
1779 }
1780
1781 void
1782 mdb_cursor_close(MDB_cursor *cursor)
1783 {
1784         if (cursor != NULL) {
1785                 while (!CURSOR_EMPTY(cursor))
1786                         cursor_pop_page(cursor);
1787
1788 /*              btree_close(cursor->bt); */
1789                 free(cursor);
1790         }
1791 }
1792
1793 static int
1794 mdb_update_key(MDB_db *db, MDB_page *mp, indx_t indx,
1795     MDB_val *key)
1796 {
1797         indx_t                   ptr, i, numkeys;
1798         int                      delta;
1799         size_t                   len;
1800         MDB_node                *node;
1801         char                    *base;
1802
1803         node = NODEPTR(mp, indx);
1804         ptr = mp->mp_ptrs[indx];
1805         DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
1806             indx, ptr,
1807             (int)node->mn_ksize, (char *)NODEKEY(node),
1808             (int)key->mv_size, (char *)key->mv_data,
1809             mp->mp_pgno);
1810
1811         delta = key->mv_size - node->mn_ksize;
1812         if (delta) {
1813                 if (delta > 0 && SIZELEFT(mp) < delta) {
1814                         DPRINTF("OUCH! Not enough room, delta = %d", delta);
1815                         return ENOSPC;
1816                 }
1817
1818                 numkeys = NUMKEYS(mp);
1819                 for (i = 0; i < numkeys; i++) {
1820                         if (mp->mp_ptrs[i] <= ptr)
1821                                 mp->mp_ptrs[i] -= delta;
1822                 }
1823
1824                 base = (char *)mp + mp->mp_upper;
1825                 len = ptr - mp->mp_upper + NODESIZE;
1826                 bcopy(base, base - delta, len);
1827                 mp->mp_upper -= delta;
1828
1829                 node = NODEPTR(mp, indx);
1830                 node->mn_ksize = key->mv_size;
1831         }
1832
1833         bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1834
1835         return MDB_SUCCESS;
1836 }
1837
1838 /* Move a node from src to dst.
1839  */
1840 static int
1841 mdb_move_node(MDB_db *bt, MDB_pageparent *src, indx_t srcindx,
1842     MDB_pageparent *dst, indx_t dstindx)
1843 {
1844         int                      rc;
1845         MDB_node                *srcnode;
1846         MDB_val          key, data;
1847
1848         srcnode = NODEPTR(src->mp_page, srcindx);
1849         DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
1850             IS_LEAF(src->mp_page) ? "leaf" : "branch",
1851             srcindx,
1852             (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
1853             src->mp_page->mp_pgno,
1854             dstindx, dst->mp_page->mp_pgno);
1855
1856         /* Mark src and dst as dirty. */
1857         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1858             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1859                 return rc;;
1860
1861         /* Add the node to the destination page.
1862          */
1863         key.mv_size = srcnode->mn_ksize;
1864         key.mv_data = NODEKEY(srcnode);
1865         data.mv_size = NODEDSZ(srcnode);
1866         data.mv_data = NODEDATA(srcnode);
1867         rc = mdb_add_node(bt, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
1868             srcnode->mn_flags);
1869         if (rc != MDB_SUCCESS)
1870                 return rc;
1871
1872         /* Delete the node from the source page.
1873          */
1874         mdb_del_node(bt, src->mp_page, srcindx);
1875
1876         /* Update the parent separators.
