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

   1 #include <sys/types.h>
   2 #include <sys/stat.h>
   3 #include <sys/queue.h>
   4 #include <sys/param.h>
   5 #include <sys/uio.h>
   6 #include <sys/mman.h>
   7 #ifdef HAVE_SYS_FILE_H
   8 #include <sys/file.h>
   9 #endif
  10 #include <sys/ipc.h>
  11 #include <sys/shm.h>
  12
  13 #include <assert.h>
  14 #include <err.h>
  15 #include <errno.h>
  16 #include <fcntl.h>
  17 #include <stddef.h>
  18 #include <stdint.h>
  19 #include <stdio.h>
  20 #include <stdlib.h>
  21 #include <string.h>
  22 #include <time.h>
  23 #include <unistd.h>
  24 #include <pthread.h>
  25
  26 #include "mdb.h"
  27
  28 #ifndef DEBUG
  29 #define DEBUG 1
  30 #endif
  31
  32 #if (DEBUG +0) && defined(__GNUC__)
  33 # define DPRINTF(fmt, ...) \
  34         fprintf(stderr, "%s:%d: " fmt "\n", __func__, __LINE__, ##__VA_ARGS__)
  35 #else
  36 # define DPRINTF(...)   ((void) 0)
  37 #endif
  38
  39 #define PAGESIZE         4096
  40 #define MDB_MINKEYS      4
  41 #define MDB_MAGIC        0xBEEFC0DE
  42 #define MDB_VERSION      1
  43 #define MAXKEYSIZE       255
  44
  45 #define P_INVALID        (~0UL)
  46
  47 #define F_ISSET(w, f)    (((w) & (f)) == (f))
  48
  49 typedef ulong            pgno_t;
  50 typedef uint16_t         indx_t;
  51
  52 #define DEFAULT_READERS 126
  53 #define DEFAULT_MAPSIZE 1048576
  54
  55 /* Lock descriptor stuff */
  56 #define RXBODY  \
  57         ulong           mr_txnid; \
  58         pid_t           mr_pid; \
  59         pthread_t       mr_tid
  60 typedef struct MDB_rxbody {
  61         RXBODY;
  62 } MDB_rxbody;
  63
  64 #ifndef CACHELINE
  65 #define CACHELINE       64      /* most CPUs. Itanium uses 128 */
  66 #endif
  67
  68 typedef struct MDB_reader {
  69         RXBODY;
  70         /* cache line alignment */
  71         char pad[CACHELINE-sizeof(MDB_rxbody)];
  72 } MDB_reader;
  73
  74 #define TXBODY \
  75         uint32_t        mt_magic;       \
  76         uint32_t        mt_version;     \
  77         pthread_mutex_t mt_mutex;       \
  78         ulong           mt_txnid;       \
  79         uint32_t        mt_numreaders
  80 typedef struct MDB_txbody {
  81         TXBODY;
  82 } MDB_txbody;
  83
  84 typedef struct MDB_txninfo {
  85         TXBODY;
  86         char pad[CACHELINE-sizeof(MDB_txbody)];
  87         pthread_mutex_t mt_wmutex;
  88         char pad2[CACHELINE-sizeof(pthread_mutex_t)];
  89         MDB_reader      mt_readers[1];
  90 } MDB_txninfo;
  91
  92 /* Common header for all page types. Overflow pages
  93  * occupy a number of contiguous pages with no
  94  * headers on any page after the first.
  95  */
  96 typedef struct MDB_page {               /* represents a page of storage */
  97         pgno_t          mp_pgno;                /* page number */
  98 #define P_BRANCH         0x01           /* branch page */
  99 #define P_LEAF           0x02           /* leaf page */
 100 #define P_OVERFLOW       0x04           /* overflow page */
 101 #define P_META           0x08           /* meta page */
 102 #define P_HEAD           0x10           /* header page */
 103 #define P_DIRTY          0x20           /* dirty page */
 104         uint32_t        mp_flags;
 105 #define mp_lower        mp_pb.pb.pb_lower
 106 #define mp_upper        mp_pb.pb.pb_upper
 107 #define mp_pages        mp_pb.pb_pages
 108         union page_bounds {
 109                 struct {
 110                         indx_t          pb_lower;               /* lower bound of free space */
 111                         indx_t          pb_upper;               /* upper bound of free space */
 112                 } pb;
 113                 uint32_t        pb_pages;       /* number of overflow pages */
 114         } mp_pb;
 115         indx_t          mp_ptrs[1];             /* dynamic size */
 116 } MDB_page;
 117
 118 #define PAGEHDRSZ        ((unsigned) offsetof(MDB_page, mp_ptrs))
 119
 120 #define NUMKEYS(p)       (((p)->mp_lower - PAGEHDRSZ) >> 1)
 121 #define SIZELEFT(p)      (indx_t)((p)->mp_upper - (p)->mp_lower)
 122 #define PAGEFILL(env, p) (1000L * ((env)->me_head.mh_psize - PAGEHDRSZ - SIZELEFT(p)) / \
 123                                 ((env)->me_head.mh_psize - PAGEHDRSZ))
 124 #define IS_LEAF(p)       F_ISSET((p)->mp_flags, P_LEAF)
 125 #define IS_BRANCH(p)     F_ISSET((p)->mp_flags, P_BRANCH)
 126 #define IS_OVERFLOW(p)   F_ISSET((p)->mp_flags, P_OVERFLOW)
 127
 128 typedef struct MDB_head {                       /* header page content */
 129         uint32_t        mh_magic;
 130         uint32_t        mh_version;
 131         uint32_t        mh_flags;
 132         uint32_t        mh_psize;                       /* page size */
 133         void            *mh_address;            /* address for fixed mapping */
 134         size_t          mh_mapsize;                     /* size of mmap region */
 135 } MDB_head;
 136
 137 typedef struct MDB_meta {                       /* meta (footer) page content */
 138         MDB_stat        mm_stat;
 139         pgno_t          mm_root;                        /* page number of root page */
 140         pgno_t          mm_last_pg;                     /* last used page in file */
 141         ulong           mm_txnid;                       /* txnid that committed this page */
 142 } MDB_meta;
 143
 144 typedef struct MDB_dhead {                                      /* a dirty page */
 145         SIMPLEQ_ENTRY(MDB_dpage)         md_next;       /* queue of dirty pages */
 146         MDB_page        *md_parent;
 147         int                     md_pi;                          /* parent index */
 148         int                     md_num;
 149 } MDB_dhead;
 150
 151 typedef struct MDB_dpage {
 152         MDB_dhead       h;
 153         MDB_page        p;
 154 } MDB_dpage;
 155
 156 SIMPLEQ_HEAD(dirty_queue, MDB_dpage);
 157
 158 typedef struct MDB_pageparent {
 159         MDB_page *mp_page;
 160         MDB_page *mp_parent;
 161         int             mp_pi;
 162 } MDB_pageparent;
 163
 164 static MDB_dpage *mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num);
 165 static int              mdb_touch(MDB_txn *txn, MDB_pageparent *mp);
 166
 167 typedef struct MDB_ppage {                                      /* ordered list of pages */
 168         SLIST_ENTRY(MDB_ppage)   mp_entry;
 169         MDB_page                *mp_page;
 170         unsigned int    mp_ki;          /* cursor index on page */
 171 } MDB_ppage;
 172 SLIST_HEAD(page_stack, MDB_ppage);
 173
 174 #define CURSOR_EMPTY(c)          SLIST_EMPTY(&(c)->mc_stack)
 175 #define CURSOR_TOP(c)            SLIST_FIRST(&(c)->mc_stack)
 176 #define CURSOR_POP(c)            SLIST_REMOVE_HEAD(&(c)->mc_stack, mp_entry)
 177 #define CURSOR_PUSH(c,p)         SLIST_INSERT_HEAD(&(c)->mc_stack, p, mp_entry)
 178
 179 struct MDB_cursor {
 180         MDB_db          *mc_db;
 181         MDB_txn         *mc_txn;
 182         struct page_stack        mc_stack;              /* stack of parent pages */
 183         short           mc_initialized; /* 1 if initialized */
 184         short           mc_eof;         /* 1 if end is reached */
 185 };
 186
 187 #define METAHASHLEN      offsetof(MDB_meta, mm_hash)
 188 #define METADATA(p)      ((void *)((char *)p + PAGEHDRSZ))
 189
 190 typedef struct MDB_node {
 191 #define mn_pgno          mn_p.np_pgno
 192 #define mn_dsize         mn_p.np_dsize
 193         union {
 194                 pgno_t           np_pgno;       /* child page number */
 195                 uint32_t         np_dsize;      /* leaf data size */
 196         } mn_p;
 197         unsigned int    mn_flags:4;
 198         unsigned int    mn_ksize:12;                    /* key size */
 199 #define F_BIGDATA        0x01                   /* data put on overflow page */
 200         char            mn_data[1];
 201 } MDB_node;
 202
 203 struct MDB_txn {
 204         pgno_t          mt_root;                /* current / new root page */
 205         pgno_t          mt_next_pgno;   /* next unallocated page */
 206         pgno_t          mt_first_pgno;
 207         ulong           mt_txnid;
 208         MDB_env         *mt_env;
 209         union {
 210                 struct dirty_queue      *dirty_queue;   /* modified pages */
 211                 MDB_reader      *reader;