1877          */
1878         if (srcindx == 0 && src->mp_pi != 0) {
1879                 DPRINTF("update separator for source page %lu to [%.*s]",
1880                     src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1881                 if ((rc = mdb_update_key(bt, src->mp_parent, src->mp_pi,
1882                     &key)) != MDB_SUCCESS)
1883                         return rc;
1884         }
1885
1886         if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
1887                 MDB_val  nullkey;
1888                 nullkey.mv_size = 0;
1889                 assert(mdb_update_key(bt, src->mp_page, 0, &nullkey) == MDB_SUCCESS);
1890         }
1891
1892         if (dstindx == 0 && dst->mp_pi != 0) {
1893                 DPRINTF("update separator for destination page %lu to [%.*s]",
1894                     dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1895                 if ((rc = mdb_update_key(bt, dst->mp_parent, dst->mp_pi,
1896                     &key)) != MDB_SUCCESS)
1897                         return rc;
1898         }
1899
1900         if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
1901                 MDB_val  nullkey;
1902                 nullkey.mv_size = 0;
1903                 assert(mdb_update_key(bt, dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
1904         }
1905
1906         return MDB_SUCCESS;
1907 }
1908
1909 static int
1910 mdb_merge(MDB_db *bt, MDB_pageparent *src, MDB_pageparent *dst)
1911 {
1912         int                      rc;
1913         indx_t                   i;
1914         MDB_node                *srcnode;
1915         MDB_val          key, data;
1916         MDB_pageparent  mpp;
1917         MDB_dhead *dh;
1918
1919         DPRINTF("merging page %lu and %lu", src->mp_page->mp_pgno, dst->mp_page->mp_pgno);
1920
1921         assert(src->mp_parent); /* can't merge root page */
1922         assert(dst->mp_parent);
1923         assert(bt->md_env->me_txn != NULL);
1924
1925         /* Mark src and dst as dirty. */
1926         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1927             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1928                 return rc;
1929
1930         /* Move all nodes from src to dst.
1931          */
1932         for (i = 0; i < NUMKEYS(src->mp_page); i++) {
1933                 srcnode = NODEPTR(src->mp_page, i);
1934
1935                 key.mv_size = srcnode->mn_ksize;
1936                 key.mv_data = NODEKEY(srcnode);
1937                 data.mv_size = NODEDSZ(srcnode);
1938                 data.mv_data = NODEDATA(srcnode);
1939                 rc = mdb_add_node(bt, dst->mp_page, NUMKEYS(dst->mp_page), &key,
1940                     &data, NODEPGNO(srcnode), srcnode->mn_flags);
1941                 if (rc != MDB_SUCCESS)
1942                         return rc;
1943         }
1944
1945         DPRINTF("dst page %lu now has %lu keys (%.1f%% filled)",
1946             dst->mp_page->mp_pgno, NUMKEYS(dst->mp_page), (float)PAGEFILL(bt->md_env, dst->mp_page) / 10);
1947
1948         /* Unlink the src page from parent.
1949          */
1950         mdb_del_node(bt, src->mp_parent, src->mp_pi);
1951         if (src->mp_pi == 0) {
1952                 key.mv_size = 0;
1953                 if ((rc = mdb_update_key(bt, src->mp_parent, 0, &key)) != MDB_SUCCESS)
1954                         return rc;
1955         }
1956
1957         if (IS_LEAF(src->mp_page))
1958                 bt->md_env->me_meta.mm_stat.ms_leaf_pages--;
1959         else
1960                 bt->md_env->me_meta.mm_stat.ms_branch_pages--;
1961
1962         mpp.mp_page = src->mp_parent;
1963         dh = (MDB_dhead *)src->mp_parent;
1964         dh--;
1965         mpp.mp_parent = dh->md_parent;
1966         mpp.mp_pi = dh->md_pi;
1967
1968         return mdb_rebalance(bt, &mpp);
1969 }
1970