 212         } mt_u;
 213 #define MDB_TXN_RDONLY           0x01           /* read-only transaction */
 214 #define MDB_TXN_ERROR            0x02           /* an error has occurred */
 215         unsigned int             mt_flags;
 216 };
 217
 218 /* Must be same as MDB_db, minus md_root/md_stat */
 219 typedef struct MDB_db0 {
 220         unsigned int    md_flags;
 221         MDB_cmp_func    *md_cmp;                /* user compare function */
 222         MDB_rel_func    *md_rel;                /* user relocate function */
 223         MDB_db                  *md_parent;             /* parent tree */
 224         MDB_env                 *md_env;
 225 } MDB_db0;
 226
 227 struct MDB_db {
 228         unsigned int    md_flags;
 229         MDB_cmp_func    *md_cmp;                /* user compare function */
 230         MDB_rel_func    *md_rel;                /* user relocate function */
 231         MDB_db                  *md_parent;             /* parent tree */
 232         MDB_env                 *md_env;
 233         MDB_stat                md_stat;
 234         pgno_t                  md_root;                /* page number of root page */
 235 };
 236
 237 struct MDB_env {
 238         int                     me_fd;
 239         key_t           me_shmkey;
 240         uint32_t        me_flags;
 241         int                     me_maxreaders;
 242         int                     me_metatoggle;
 243         char            *me_path;
 244         char *me_map;
 245         MDB_txninfo     *me_txns;
 246         MDB_head        me_head;
 247         MDB_db0         me_db;          /* first DB, overlaps with meta */
 248         MDB_meta        me_meta;
 249         MDB_txn *me_txn;                /* current write transaction */
 250         size_t          me_mapsize;
 251         off_t           me_size;                /* current file size */
 252         pthread_key_t   me_txkey;       /* thread-key for readers */
 253 };
 254
 255 #define NODESIZE         offsetof(MDB_node, mn_data)
 256
 257 #define INDXSIZE(k)      (NODESIZE + ((k) == NULL ? 0 : (k)->mv_size))
 258 #define LEAFSIZE(k, d)   (NODESIZE + (k)->mv_size + (d)->mv_size)
 259 #define NODEPTR(p, i)    ((MDB_node *)((char *)(p) + (p)->mp_ptrs[i]))
 260 #define NODEKEY(node)    (void *)((node)->mn_data)
 261 #define NODEDATA(node)   (void *)((char *)(node)->mn_data + (node)->mn_ksize)
 262 #define NODEPGNO(node)   ((node)->mn_pgno)
 263 #define NODEDSZ(node)    ((node)->mn_dsize)
 264
 265 #define MDB_COMMIT_PAGES         64     /* max number of pages to write in one commit */
 266 #define MDB_MAXCACHE_DEF         1024   /* max number of pages to keep in cache  */
 267
 268 static int  mdb_search_page_root(MDB_db *db,
 269                             MDB_val *key,
 270                             MDB_cursor *cursor, int modify,
 271                             MDB_pageparent *mpp);
 272 static int  mdb_search_page(MDB_db *db,
 273                             MDB_txn *txn, MDB_val *key,
 274                             MDB_cursor *cursor, int modify,
 275                             MDB_pageparent *mpp);
 276
 277 static int  mdbenv_write_header(MDB_env *env);
 278 static int  mdbenv_read_header(MDB_env *env);
 279 static int  mdb_check_meta_page(MDB_page *p);
 280 static int  mdbenv_read_meta(MDB_env *env);
 281 static int  mdbenv_write_meta(MDB_txn *txn);
 282 static MDB_page *mdbenv_get_page(MDB_env *env, pgno_t pgno);
 283
 284 static MDB_node *mdb_search_node(MDB_db *db, MDB_page *mp,
 285                             MDB_val *key, int *exactp, unsigned int *kip);
 286 static int  mdb_add_node(MDB_db *bt, MDB_page *mp,
 287                             indx_t indx, MDB_val *key, MDB_val *data,
 288                             pgno_t pgno, uint8_t flags);
 289 static void mdb_del_node(MDB_db *bt, MDB_page *mp,
 290                             indx_t indx);
 291 static int  mdb_read_data(MDB_db *bt, MDB_page *mp,
 292                             MDB_node *leaf, MDB_val *data);
 293
 294 static int               mdb_rebalance(MDB_db *bt, MDB_pageparent *mp);
 295 static int               mdb_update_key(MDB_db *bt, MDB_page *mp,
 296                             indx_t indx, MDB_val *key);
 297 static int               mdb_move_node(MDB_db *bt,
 298                                 MDB_pageparent *src, indx_t srcindx,
 299                                 MDB_pageparent *dst, indx_t dstindx);
 300 static int               mdb_merge(MDB_db *bt, MDB_pageparent *src,
 301                             MDB_pageparent *dst);
 302 static int               mdb_split(MDB_db *bt, MDB_page **mpp,
 303                             unsigned int *newindxp, MDB_val *newkey,
 304                             MDB_val *newdata, pgno_t newpgno);
 305 static MDB_dpage *mdbenv_new_page(MDB_env *env, uint32_t flags, int num);
 306
 307 static void              cursor_pop_page(MDB_cursor *cursor);
 308 static MDB_ppage *cursor_push_page(MDB_cursor *cursor,
 309                             MDB_page *mp);
 310
 311 static int               mdb_set_key(MDB_db *bt, MDB_page *mp,
 312                             MDB_node *node, MDB_val *key);
 313 static int               mdb_sibling(MDB_cursor *cursor, int move_right);
 314 static int               mdb_cursor_next(MDB_cursor *cursor,
 315                             MDB_val *key, MDB_val *data);
 316 static int               mdb_cursor_set(MDB_cursor *cursor,
 317                             MDB_val *key, MDB_val *data, int *exactp);
 318 static int               mdb_cursor_first(MDB_cursor *cursor,
 319                             MDB_val *key, MDB_val *data);
 320
 321 static size_t            mdb_leaf_size(MDB_db *bt, MDB_val *key,
 322                             MDB_val *data);
 323 static size_t            mdb_branch_size(MDB_db *bt, MDB_val *key);
 324
 325 static pgno_t            mdbenv_compact_tree(MDB_env *env, pgno_t pgno,
 326                             MDB_env *envc);
 327
 328 static int               memncmp(const void *s1, size_t n1,
 329                                  const void *s2, size_t n2);
 330 static int               memnrcmp(const void *s1, size_t n1,
 331                                   const void *s2, size_t n2);
 332
 333 static int
 334 memncmp(const void *s1, size_t n1, const void *s2, size_t n2)
 335 {
 336         int diff, len_diff = -1;
 337
 338         if (n1 >= n2) {
 339                 len_diff = (n1 > n2);
 340                 n1 = n2;
 341         }
 342         diff = memcmp(s1, s2, n1);
 343         return diff ? diff : len_diff;
 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, *p2, *p1_lim;
 350
 351         if (n2 == 0)
 352                 return n1 != 0;
 353         if (n1 == 0)
 354                 return -1;
 355
 356         p1 = (const unsigned char *)s1 + n1 - 1;
 357         p2 = (const unsigned char *)s2 + n2 - 1;
 358
 359         for (p1_lim = (n1 <= n2 ? s1 : s2);  *p1 == *p2;  p1--, p2--) {
 360                 if (p1 == p1_lim)
 361                         return (p1 != s1) ? (p1 != p2) : (p2 != s2) ? -1 : 0;
 362         }
 363         return *p1 - *p2;
 364 }
 365
 366 int
 367 mdb_cmp(MDB_db *db, const MDB_val *a, const MDB_val *b)
 368 {
 369         return db->md_cmp(a, b);
 370 }
 371
 372 static int
 373 _mdb_cmp(MDB_db *db, const MDB_val *key1, const MDB_val *key2)
 374 {
 375         if (F_ISSET(db->md_flags, MDB_REVERSEKEY))
 376                 return memnrcmp(key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 377         else
 378                 return memncmp((char *)key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 379 }
 380
 381 /* Allocate new page(s) for writing */
 382 static MDB_dpage *
 383 mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num)
 384 {
 385         MDB_dpage *dp;
 386
 387         if ((dp = malloc(txn->mt_env->me_head.mh_psize * num + sizeof(MDB_dhead))) == NULL)
 388                 return NULL;
 389         dp->h.md_num = num;
 390         dp->h.md_parent = parent;
 391         dp->h.md_pi = parent_idx;
 392         SIMPLEQ_INSERT_TAIL(txn->mt_u.dirty_queue, dp, h.md_next);
 393         dp->p.mp_pgno = txn->mt_next_pgno;
 394         txn->mt_next_pgno += num;
 395
 396         return dp;
 397 }
 398
 399 /* Touch a page: make it dirty and re-insert into tree with updated pgno.