1971 #define FILL_THRESHOLD   250
1972
1973 static int
1974 mdb_rebalance(MDB_db *db, MDB_pageparent *mpp)
1975 {
1976         MDB_node        *node;
1977         MDB_page        *root;
1978         MDB_pageparent npp;
1979         indx_t           si = 0, di = 0;
1980
1981         assert(db != NULL);
1982         assert(db->md_env->me_txn != NULL);
1983         assert(mpp != NULL);
1984
1985         DPRINTF("rebalancing %s page %lu (has %lu keys, %.1f%% full)",
1986             IS_LEAF(mpp->mp_page) ? "leaf" : "branch",
1987             mpp->mp_page->mp_pgno, NUMKEYS(mpp->mp_page), (float)PAGEFILL(db->md_env, mpp->mp_page) / 10);
1988
1989         if (PAGEFILL(db->md_env, mpp->mp_page) >= FILL_THRESHOLD) {
1990                 DPRINTF("no need to rebalance page %lu, above fill threshold",
1991                     mpp->mp_page->mp_pgno);
1992                 return MDB_SUCCESS;
1993         }
1994
1995         if (mpp->mp_parent == NULL) {
1996                 if (NUMKEYS(mpp->mp_page) == 0) {
1997                         DPRINTF("tree is completely empty");
1998                         db->md_env->me_txn->mt_root = P_INVALID;
1999                         db->md_env->me_meta.mm_stat.ms_depth--;
2000                         db->md_env->me_meta.mm_stat.ms_leaf_pages--;
2001                 } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
2002                         DPRINTF("collapsing root page!");
2003                         db->md_env->me_txn->mt_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
2004                         if ((root = mdbenv_get_page(db->md_env, db->md_env->me_txn->mt_root)) == NULL)
2005                                 return MDB_FAIL;
2006                         db->md_env->me_meta.mm_stat.ms_depth--;
2007                         db->md_env->me_meta.mm_stat.ms_branch_pages--;
2008                 } else
2009                         DPRINTF("root page doesn't need rebalancing");
2010                 return MDB_SUCCESS;
2011         }
2012
2013         /* The parent (branch page) must have at least 2 pointers,
2014          * otherwise the tree is invalid.
2015          */
2016         assert(NUMKEYS(mpp->mp_parent) > 1);
2017
2018         /* Leaf page fill factor is below the threshold.
2019          * Try to move keys from left or right neighbor, or
2020          * merge with a neighbor page.
2021          */
2022
2023         /* Find neighbors.
2024          */
2025         if (mpp->mp_pi == 0) {
2026                 /* We're the leftmost leaf in our parent.
2027                  */
2028                 DPRINTF("reading right neighbor");
2029                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
2030                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2031                         return MDB_FAIL;
2032                 npp.mp_pi = mpp->mp_pi + 1;
2033                 si = 0;
2034                 di = NUMKEYS(mpp->mp_page);
2035         } else {
2036                 /* There is at least one neighbor to the left.
2037                  */
2038                 DPRINTF("reading left neighbor");
2039                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
2040                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2041                         return MDB_FAIL;
2042                 npp.mp_pi = mpp->mp_pi - 1;
2043                 si = NUMKEYS(npp.mp_page) - 1;
2044                 di = 0;
2045         }
2046         npp.mp_parent = mpp->mp_parent;
2047
2048         DPRINTF("found neighbor page %lu (%lu keys, %.1f%% full)",
2049             npp.mp_page->mp_pgno, NUMKEYS(npp.mp_page), (float)PAGEFILL(db->md_env, npp.mp_page) / 10);
2050
2051         /* If the neighbor page is above threshold and has at least two
2052          * keys, move one key from it.
2053          *
2054          * Otherwise we should try to merge them.