 400  */
 401 static int
 402 mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
 403 {
 404         int rc;
 405         MDB_page *mp = pp->mp_page;
 406         pgno_t  pgno;
 407         assert(txn != NULL);
 408         assert(pp != NULL);
 409
 410         if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
 411                 MDB_dpage *dp;
 412                 DPRINTF("touching page %lu -> %lu", mp->mp_pgno, txn->mt_next_pgno);
 413                 if ((dp = mdb_newpage(txn, pp->mp_parent, pp->mp_pi, 1)) == NULL)
 414                         return ENOMEM;
 415                 pgno = dp->p.mp_pgno;
 416                 bcopy(mp, &dp->p, txn->mt_env->me_head.mh_psize);
 417                 mp = &dp->p;
 418                 mp->mp_pgno = pgno;
 419                 mp->mp_flags |= P_DIRTY;
 420
 421                 /* Update the page number to new touched page. */
 422                 if (pp->mp_parent != NULL)
 423                         NODEPGNO(NODEPTR(pp->mp_parent, pp->mp_pi)) = mp->mp_pgno;
 424                 pp->mp_page = mp;
 425         }
 426         return 0;
 427 }
 428
 429 int
 430 mdbenv_sync(MDB_env *env)
 431 {
 432         int rc = 0;
 433         if (!F_ISSET(env->me_flags, MDB_NOSYNC)) {
 434                 if (fsync(env->me_fd))
 435                         rc = errno;
 436         }
 437         return rc;
 438 }
 439
 440 int
 441 mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **ret)
 442 {
 443         MDB_txn *txn;
 444         int rc;
 445
 446         if ((txn = calloc(1, sizeof(*txn))) == NULL) {
 447                 DPRINTF("calloc: %s", strerror(errno));
 448                 return ENOMEM;
 449         }
 450
 451         if (rdonly) {
 452                 txn->mt_flags |= MDB_TXN_RDONLY;
 453         } else {
 454                 txn->mt_u.dirty_queue = calloc(1, sizeof(*txn->mt_u.dirty_queue));
 455                 if (txn->mt_u.dirty_queue == NULL) {
 456                         free(txn);
 457                         return ENOMEM;
 458                 }
 459                 SIMPLEQ_INIT(txn->mt_u.dirty_queue);
 460
 461                 pthread_mutex_lock(&env->me_txns->mt_wmutex);
 462                 env->me_txns->mt_txnid++;
 463         }
 464         txn->mt_txnid = env->me_txns->mt_txnid;
 465         if (rdonly) {
 466                 MDB_reader *r = pthread_getspecific(env->me_txkey);
 467                 if (!r) {
 468                         int i;
 469                         pthread_mutex_lock(&env->me_txns->mt_mutex);
 470                         for (i=0; i<env->me_maxreaders; i++) {
 471                                 if (env->me_txns->mt_readers[i].mr_pid == 0) {
 472                                         env->me_txns->mt_readers[i].mr_pid = getpid();
 473                                         env->me_txns->mt_readers[i].mr_tid = pthread_self();
 474                                         pthread_setspecific(env->me_txkey, &env->me_txns->mt_readers[i]);
 475                                         if (i >= env->me_txns->mt_numreaders)
 476                                                 env->me_txns->mt_numreaders = i+1;
 477                                         break;
 478                                 }
 479                         }
 480                         pthread_mutex_unlock(&env->me_txns->mt_mutex);
 481                         if (i == env->me_maxreaders) {
 482                                 return ENOSPC;
 483                         }
 484                 }
 485                 r->mr_txnid = txn->mt_txnid;
 486                 txn->mt_u.reader = r;
 487         } else {
 488                 env->me_txn = txn;
 489         }
 490
 491         txn->mt_env = env;
 492
 493         if ((rc = mdbenv_read_meta(env)) != MDB_SUCCESS) {
 494                 mdb_txn_abort(txn);
 495                 return rc;
 496         }
 497
 498         txn->mt_next_pgno = env->me_meta.mm_last_pg+1;
 499         txn->mt_first_pgno = txn->mt_next_pgno;
 500         txn->mt_root = env->me_meta.mm_root;
 501         DPRINTF("begin transaction %lu on mdbenv %p, root page %lu", txn->mt_txnid, env, txn->mt_root);
 502
 503         *ret = txn;
 504         return MDB_SUCCESS;
 505 }
 506
 507 void
 508 mdb_txn_abort(MDB_txn *txn)
 509 {
 510         MDB_dpage *dp;
 511         MDB_env *env;
 512
 513         if (txn == NULL)
 514                 return;
 515
 516         env = txn->mt_env;
 517         DPRINTF("abort transaction %lu on mdbenv %p, root page %lu", txn->mt_txnid, env, txn->mt_root);
 518
 519         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 520                 txn->mt_u.reader->mr_txnid = 0;
 521         } else {
 522                 /* Discard all dirty pages.
 523                  */
 524                 while (!SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
 525                         dp = SIMPLEQ_FIRST(txn->mt_u.dirty_queue);
 526                         SIMPLEQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
 527                         free(dp);
 528                 }
 529
 530 #if 0
 531                 DPRINTF("releasing write lock on txn %p", txn);
 532                 txn->bt->txn = NULL;
 533                 if (flock(txn->bt->fd, LOCK_UN) != 0) {
 534                         DPRINTF("failed to unlock fd %d: %s",
 535                             txn->bt->fd, strerror(errno));
 536                 }
 537 #endif
 538                 free(txn->mt_u.dirty_queue);
 539                 env->me_txn = NULL;
 540                 pthread_mutex_unlock(&env->me_txns->mt_wmutex);
 541         }
 542
 543         free(txn);
 544 }
 545
 546 int
 547 mdb_txn_commit(MDB_txn *txn)
 548 {
 549         int              n, done;
 550         ssize_t          rc;
 551         off_t            size;
 552         MDB_dpage       *dp;
 553         MDB_env *env;
 554         pgno_t  next;
 555         struct iovec     iov[MDB_COMMIT_PAGES];
 556
 557         assert(txn != NULL);
 558         assert(txn->mt_env != NULL);
 559
 560         env = txn->mt_env;
 561
 562         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 563                 DPRINTF("attempt to commit read-only transaction");
 564                 mdb_txn_abort(txn);
 565                 return EPERM;
 566         }
 567
 568         if (txn != env->me_txn) {
 569                 DPRINTF("attempt to commit unknown transaction");
 570                 mdb_txn_abort(txn);
 571                 return EINVAL;
 572         }
 573
 574         if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
 575                 DPRINTF("error flag is set, can't commit");
 576                 mdb_txn_abort(txn);
 577                 return EINVAL;
 578         }
 579
 580         if (SIMPLEQ_EMPTY(txn->mt_u.dirty_queue))
 581                 goto done;
 582
 583         DPRINTF("committing transaction %lu on mdbenv %p, root page %lu",
 584             txn->mt_txnid, env, txn->mt_root);
 585
 586         /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
 587          */
 588         next = 0;
 589         do {
 590                 n = 0;
 591                 done = 1;
 592                 size = 0;
 593                 SIMPLEQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
 594                         if (dp->p.mp_pgno != next) {
 595                                 lseek(env->me_fd, dp->p.mp_pgno * env->me_head.mh_psize, SEEK_SET);
 596                                 next = dp->p.mp_pgno;
 597                                 if (n)
 598                                         break;
 599                         }
 600                         DPRINTF("committing page %lu", dp->p.mp_pgno);
 601                         iov[n].iov_len = env->me_head.mh_psize * dp->h.md_num;
 602                         iov[n].iov_base = &dp->p;
 603                         size += iov[n].iov_len;
 604                         next = dp->p.mp_pgno + dp->h.md_num;
 605                         /* clear dirty flag */
 606                         dp->p.mp_flags &= ~P_DIRTY;
 607                         if (++n >= MDB_COMMIT_PAGES) {
 608                                 done = 0;
 609                                 break;
 610                         }
 611                 }
 612
 613                 if (n == 0)
 614                         break;
 615
 616                 DPRINTF("committing %u dirty pages", n);
 617                 rc = writev(env->me_fd, iov, n);
 618                 if (rc != size) {
 619                         n = errno;
 620                         if (rc > 0)
 621                                 DPRINTF("short write, filesystem full?");
 622                         else
 623                                 DPRINTF("writev: %s", strerror(errno));
 624                         mdb_txn_abort(txn);
 625                         return n;
 626                 }
 627
 628                 /* Drop the dirty pages.
 629                  */
 630                 while (!SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
 631                         dp = SIMPLEQ_FIRST(txn->mt_u.dirty_queue);
 632                         SIMPLEQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
 633                         free(dp);
 634                         if (--n == 0)
 635                                 break;
 636                 }
 637         } while (!done);
 638
 639         if ((n = mdbenv_sync(env)) != 0 ||
 640             (n = mdbenv_write_meta(txn)) != MDB_SUCCESS ||
 641             (n = mdbenv_sync(env)) != 0) {
 642                 mdb_txn_abort(txn);
 643                 return n;
 644         }
 645         env->me_txn = NULL;
 646         pthread_mutex_unlock(&env->me_txns->mt_wmutex);
 647         free(txn->mt_u.dirty_queue);
 648         free(txn);
 649         txn = NULL;
 650
 651 done:
 652         mdb_txn_abort(txn);
 653
 654         return MDB_SUCCESS;
 655 }
 656
 657 static int
 658 mdbenv_write_header(MDB_env *env)
 659 {
 660         struct stat      sb;
 661         MDB_head        *h;
 662         MDB_page        *p;
 663         ssize_t          rc;
 664         unsigned int     psize;
 665
 666         DPRINTF("writing header page");
 667         assert(env != NULL);
 668
 669         psize = sysconf(_SC_PAGE_SIZE);
 670
 671         if ((p = calloc(1, psize)) == NULL)
 672                 return ENOMEM;
 673         p->mp_flags = P_HEAD;
 674
 675         env->me_head.mh_psize = psize;
 676         env->me_head.mh_flags = env->me_flags & 0xffff;
 677
 678         h = METADATA(p);
 679         bcopy(&env->me_head, h, sizeof(*h));
 680
 681         rc = write(env->me_fd, p, env->me_head.mh_psize);
 682         free(p);
 683         if (rc != (ssize_t)env->me_head.mh_psize) {
 684                 int err = errno;
 685                 if (rc > 0)
 686                         DPRINTF("short write, filesystem full?");
 687                 return err;
 688         }
 689
 690         return MDB_SUCCESS;
 691 }
 692
 693 static int
 694 mdbenv_read_header(MDB_env *env)
 695 {
 696         char             page[PAGESIZE];
 697         MDB_page        *p;
 698         MDB_head        *h;
 699         int              rc;
 700
 701         assert(env != NULL);
 702
 703         /* We don't know the page size yet, so use a minimum value.
 704          */
 705
 706         if ((rc = pread(env->me_fd, page, PAGESIZE, 0)) == 0) {
 707                 return ENOENT;
 708         } else if (rc != PAGESIZE) {
 709                 if (rc > 0)
 710                         errno = EINVAL;
 711                 DPRINTF("read: %s", strerror(errno));
 712                 return errno;
 713         }
 714
 715         p = (MDB_page *)page;
 716
 717         if (!F_ISSET(p->mp_flags, P_HEAD)) {
 718                 DPRINTF("page %lu not a header page", p->mp_pgno);
 719                 return EINVAL;
 720         }
 721
 722         h = METADATA(p);
 723         if (h->mh_magic != MDB_MAGIC) {
 724                 DPRINTF("header has invalid magic");
 725                 return EINVAL;
 726         }
 727
 728         if (h->mh_version != MDB_VERSION) {
 729                 DPRINTF("database is version %u, expected version %u",
 730                     h->mh_version, MDB_VERSION);
 731                 return EINVAL;
 732         }
 733
 734         bcopy(h, &env->me_head, sizeof(*h));
 735         return 0;
 736 }
 737
 738 static int
 739 mdbenv_init_meta(MDB_env *env)
 740 {
 741         MDB_page *p, *q;
 742         MDB_meta *meta;
 743         int rc;
 744
 745         p = calloc(2, env->me_head.mh_psize);
 746         p->mp_pgno = 1;
 747         p->mp_flags = P_META;
 748
 749         meta = METADATA(p);
 750         meta->mm_root = P_INVALID;
 751         meta->mm_last_pg = 2;
 752
 753         q = (MDB_page *)((char *)p + env->me_head.mh_psize);
 754
 755         q->mp_pgno = 2;
 756         q->mp_flags = P_META;
 757
 758         meta = METADATA(q);
 759         meta->mm_root = P_INVALID;
 760         meta->mm_last_pg = 2;
 761
 762         rc = write(env->me_fd, p, env->me_head.mh_psize * 2);
 763         free(p);
 764         return (rc == env->me_head.mh_psize * 2) ? MDB_SUCCESS : errno;
 765 }
 766
 767 static int
 768 mdbenv_write_meta(MDB_txn *txn)
 769 {
 770         MDB_env *env;
 771         MDB_meta        meta;
 772         off_t off;
 773         int rc;
 774
 775         assert(txn != NULL);
 776         assert(txn->mt_env != NULL);
 777
 778         DPRINTF("writing meta page for root page %lu", txn->mt_root);
 779
 780         env = txn->mt_env;
 781
 782         bcopy(&env->me_meta, &meta, sizeof(meta));
 783         meta.mm_root = txn->mt_root;
 784         meta.mm_last_pg = txn->mt_next_pgno - 1;
 785         meta.mm_txnid = txn->mt_txnid;
 786
 787         off = env->me_head.mh_psize;
 788         if (!env->me_metatoggle)
 789                 off *= 2;
 790         off += PAGEHDRSZ;
 791
 792         lseek(env->me_fd, off, SEEK_SET);
 793         rc = write(env->me_fd, &meta, sizeof(meta));
 794         if (rc != sizeof(meta)) {
 795                 DPRINTF("write failed, disk error?");
 796                 return errno;
 797         }
 798
 799         return MDB_SUCCESS;
 800 }
 801
 802 /* Returns true if page p is a valid meta page, false otherwise.
 803  */
 804 static int
 805 mdb_check_meta_page(MDB_page *p)
 806 {
 807         if (!F_ISSET(p->mp_flags, P_META)) {
 808                 DPRINTF("page %lu not a meta page", p->mp_pgno);
 809                 return EINVAL;
 810         }
 811
 812         return 0;
 813 }
 814
 815 static int
 816 mdbenv_read_meta(MDB_env *env)
 817 {
 818         MDB_page        *mp0, *mp1;
 819         MDB_meta        *meta[2];
 820         int toggle = 0, rc;
 821
 822         assert(env != NULL);
 823
 824         if ((mp0 = mdbenv_get_page(env, 1)) == NULL ||
 825                 (mp1 = mdbenv_get_page(env, 2)) == NULL)
 826                 return EIO;
 827
 828         rc = mdb_check_meta_page(mp0);
 829         if (rc) return rc;
 830
 831         rc = mdb_check_meta_page(mp1);
 832         if (rc) return rc;
 833
 834         meta[0] = METADATA(mp0);
 835         meta[1] = METADATA(mp1);
 836
 837         if (meta[0]->mm_txnid < meta[1]->mm_txnid)
 838                 toggle = 1;
 839
 840         if (meta[toggle]->mm_txnid > env->me_meta.mm_txnid) {
 841                 bcopy(meta[toggle], &env->me_meta, sizeof(env->me_meta));
 842                 env->me_metatoggle = toggle;
 843         }
 844
 845         DPRINTF("Using meta page %d", toggle);
 846
 847         return MDB_SUCCESS;
 848 }
 849
 850 int
 851 mdbenv_create(MDB_env **env)
 852 {
 853         MDB_env *e;
 854
 855         e = calloc(1, sizeof(*e));
 856         if (!e) return ENOMEM;
 857
 858         e->me_head.mh_magic = MDB_MAGIC;
 859         e->me_head.mh_version = MDB_VERSION;
 860         e->me_head.mh_mapsize = DEFAULT_MAPSIZE;
 861         e->me_maxreaders = DEFAULT_READERS;
 862         e->me_db.md_env = e;
 863         *env = e;
 864         return MDB_SUCCESS;
 865 }
 866
 867 int
 868 mdbenv_set_mapsize(MDB_env *env, size_t size)
 869 {
 870         if (env->me_map)
 871                 return EINVAL;
 872         env->me_mapsize = env->me_head.mh_mapsize = size;
 873         return MDB_SUCCESS;
 874 }
 875
 876 int
 877 mdbenv_set_maxreaders(MDB_env *env, int readers)
 878 {
 879         env->me_maxreaders = readers;
 880         return MDB_SUCCESS;
 881 }
 882
 883 int
 884 mdbenv_get_maxreaders(MDB_env *env, int *readers)
 885 {
 886         if (!env || !readers)
 887                 return EINVAL;
 888         *readers = env->me_maxreaders;
 889         return MDB_SUCCESS;
 890 }
 891
 892 int
 893 mdbenv_open2(MDB_env *env, unsigned int flags)
 894 {
 895         int i, newenv = 0;
 896
 897         env->me_flags = flags;
 898         env->me_meta.mm_root = P_INVALID;
 899         env->me_meta.mm_last_pg = 2;
 900
 901         if ((i = mdbenv_read_header(env)) != 0) {
 902                 if (i != ENOENT)
 903                         return i;
 904                 DPRINTF("new mdbenv");
 905                 newenv = 1;
 906         }
 907
 908         if (!env->me_mapsize)
 909                 env->me_mapsize = env->me_head.mh_mapsize;
 910
 911         i = MAP_SHARED;
 912         if (env->me_head.mh_address && (flags & MDB_FIXEDMAP))
 913                 i |= MAP_FIXED;
 914         env->me_map = mmap(env->me_head.mh_address, env->me_mapsize, PROT_READ, i,
 915                 env->me_fd, 0);
 916         if (env->me_map == MAP_FAILED)
 917                 return errno;
 918
 919         if (newenv) {
 920                 env->me_head.mh_mapsize = env->me_mapsize;
 921                 if (flags & MDB_FIXEDMAP)
 922                         env->me_head.mh_address = env->me_map;
 923                 i = mdbenv_write_header(env);
 924                 if (i != MDB_SUCCESS) {
 925                         munmap(env->me_map, env->me_mapsize);
 926                         return i;
 927                 }
 928                 i = mdbenv_init_meta(env);
 929                 if (i != MDB_SUCCESS) {
 930                         munmap(env->me_map, env->me_mapsize);
 931                         return i;
 932                 }
 933         }
 934
 935         if ((i = mdbenv_read_meta(env)) != 0)
 936                 return i;
 937
 938         DPRINTF("opened database version %u, pagesize %u",
 939             env->me_head.mh_version, env->me_head.mh_psize);
 940         DPRINTF("depth: %u", env->me_meta.mm_stat.ms_depth);
 941         DPRINTF("entries: %lu", env->me_meta.mm_stat.ms_entries);
 942         DPRINTF("branch pages: %lu", env->me_meta.mm_stat.ms_branch_pages);
 943         DPRINTF("leaf pages: %lu", env->me_meta.mm_stat.ms_leaf_pages);
 944         DPRINTF("overflow pages: %lu", env->me_meta.mm_stat.ms_overflow_pages);
 945         DPRINTF("root: %lu", env->me_meta.mm_root);
 946
 947         return MDB_SUCCESS;
 948 }
 949
 950 static void
 951 mdbenv_reader_dest(void *ptr)
 952 {
 953         MDB_reader *reader = ptr;