2055          */
2056         if (PAGEFILL(db->md_env, npp.mp_page) >= FILL_THRESHOLD && NUMKEYS(npp.mp_page) >= 2)
2057                 return mdb_move_node(db, &npp, si, mpp, di);
2058         else { /* FIXME: if (has_enough_room()) */
2059                 if (mpp->mp_pi == 0)
2060                         return mdb_merge(db, &npp, mpp);
2061                 else
2062                         return mdb_merge(db, mpp, &npp);
2063         }
2064 }
2065
2066 int
2067 mdb_del(MDB_db *bt, MDB_txn *txn,
2068     MDB_val *key, MDB_val *data)
2069 {
2070         int              rc, exact;
2071         unsigned int     ki;
2072         MDB_node        *leaf;
2073         MDB_pageparent  mpp;
2074
2075         DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
2076
2077         assert(key != NULL);
2078
2079         if (bt == NULL || txn == NULL)
2080                 return EINVAL;
2081
2082         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2083                 return EINVAL;
2084         }
2085
2086         if (bt->md_env->me_txn != txn) {
2087                 return EINVAL;
2088         }
2089
2090         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2091                 return EINVAL;
2092         }
2093
2094         if ((rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp)) != MDB_SUCCESS)
2095                 return rc;
2096
2097         leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2098         if (leaf == NULL || !exact) {
2099                 return ENOENT;
2100         }
2101
2102         if (data && (rc = mdb_read_data(bt, NULL, leaf, data)) != MDB_SUCCESS)
2103                 return rc;
2104
2105         mdb_del_node(bt, mpp.mp_page, ki);
2106         bt->md_env->me_meta.mm_stat.ms_entries--;
2107         rc = mdb_rebalance(bt, &mpp);
2108         if (rc != MDB_SUCCESS)
2109                 txn->mt_flags |= MDB_TXN_ERROR;
2110
2111         return rc;
2112 }
2113
2114 /* Split page <*mpp>, and insert <key,(data|newpgno)> in either left or
2115  * right sibling, at index <*newindxp> (as if unsplit). Updates *mpp and
2116  * *newindxp with the actual values after split, ie if *mpp and *newindxp
2117  * refer to a node in the new right sibling page.
2118  */
2119 static int
2120 mdb_split(MDB_db *bt, MDB_page **mpp, unsigned int *newindxp,
2121     MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
2122 {
2123         uint8_t          flags;
2124         int              rc = MDB_SUCCESS, ins_new = 0;
2125         indx_t           newindx;
2126         pgno_t           pgno = 0;
2127         unsigned int     i, j, split_indx;
2128         MDB_node        *node;
2129         MDB_page        *pright, *p;
2130         MDB_val  sepkey, rkey, rdata;
2131         MDB_page        *copy;
2132         MDB_dpage       *mdp, *rdp, *pdp;
2133         MDB_dhead *dh;
2134
2135         assert(bt != NULL);
2136         assert(bt->md_env != NULL);
2137
2138         dh = ((MDB_dhead *)*mpp) - 1;
2139         mdp = (MDB_dpage *)dh;
2140         newindx = *newindxp;
2141
2142         DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
2143             IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
2144             (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
2145
2146         if (mdp->h.md_parent == NULL) {
2147                 if ((pdp = mdbenv_new_page(bt->md_env, P_BRANCH, 1)) == NULL)
2148                         return MDB_FAIL;
2149                 mdp->h.md_pi = 0;
2150                 mdp->h.md_parent = &pdp->p;
2151                 bt->md_env->me_txn->mt_root = pdp->p.mp_pgno;
2152                 DPRINTF("root split! new root = %lu", pdp->p.mp_pgno);
2153                 bt->md_env->me_meta.mm_stat.ms_depth++;
2154
2155                 /* Add left (implicit) pointer. */
2156                 if (mdb_add_node(bt, &pdp->p, 0, NULL, NULL,
2157                     mdp->p.mp_pgno, 0) != MDB_SUCCESS)
2158                         return MDB_FAIL;
2159         } else {
2160                 DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
2161         }
2162
2163         /* Create a right sibling. */
2164         if ((rdp = mdbenv_new_page(bt->md_env, mdp->p.mp_flags, 1)) == NULL)
2165                 return MDB_FAIL;
2166         rdp->h.md_parent = mdp->h.md_parent;
2167         rdp->h.md_pi = mdp->h.md_pi + 1;
2168         DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
2169
2170         /* Move half of the keys to the right sibling. */
2171         if ((copy = malloc(bt->md_env->me_head.mh_psize)) == NULL)
2172                 return MDB_FAIL;
2173         bcopy(&mdp->p, copy, bt->md_env->me_head.mh_psize);
2174         bzero(&mdp->p.mp_ptrs, bt->md_env->me_head.mh_psize - PAGEHDRSZ);
2175         mdp->p.mp_lower = PAGEHDRSZ;
2176         mdp->p.mp_upper = bt->md_env->me_head.mh_psize;
2177
2178         split_indx = NUMKEYS(copy) / 2 + 1;
2179
2180         /* First find the separating key between the split pages.