 954
 955         reader->mr_txnid = 0;
 956         reader->mr_pid = 0;
 957         reader->mr_tid = 0;
 958 }
 959
 960 int
 961 mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
 962 {
 963         int             oflags, rc, shmid;
 964         off_t   size;
 965
 966
 967         if (F_ISSET(flags, MDB_RDONLY))
 968                 oflags = O_RDONLY;
 969         else
 970                 oflags = O_RDWR | O_CREAT;
 971
 972         if ((env->me_fd = open(path, oflags, mode)) == -1)
 973                 return errno;
 974
 975         env->me_shmkey = ftok(path, 'm');
 976         size = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
 977         shmid = shmget(env->me_shmkey, size, IPC_CREAT|IPC_EXCL|mode);
 978         if (shmid == -1) {
 979                 if (errno == EEXIST) {
 980                         shmid = shmget(env->me_shmkey, size, IPC_CREAT|mode);
 981                         if (shmid == -1)
 982                                 return errno;
 983                         env->me_txns = shmat(shmid, NULL, 0);
 984                         if (env->me_txns->mt_magic != MDB_MAGIC ||
 985                                 env->me_txns->mt_version != MDB_VERSION) {
 986                                         DPRINTF("invalid lock region %d", shmid);
 987                                         shmdt(env->me_txns);
 988                                         env->me_txns = NULL;
 989                                         return EIO;
 990                                 }
 991                 } else {
 992                         return errno;
 993                 }
 994         } else {
 995                 pthread_mutexattr_t mattr;
 996
 997                 env->me_txns = shmat(shmid, NULL, 0);
 998                 pthread_mutexattr_init(&mattr);
 999                 pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
1000                 pthread_mutex_init(&env->me_txns->mt_mutex, &mattr);
1001                 pthread_mutex_init(&env->me_txns->mt_wmutex, &mattr);
1002                 env->me_txns->mt_version = MDB_VERSION;
1003                 env->me_txns->mt_magic = MDB_MAGIC;
1004         }
1005
1006         if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
1007                 close(env->me_fd);
1008                 env->me_fd = -1;
1009         } else {
1010                 env->me_path = strdup(path);
1011                 DPRINTF("opened dbenv %p", env);
1012         }
1013
1014         pthread_key_create(&env->me_txkey, mdbenv_reader_dest);
1015
1016         return rc;
1017 }
1018
1019 void
1020 mdbenv_close(MDB_env *env)
1021 {
1022         if (env == NULL)
1023                 return;
1024
1025         free(env->me_path);
1026
1027         if (env->me_map) {
1028                 munmap(env->me_map, env->me_mapsize);
1029         }
1030         close(env->me_fd);
1031         if (env->me_txns) {
1032                 shmdt(env->me_txns);
1033         }
1034         free(env);
1035 }
1036
1037 /* Search for key within a leaf page, using binary search.
1038  * Returns the smallest entry larger or equal to the key.
1039  * If exactp is non-null, stores whether the found entry was an exact match
1040  * in *exactp (1 or 0).
1041  * If kip is non-null, stores the index of the found entry in *kip.
1042  * If no entry larger or equal to the key is found, returns NULL.
1043  */
1044 static MDB_node *
1045 mdb_search_node(MDB_db *bt, MDB_page *mp, MDB_val *key,
1046     int *exactp, unsigned int *kip)
1047 {
1048         unsigned int     i = 0;
1049         int              low, high;
1050         int              rc = 0;
1051         MDB_node        *node;
1052         MDB_val  nodekey;
1053
1054         DPRINTF("searching %u keys in %s page %lu",
1055             NUMKEYS(mp),
1056             IS_LEAF(mp) ? "leaf" : "branch",
1057             mp->mp_pgno);
1058
1059         assert(NUMKEYS(mp) > 0);
1060
1061         bzero(&nodekey, sizeof(nodekey));
1062
1063         low = IS_LEAF(mp) ? 0 : 1;
1064         high = NUMKEYS(mp) - 1;
1065         while (low <= high) {
1066                 i = (low + high) >> 1;
1067                 node = NODEPTR(mp, i);
1068
1069                 nodekey.mv_size = node->mn_ksize;
1070                 nodekey.mv_data = NODEKEY(node);
1071
1072                 if (bt->md_cmp)
1073                         rc = bt->md_cmp(key, &nodekey);
1074                 else
1075                         rc = _mdb_cmp(bt, key, &nodekey);
1076
1077                 if (IS_LEAF(mp))
1078                         DPRINTF("found leaf index %u [%.*s], rc = %i",
1079                             i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
1080                 else
1081                         DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
1082                             i, (int)node->mn_ksize, (char *)NODEKEY(node),
1083                             node->mn_pgno, rc);
1084
1085                 if (rc == 0)
1086                         break;
1087                 if (rc > 0)
1088                         low = i + 1;
1089                 else
1090                         high = i - 1;
1091         }
1092
1093         if (rc > 0) {   /* Found entry is less than the key. */
1094                 i++;    /* Skip to get the smallest entry larger than key. */
1095                 if (i >= NUMKEYS(mp))
1096                         /* There is no entry larger or equal to the key. */
1097                         return NULL;
1098         }
1099         if (exactp)
1100                 *exactp = (rc == 0);
1101         if (kip)        /* Store the key index if requested. */
1102                 *kip = i;
1103
1104         return NODEPTR(mp, i);
1105 }
1106
1107 static void
1108 cursor_pop_page(MDB_cursor *cursor)
1109 {
1110         MDB_ppage       *top;
1111
1112         top = CURSOR_TOP(cursor);
1113         CURSOR_POP(cursor);
1114
1115         DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, cursor);
1116
1117         free(top);
1118 }
1119
1120 static MDB_ppage *
1121 cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
1122 {
1123         MDB_ppage       *ppage;
1124
1125         DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, cursor);
1126
1127         if ((ppage = calloc(1, sizeof(*ppage))) == NULL)
1128                 return NULL;
1129         ppage->mp_page = mp;
1130         CURSOR_PUSH(cursor, ppage);
1131         return ppage;
1132 }
1133
1134 static MDB_page *
1135 mdbenv_get_page(MDB_env *env, pgno_t pgno)
1136 {
1137         MDB_page *p = NULL;
1138         MDB_txn *txn = env->me_txn;
1139
1140         if (txn && pgno >= txn->mt_first_pgno &&
1141                 !SIMPLEQ_EMPTY(txn->mt_u.dirty_queue)) {
1142                 MDB_dpage *dp;
1143                 SIMPLEQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
1144                         if (dp->p.mp_pgno == pgno) {
1145                                 p = &dp->p;
1146                                 break;
1147                         }
1148                 }
1149         } else {
1150                 p = (MDB_page *)(env->me_map + env->me_head.mh_psize * pgno);
1151         }
1152         return p;
1153 }
1154
1155 static int
1156 mdb_search_page_root(MDB_db *bt, MDB_val *key,
1157     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1158 {
1159         MDB_page        *mp = mpp->mp_page;
1160         int rc;
1161
1162         if (cursor && cursor_push_page(cursor, mp) == NULL)
1163                 return MDB_FAIL;
1164
1165         while (IS_BRANCH(mp)) {
1166                 unsigned int     i = 0;
1167                 MDB_node        *node;
1168
1169                 DPRINTF("branch page %lu has %u keys", mp->mp_pgno, NUMKEYS(mp));
1170                 assert(NUMKEYS(mp) > 1);
1171                 DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
1172
1173                 if (key == NULL)        /* Initialize cursor to first page. */
1174                         i = 0;
1175                 else {
1176                         int      exact;
1177                         node = mdb_search_node(bt, mp, key, &exact, &i);
1178                         if (node == NULL)
1179                                 i = NUMKEYS(mp) - 1;
1180                         else if (!exact) {
1181                                 assert(i > 0);
1182                                 i--;
1183                         }
1184                 }
1185
1186                 if (key)
1187                         DPRINTF("following index %u for key %.*s",
1188                             i, (int)key->mv_size, (char *)key->mv_data);
1189                 assert(i < NUMKEYS(mp));
1190                 node = NODEPTR(mp, i);
1191
1192                 if (cursor)
1193                         CURSOR_TOP(cursor)->mp_ki = i;
1194
1195                 mpp->mp_parent = mp;
1196                 if ((mp = mdbenv_get_page(bt->md_env, NODEPGNO(node))) == NULL)
1197                         return MDB_FAIL;
1198                 mpp->mp_pi = i;
1199                 mpp->mp_page = mp;
1200
1201                 if (cursor && cursor_push_page(cursor, mp) == NULL)
1202                         return MDB_FAIL;
1203
1204                 if (modify) {
1205                         MDB_dhead *dh = ((MDB_dhead *)mp)-1;
1206                         if ((rc = mdb_touch(bt->md_env->me_txn, mpp)) != 0)
1207                                 return rc;
1208                         dh = ((MDB_dhead *)mpp->mp_page)-1;
1209                         dh->md_parent = mpp->mp_parent;
1210                         dh->md_pi = mpp->mp_pi;
1211                 }
1212
1213                 mp = mpp->mp_page;
1214         }
1215
1216         if (!IS_LEAF(mp)) {
1217                 DPRINTF("internal error, index points to a %02X page!?",
1218                     mp->mp_flags);
1219                 return MDB_FAIL;
1220         }
1221
1222         DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
1223             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
1224
1225         return MDB_SUCCESS;
1226 }
1227
1228 /* Search for the page a given key should be in.
1229  * Stores a pointer to the found page in *mpp.
1230  * If key is NULL, search for the lowest page (used by mdb_cursor_first).
1231  * If cursor is non-null, pushes parent pages on the cursor stack.
1232  * If modify is true, visited pages are updated with new page numbers.
1233  */
1234 static int
1235 mdb_search_page(MDB_db *db, MDB_txn *txn, MDB_val *key,
1236     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1237 {
1238         int              rc;
1239         pgno_t           root;
1240
1241         /* Can't modify pages outside a transaction. */
1242         if (txn == NULL && modify) {
1243                 return EINVAL;
1244         }
1245
1246         /* Choose which root page to start with. If a transaction is given
1247          * use the root page from the transaction, otherwise read the last
1248          * committed root page.
1249          */
1250         if (txn == NULL) {
1251                 if ((rc = mdbenv_read_meta(db->md_env)) != MDB_SUCCESS)
1252                         return rc;
1253                 root = db->md_env->me_meta.mm_root;
1254         } else if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
1255                 DPRINTF("transaction has failed, must abort");
1256                 return EINVAL;
1257         } else
1258                 root = txn->mt_root;
1259
1260         if (root == P_INVALID) {                /* Tree is empty. */
1261                 DPRINTF("tree is empty");
1262                 return ENOENT;
1263         }
1264
1265         if ((mpp->mp_page = mdbenv_get_page(db->md_env, root)) == NULL)
1266                 return MDB_FAIL;
1267
1268         DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
1269
1270         if (modify && !F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
1271                 mpp->mp_parent = NULL;
1272                 mpp->mp_pi = 0;
1273                 if ((rc = mdb_touch(txn, mpp)))
1274                         return rc;
1275                 txn->mt_root = mpp->mp_page->mp_pgno;
1276         }
1277
1278         return mdb_search_page_root(db, key, cursor, modify, mpp);
1279 }
1280
1281 static int
1282 mdb_read_data(MDB_db *db, MDB_page *mp, MDB_node *leaf,
1283     MDB_val *data)
1284 {
1285         MDB_page        *omp;           /* overflow mpage */
1286         size_t           psz;
1287         size_t           max;
1288         size_t           sz = 0;
1289         pgno_t           pgno;
1290
1291         bzero(data, sizeof(*data));
1292         max = db->md_env->me_head.mh_psize - PAGEHDRSZ;
1293
1294         if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
1295                 data->mv_size = leaf->mn_dsize;
1296                 data->mv_data = NODEDATA(leaf);
1297                 return MDB_SUCCESS;
1298         }
1299
1300         /* Read overflow data.
1301          */
1302         data->mv_size = leaf->mn_dsize;
1303         bcopy(NODEDATA(leaf), &pgno, sizeof(pgno));
1304         if ((omp = mdbenv_get_page(db->md_env, pgno)) == NULL) {
1305                 DPRINTF("read overflow page %lu failed", pgno);
1306                 return MDB_FAIL;
1307         }
1308         data->mv_data = omp;
1309
1310         return MDB_SUCCESS;
1311 }
1312
1313 int
1314 mdb_get(MDB_db *db, MDB_txn *txn,
1315     MDB_val *key, MDB_val *data)
1316 {
1317         int              rc, exact;
1318         MDB_node        *leaf;
1319         MDB_pageparent mpp;
1320
1321         assert(key);
1322         assert(data);
1323         DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
1324
1325         if (db == NULL)
1326                 return EINVAL;
1327
1328         if (txn != NULL && db->md_env != txn->mt_env) {
1329                 return EINVAL;
1330         }
1331
1332         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1333                 return EINVAL;
1334         }
1335
1336         if ((rc = mdb_search_page(db, txn, key, NULL, 0, &mpp)) != MDB_SUCCESS)
1337                 return rc;
1338
1339         leaf = mdb_search_node(db, mpp.mp_page, key, &exact, NULL);
1340         if (leaf && exact)
1341                 rc = mdb_read_data(db, mpp.mp_page, leaf, data);
1342         else {
1343                 rc = ENOENT;
1344         }
1345
1346         return rc;
1347 }
1348
1349 static int
1350 mdb_sibling(MDB_cursor *cursor, int move_right)
1351 {
1352         int              rc;
1353         MDB_node        *indx;
1354         MDB_ppage       *parent, *top;
1355         MDB_page        *mp;
1356
1357         top = CURSOR_TOP(cursor);
1358         if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
1359                 return ENOENT;          /* root has no siblings */
1360         }
1361
1362         DPRINTF("parent page is page %lu, index %u",
1363             parent->mp_page->mp_pgno, parent->mp_ki);
1364
1365         cursor_pop_page(cursor);
1366         if (move_right ? (parent->mp_ki + 1 >= NUMKEYS(parent->mp_page))
1367                        : (parent->mp_ki == 0)) {
1368                 DPRINTF("no more keys left, moving to %s sibling",
1369                     move_right ? "right" : "left");
1370                 if ((rc = mdb_sibling(cursor, move_right)) != MDB_SUCCESS)
1371                         return rc;
1372                 parent = CURSOR_TOP(cursor);
1373         } else {
1374                 if (move_right)
1375                         parent->mp_ki++;
1376                 else
1377                         parent->mp_ki--;
1378                 DPRINTF("just moving to %s index key %u",
1379                     move_right ? "right" : "left", parent->mp_ki);
1380         }
1381         assert(IS_BRANCH(parent->mp_page));
1382
1383         indx = NODEPTR(parent->mp_page, parent->mp_ki);
1384         if ((mp = mdbenv_get_page(cursor->mc_db->md_env, indx->mn_pgno)) == NULL)
1385                 return MDB_FAIL;
1386 #if 0
1387         mp->parent = parent->mp_page;
1388         mp->parent_index = parent->mp_ki;
1389 #endif
1390
1391         cursor_push_page(cursor, mp);
1392
1393         return MDB_SUCCESS;
1394 }
1395
1396 static int
1397 mdb_set_key(MDB_db *bt, MDB_page *mp, MDB_node *node,
1398     MDB_val *key)
1399 {
1400         if (key == NULL)
1401                 return 0;
1402
1403         key->mv_size = node->mn_ksize;
1404         key->mv_data = NODEKEY(node);
1405
1406         return 0;
1407 }
1408
1409 static int
1410 mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1411 {
1412         MDB_ppage       *top;
1413         MDB_page        *mp;
1414         MDB_node        *leaf;
1415
1416         if (cursor->mc_eof) {
1417                 return ENOENT;
1418         }
1419
1420         assert(cursor->mc_initialized);
1421
1422         top = CURSOR_TOP(cursor);
1423         mp = top->mp_page;
1424
1425         DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, cursor);
1426
1427         if (top->mp_ki + 1 >= NUMKEYS(mp)) {
1428                 DPRINTF("=====> move to next sibling page");
1429                 if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
1430                         cursor->mc_eof = 1;
1431                         return ENOENT;
1432                 }
1433                 top = CURSOR_TOP(cursor);
1434                 mp = top->mp_page;
1435                 DPRINTF("next page is %lu, key index %u", mp->mp_pgno, top->mp_ki);
1436         } else
1437                 top->mp_ki++;
1438
1439         DPRINTF("==> cursor points to page %lu with %u keys, key index %u",
1440             mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
1441
1442         assert(IS_LEAF(mp));
1443         leaf = NODEPTR(mp, top->mp_ki);
1444
1445         if (data && mdb_read_data(cursor->mc_db, mp, leaf, data) != MDB_SUCCESS)
1446                 return MDB_FAIL;
1447
1448         return mdb_set_key(cursor->mc_db, mp, leaf, key);
1449 }
1450
1451 static int
1452 mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1453     int *exactp)
1454 {
1455         int              rc;
1456         MDB_node        *leaf;
1457         MDB_ppage       *top;
1458         MDB_pageparent mpp;
1459
1460         assert(cursor);
1461         assert(key);
1462         assert(key->mv_size > 0);
1463
1464         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, key, cursor, 0, &mpp);
1465         if (rc != MDB_SUCCESS)
1466                 return rc;
1467         assert(IS_LEAF(mpp.mp_page));
1468
1469         top = CURSOR_TOP(cursor);
1470         leaf = mdb_search_node(cursor->mc_db, mpp.mp_page, key, exactp, &top->mp_ki);
1471         if (exactp != NULL && !*exactp) {
1472                 /* MDB_CURSOR_EXACT specified and not an exact match. */
1473                 return ENOENT;
1474         }
1475
1476         if (leaf == NULL) {
1477                 DPRINTF("===> inexact leaf not found, goto sibling");
1478                 if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
1479                         return rc;              /* no entries matched */