2181          */
2182         bzero(&sepkey, sizeof(sepkey));
2183         if (newindx == split_indx) {
2184                 sepkey.mv_size = newkey->mv_size;
2185                 sepkey.mv_data = newkey->mv_data;
2186         } else {
2187                 node = NODEPTR(copy, split_indx);
2188                 sepkey.mv_size = node->mn_ksize;
2189                 sepkey.mv_data = NODEKEY(node);
2190         }
2191
2192         DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
2193
2194         /* Copy separator key to the parent.
2195          */
2196         if (SIZELEFT(rdp->h.md_parent) < mdb_branch_size(bt, &sepkey)) {
2197                 rc = mdb_split(bt, &rdp->h.md_parent, &rdp->h.md_pi,
2198                     &sepkey, NULL, rdp->p.mp_pgno);
2199
2200                 /* Right page might now have changed parent.
2201                  * Check if left page also changed parent.
2202                  */
2203                 if (rdp->h.md_parent != mdp->h.md_parent &&
2204                     mdp->h.md_pi >= NUMKEYS(mdp->h.md_parent)) {
2205                         mdp->h.md_parent = rdp->h.md_parent;
2206                         mdp->h.md_pi = rdp->h.md_pi - 1;
2207                 }
2208         } else {
2209                 rc = mdb_add_node(bt, rdp->h.md_parent, rdp->h.md_pi,
2210                     &sepkey, NULL, rdp->p.mp_pgno, 0);
2211         }
2212         if (rc != MDB_SUCCESS) {
2213                 free(copy);
2214                 return MDB_FAIL;
2215         }
2216
2217         for (i = j = 0; i <= NUMKEYS(copy); j++) {
2218                 if (i < split_indx) {
2219                         /* Re-insert in left sibling. */
2220                         pdp = mdp;
2221                 } else {
2222                         /* Insert in right sibling. */
2223                         if (i == split_indx)
2224                                 /* Reset insert index for right sibling. */
2225                                 j = (i == newindx && ins_new);
2226                         pdp = rdp;
2227                 }
2228
2229                 if (i == newindx && !ins_new) {
2230                         /* Insert the original entry that caused the split. */
2231                         rkey.mv_data = newkey->mv_data;
2232                         rkey.mv_size = newkey->mv_size;
2233                         if (IS_LEAF(&mdp->p)) {
2234                                 rdata.mv_data = newdata->mv_data;
2235                                 rdata.mv_size = newdata->mv_size;
2236                         } else
2237                                 pgno = newpgno;
2238                         flags = 0;
2239
2240                         ins_new = 1;
2241
2242                         /* Update page and index for the new key. */
2243                         *newindxp = j;
2244                         *mpp = &pdp->p;
2245                 } else if (i == NUMKEYS(copy)) {
2246                         break;
2247                 } else {
2248                         node = NODEPTR(copy, i);
2249                         rkey.mv_data = NODEKEY(node);
2250                         rkey.mv_size = node->mn_ksize;
2251                         if (IS_LEAF(&mdp->p)) {
2252                                 rdata.mv_data = NODEDATA(node);
2253                                 rdata.mv_size = node->mn_dsize;
2254                         } else
2255                                 pgno = node->mn_pgno;
2256                         flags = node->mn_flags;
2257
2258                         i++;
2259                 }
2260
2261                 if (!IS_LEAF(&mdp->p) && j == 0) {
2262                         /* First branch index doesn't need key data. */
2263                         rkey.mv_size = 0;
2264                 }
2265
2266                 rc = mdb_add_node(bt, &pdp->p, j, &rkey, &rdata, pgno,flags);
2267         }
2268
2269         free(copy);
2270         return rc;
2271 }
2272
2273 int
2274 mdb_put(MDB_db *bt, MDB_txn *txn,
2275     MDB_val *key, MDB_val *data, unsigned int flags)
2276 {
2277         int              rc = MDB_SUCCESS, exact;
2278         unsigned int     ki;