1480                 top = CURSOR_TOP(cursor);
1481                 top->mp_ki = 0;
1482                 mpp.mp_page = top->mp_page;
1483                 assert(IS_LEAF(mpp.mp_page));
1484                 leaf = NODEPTR(mpp.mp_page, 0);
1485         }
1486
1487         cursor->mc_initialized = 1;
1488         cursor->mc_eof = 0;
1489
1490         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1491                 return rc;
1492
1493         rc = mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1494         if (rc == MDB_SUCCESS) {
1495                 DPRINTF("==> cursor placed on key %.*s",
1496                         (int)key->mv_size, (char *)key->mv_data);
1497                 ;
1498         }
1499
1500         return rc;
1501 }
1502
1503 static int
1504 mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1505 {
1506         int              rc;
1507         MDB_pageparent  mpp;
1508         MDB_node        *leaf;
1509
1510         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, NULL, cursor, 0, &mpp);
1511         if (rc != MDB_SUCCESS)
1512                 return rc;
1513         assert(IS_LEAF(mpp.mp_page));
1514
1515         leaf = NODEPTR(mpp.mp_page, 0);
1516         cursor->mc_initialized = 1;
1517         cursor->mc_eof = 0;
1518
1519         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1520                 return rc;
1521
1522         return mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1523 }
1524
1525 int
1526 mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1527     MDB_cursor_op op)
1528 {
1529         int              rc;
1530         int              exact = 0;
1531
1532         assert(cursor);
1533
1534         switch (op) {
1535         case MDB_CURSOR:
1536         case MDB_CURSOR_EXACT:
1537                 while (CURSOR_TOP(cursor) != NULL)
1538                         cursor_pop_page(cursor);
1539                 if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1540                         rc = EINVAL;
1541                 } else if (op == MDB_CURSOR_EXACT)
1542                         rc = mdb_cursor_set(cursor, key, data, &exact);
1543                 else
1544                         rc = mdb_cursor_set(cursor, key, data, NULL);
1545                 break;
1546         case MDB_NEXT:
1547                 if (!cursor->mc_initialized)
1548                         rc = mdb_cursor_first(cursor, key, data);
1549                 else
1550                         rc = mdb_cursor_next(cursor, key, data);
1551                 break;
1552         case MDB_FIRST:
1553                 while (CURSOR_TOP(cursor) != NULL)
1554                         cursor_pop_page(cursor);
1555                 rc = mdb_cursor_first(cursor, key, data);
1556                 break;
1557         default:
1558                 DPRINTF("unhandled/unimplemented cursor operation %u", op);
1559                 rc = EINVAL;
1560                 break;
1561         }
1562
1563         return rc;
1564 }
1565
1566 /* Allocate a page and initialize it
1567  */
1568 static MDB_dpage *
1569 mdbenv_new_page(MDB_env *env, uint32_t flags, int num)
1570 {
1571         MDB_dpage       *dp;
1572
1573         assert(env != NULL);
1574         assert(env->me_txn != NULL);
1575
1576         DPRINTF("allocating new mpage %lu, page size %u",
1577             env->me_txn->mt_next_pgno, env->me_head.mh_psize);
1578         if ((dp = mdb_newpage(env->me_txn, NULL, 0, num)) == NULL)
1579                 return NULL;
1580         dp->p.mp_flags = flags | P_DIRTY;
1581         dp->p.mp_lower = PAGEHDRSZ;
1582         dp->p.mp_upper = env->me_head.mh_psize;
1583
1584         if (IS_BRANCH(&dp->p))
1585                 env->me_meta.mm_stat.ms_branch_pages++;
1586         else if (IS_LEAF(&dp->p))
1587                 env->me_meta.mm_stat.ms_leaf_pages++;
1588         else if (IS_OVERFLOW(&dp->p)) {
1589                 env->me_meta.mm_stat.ms_overflow_pages += num;
1590                 dp->p.mp_pages = num;
1591         }
1592
1593         return dp;
1594 }
1595
1596 static size_t
1597 mdb_leaf_size(MDB_db *db, MDB_val *key, MDB_val *data)
1598 {
1599         size_t           sz;
1600
1601         sz = LEAFSIZE(key, data);
1602         if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1603                 /* put on overflow page */
1604                 sz -= data->mv_size - sizeof(pgno_t);
1605         }
1606
1607         return sz + sizeof(indx_t);
1608 }
1609
1610 static size_t
1611 mdb_branch_size(MDB_db *db, MDB_val *key)
1612 {
1613         size_t           sz;
1614
1615         sz = INDXSIZE(key);
1616         if (sz >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1617                 /* put on overflow page */
1618                 /* not implemented */
1619                 /* sz -= key->size - sizeof(pgno_t); */
1620         }
1621
1622         return sz + sizeof(indx_t);
1623 }
1624
1625 static int
1626 mdb_add_node(MDB_db *db, MDB_page *mp, indx_t indx,
1627     MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
1628 {
1629         unsigned int     i;
1630         size_t           node_size = NODESIZE;
1631         indx_t           ofs;
1632         MDB_node        *node;
1633         MDB_dpage       *ofp = NULL;            /* overflow page */
1634
1635         assert(mp->mp_upper >= mp->mp_lower);
1636
1637         DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
1638             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
1639             IS_LEAF(mp) ? "leaf" : "branch",
1640             mp->mp_pgno, indx, key ? key->mv_size : 0);
1641
1642         if (key != NULL)
1643                 node_size += key->mv_size;
1644
1645         if (IS_LEAF(mp)) {
1646                 assert(data);
1647                 if (F_ISSET(flags, F_BIGDATA)) {
1648                         /* Data already on overflow page. */
1649                         node_size += sizeof(pgno_t);
1650                 } else if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1651                         int ovpages = PAGEHDRSZ + data->mv_size + db->md_env->me_head.mh_psize - 1;
1652                         ovpages /= db->md_env->me_head.mh_psize;
1653                         /* Put data on overflow page. */
1654                         DPRINTF("data size is %zu, put on overflow page",
1655                             data->mv_size);
1656                         node_size += sizeof(pgno_t);
1657                         if ((ofp = mdbenv_new_page(db->md_env, P_OVERFLOW, ovpages)) == NULL)
1658                                 return MDB_FAIL;
1659                         DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
1660                         flags |= F_BIGDATA;
1661                 } else {
1662                         node_size += data->mv_size;
1663                 }
1664         }
1665
1666         if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
1667                 DPRINTF("not enough room in page %lu, got %u ptrs",
1668                     mp->mp_pgno, NUMKEYS(mp));
1669                 DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
1670                     mp->mp_upper - mp->mp_lower);
1671                 DPRINTF("node size = %zu", node_size);
1672                 return ENOSPC;
1673         }
1674
1675         /* Move higher pointers up one slot. */
1676         for (i = NUMKEYS(mp); i > indx; i--)
1677                 mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
1678
1679         /* Adjust free space offsets. */
1680         ofs = mp->mp_upper - node_size;
1681         assert(ofs >= mp->mp_lower + sizeof(indx_t));
1682         mp->mp_ptrs[indx] = ofs;
1683         mp->mp_upper = ofs;
1684         mp->mp_lower += sizeof(indx_t);
1685
1686         /* Write the node data. */
1687         node = NODEPTR(mp, indx);
1688         node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
1689         node->mn_flags = flags;
1690         if (IS_LEAF(mp))
1691                 node->mn_dsize = data->mv_size;
1692         else
1693                 node->mn_pgno = pgno;
1694
1695         if (key)
1696                 bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1697
1698         if (IS_LEAF(mp)) {
1699                 assert(key);
1700                 if (ofp == NULL) {
1701                         if (F_ISSET(flags, F_BIGDATA))
1702                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1703                                     sizeof(pgno_t));
1704                         else
1705                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1706                                     data->mv_size);
1707                 } else {
1708                         bcopy(&ofp->p.mp_pgno, node->mn_data + key->mv_size,
1709                             sizeof(pgno_t));
1710                         bcopy(data->mv_data, METADATA(&ofp->p), data->mv_size);
1711                 }
1712         }
1713
1714         return MDB_SUCCESS;
1715 }
1716