2279         MDB_node        *leaf;
2280         MDB_pageparent  mpp;
2281
2282         assert(key != NULL);
2283         assert(data != NULL);
2284
2285         if (bt == NULL || txn == NULL)
2286                 return EINVAL;
2287
2288         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2289                 return EINVAL;
2290         }
2291
2292         if (bt->md_env->me_txn != txn) {
2293                 return EINVAL;
2294         }
2295
2296         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2297                 return EINVAL;
2298         }
2299
2300         DPRINTF("==> put key %.*s, size %zu, data size %zu",
2301                 (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
2302
2303         rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp);
2304         if (rc == MDB_SUCCESS) {
2305                 leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2306                 if (leaf && exact) {
2307                         if (F_ISSET(flags, MDB_NOOVERWRITE)) {
2308                                 DPRINTF("duplicate key %.*s",
2309                                     (int)key->mv_size, (char *)key->mv_data);
2310                                 return EEXIST;
2311                         }
2312                         mdb_del_node(bt, mpp.mp_page, ki);
2313                 }
2314                 if (leaf == NULL) {             /* append if not found */
2315                         ki = NUMKEYS(mpp.mp_page);
2316                         DPRINTF("appending key at index %i", ki);
2317                 }
2318         } else if (rc == ENOENT) {
2319                 MDB_dpage *dp;
2320                 /* new file, just write a root leaf page */
2321                 DPRINTF("allocating new root leaf page");
2322                 if ((dp = mdbenv_new_page(bt->md_env, P_LEAF, 1)) == NULL) {
2323                         return ENOMEM;
2324                 }
2325                 mpp.mp_page = &dp->p;
2326                 txn->mt_root = mpp.mp_page->mp_pgno;
2327                 bt->md_env->me_meta.mm_stat.ms_depth++;
2328                 ki = 0;
2329         }
2330         else
2331                 goto done;
2332
2333         assert(IS_LEAF(mpp.mp_page));
2334         DPRINTF("there are %lu keys, should insert new key at index %i",
2335                 NUMKEYS(mpp.mp_page), ki);
2336
2337         if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(bt, key, data)) {
2338                 rc = mdb_split(bt, &mpp.mp_page, &ki, key, data, P_INVALID);
2339         } else {
2340                 /* There is room already in this leaf page. */
2341                 rc = mdb_add_node(bt, mpp.mp_page, ki, key, data, 0, 0);
2342         }
2343
2344         if (rc != MDB_SUCCESS)
2345                 txn->mt_flags |= MDB_TXN_ERROR;
2346         else
2347                 bt->md_env->me_meta.mm_stat.ms_entries++;
2348
2349 done:
2350         return rc;
2351 }
2352
2353 int
2354 mdbenv_get_flags(MDB_env *env, unsigned int *arg)
2355 {
2356         if (!env || !arg)
2357                 return EINVAL;
2358
2359         *arg = env->me_flags;
2360         return MDB_SUCCESS;
2361 }
2362
2363 int
2364 mdbenv_get_path(MDB_env *env, const char **arg)
2365 {
2366         if (!env || !arg)
2367                 return EINVAL;
2368
2369         *arg = env->me_path;
2370         return MDB_SUCCESS;
2371 }
2372
2373 int
2374 mdbenv_stat(MDB_env *env, MDB_stat **arg)
2375 {
2376         if (env == NULL || arg == NULL)
2377                 return EINVAL;
2378
2379         *arg = &env->me_meta.mm_stat;
2380
2381         return MDB_SUCCESS;
2382 }
2383
2384 int mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db)
2385 {
2386         if (!name) {
2387                 *db = (MDB_db *)&env->me_db;
2388                 return MDB_SUCCESS;
2389         }
2390         return EINVAL;
2391 }
2392
2393 int mdb_stat(MDB_db *db, MDB_stat **arg)
2394 {
2395         if (db == NULL || arg == NULL)
2396                 return EINVAL;
2397
2398         *arg = &db->md_stat;
2399
2400         return MDB_SUCCESS;
2401 }
2402
2403 void mdb_close(MDB_db *db)
2404 {
2405 }