1717 static void
1718 mdb_del_node(MDB_db *db, MDB_page *mp, indx_t indx)
1719 {
1720         unsigned int     sz;
1721         indx_t           i, j, numkeys, ptr;
1722         MDB_node        *node;
1723         char            *base;
1724
1725         DPRINTF("delete node %u on %s page %lu", indx,
1726             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
1727         assert(indx < NUMKEYS(mp));
1728
1729         node = NODEPTR(mp, indx);
1730         sz = NODESIZE + node->mn_ksize;
1731         if (IS_LEAF(mp)) {
1732                 if (F_ISSET(node->mn_flags, F_BIGDATA))
1733                         sz += sizeof(pgno_t);
1734                 else
1735                         sz += NODEDSZ(node);
1736         }
1737
1738         ptr = mp->mp_ptrs[indx];
1739         numkeys = NUMKEYS(mp);
1740         for (i = j = 0; i < numkeys; i++) {
1741                 if (i != indx) {
1742                         mp->mp_ptrs[j] = mp->mp_ptrs[i];
1743                         if (mp->mp_ptrs[i] < ptr)
1744                                 mp->mp_ptrs[j] += sz;
1745                         j++;
1746                 }
1747         }
1748
1749         base = (char *)mp + mp->mp_upper;
1750         bcopy(base, base + sz, ptr - mp->mp_upper);
1751
1752         mp->mp_lower -= sizeof(indx_t);
1753         mp->mp_upper += sz;
1754 }
1755
1756 int
1757 mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **ret)
1758 {
1759         MDB_cursor      *cursor;
1760
1761         if (db == NULL || ret == NULL)
1762                 return EINVAL;
1763
1764         if (txn != NULL && db->md_env != txn->mt_env) {
1765                 return EINVAL;
1766         }
1767
1768         if ((cursor = calloc(1, sizeof(*cursor))) != NULL) {
1769                 SLIST_INIT(&cursor->mc_stack);
1770                 cursor->mc_db = db;
1771                 cursor->mc_txn = txn;
1772         }
1773
1774         *ret = cursor;
1775
1776         return MDB_SUCCESS;
1777 }
1778
1779 void
1780 mdb_cursor_close(MDB_cursor *cursor)
1781 {
1782         if (cursor != NULL) {
1783                 while (!CURSOR_EMPTY(cursor))
1784                         cursor_pop_page(cursor);
1785
1786 /*              btree_close(cursor->bt); */
1787                 free(cursor);
1788         }
1789 }
1790
1791 static int
1792 mdb_update_key(MDB_db *db, MDB_page *mp, indx_t indx,
1793     MDB_val *key)
1794 {
1795         indx_t                   ptr, i, numkeys;
1796         int                      delta;
1797         size_t                   len;
1798         MDB_node                *node;
1799         char                    *base;
1800
1801         node = NODEPTR(mp, indx);
1802         ptr = mp->mp_ptrs[indx];
1803         DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
1804             indx, ptr,
1805             (int)node->mn_ksize, (char *)NODEKEY(node),
1806             (int)key->mv_size, (char *)key->mv_data,
1807             mp->mp_pgno);
1808
1809         delta = key->mv_size - node->mn_ksize;
1810         if (delta) {
1811                 if (delta > 0 && SIZELEFT(mp) < delta) {
1812                         DPRINTF("OUCH! Not enough room, delta = %d", delta);
1813                         return ENOSPC;
1814                 }
1815
1816                 numkeys = NUMKEYS(mp);
1817                 for (i = 0; i < numkeys; i++) {
1818                         if (mp->mp_ptrs[i] <= ptr)
1819                                 mp->mp_ptrs[i] -= delta;
1820                 }
1821
1822                 base = (char *)mp + mp->mp_upper;
1823                 len = ptr - mp->mp_upper + NODESIZE;
1824                 bcopy(base, base - delta, len);
1825                 mp->mp_upper -= delta;
1826
1827                 node = NODEPTR(mp, indx);
1828                 node->mn_ksize = key->mv_size;
1829         }
1830
1831         bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1832
1833         return MDB_SUCCESS;
1834 }
1835
1836 /* Move a node from src to dst.
1837  */
1838 static int
1839 mdb_move_node(MDB_db *bt, MDB_pageparent *src, indx_t srcindx,
1840     MDB_pageparent *dst, indx_t dstindx)
1841 {
1842         int                      rc;
1843         MDB_node                *srcnode;
1844         MDB_val          key, data;
1845
1846         srcnode = NODEPTR(src->mp_page, srcindx);
1847         DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
1848             IS_LEAF(src->mp_page) ? "leaf" : "branch",
1849             srcindx,
1850             (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
1851             src->mp_page->mp_pgno,
1852             dstindx, dst->mp_page->mp_pgno);
1853
1854         /* Mark src and dst as dirty. */
1855         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1856             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1857                 return rc;;
1858
1859         /* Add the node to the destination page.
1860          */
1861         key.mv_size = srcnode->mn_ksize;
1862         key.mv_data = NODEKEY(srcnode);
1863         data.mv_size = NODEDSZ(srcnode);
1864         data.mv_data = NODEDATA(srcnode);
1865         rc = mdb_add_node(bt, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
1866             srcnode->mn_flags);
1867         if (rc != MDB_SUCCESS)
1868                 return rc;
1869
1870         /* Delete the node from the source page.
1871          */
1872         mdb_del_node(bt, src->mp_page, srcindx);
1873
1874         /* Update the parent separators.
1875          */
1876         if (srcindx == 0 && src->mp_pi != 0) {
1877                 DPRINTF("update separator for source page %lu to [%.*s]",
1878                     src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1879                 if ((rc = mdb_update_key(bt, src->mp_parent, src->mp_pi,
1880                     &key)) != MDB_SUCCESS)
1881                         return rc;
1882         }
1883
1884         if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
1885                 MDB_val  nullkey;
1886                 nullkey.mv_size = 0;
1887                 assert(mdb_update_key(bt, src->mp_page, 0, &nullkey) == MDB_SUCCESS);
1888         }
1889
1890         if (dstindx == 0 && dst->mp_pi != 0) {
1891                 DPRINTF("update separator for destination page %lu to [%.*s]",
1892                     dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1893                 if ((rc = mdb_update_key(bt, dst->mp_parent, dst->mp_pi,
1894                     &key)) != MDB_SUCCESS)
1895                         return rc;
1896         }
1897
1898         if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
1899                 MDB_val  nullkey;
1900                 nullkey.mv_size = 0;
1901                 assert(mdb_update_key(bt, dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
1902         }
1903
1904         return MDB_SUCCESS;
1905 }
1906
1907 static int
1908 mdb_merge(MDB_db *bt, MDB_pageparent *src, MDB_pageparent *dst)
1909 {
1910         int                      rc;
1911         indx_t                   i;
1912         MDB_node                *srcnode;
1913         MDB_val          key, data;
1914         MDB_pageparent  mpp;
1915         MDB_dhead *dh;
1916
1917         DPRINTF("merging page %lu and %lu", src->mp_page->mp_pgno, dst->mp_page->mp_pgno);
1918
1919         assert(src->mp_parent); /* can't merge root page */
1920         assert(dst->mp_parent);
1921         assert(bt->md_env->me_txn != NULL);
1922
1923         /* Mark src and dst as dirty. */
1924         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1925             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1926                 return rc;
1927
1928         /* Move all nodes from src to dst.
1929          */
1930         for (i = 0; i < NUMKEYS(src->mp_page); i++) {
1931                 srcnode = NODEPTR(src->mp_page, i);
1932
1933                 key.mv_size = srcnode->mn_ksize;
1934                 key.mv_data = NODEKEY(srcnode);
1935                 data.mv_size = NODEDSZ(srcnode);
1936                 data.mv_data = NODEDATA(srcnode);
1937                 rc = mdb_add_node(bt, dst->mp_page, NUMKEYS(dst->mp_page), &key,
1938                     &data, NODEPGNO(srcnode), srcnode->mn_flags);
1939                 if (rc != MDB_SUCCESS)
1940                         return rc;
1941         }
1942
1943         DPRINTF("dst page %lu now has %u keys (%.1f%% filled)",
1944             dst->mp_page->mp_pgno, NUMKEYS(dst->mp_page), (float)PAGEFILL(bt->md_env, dst->mp_page) / 10);
1945
1946         /* Unlink the src page from parent.
1947          */
1948         mdb_del_node(bt, src->mp_parent, src->mp_pi);
1949         if (src->mp_pi == 0) {
1950                 key.mv_size = 0;
1951                 if ((rc = mdb_update_key(bt, src->mp_parent, 0, &key)) != MDB_SUCCESS)
1952                         return rc;
1953         }
1954
1955         if (IS_LEAF(src->mp_page))
1956                 bt->md_env->me_meta.mm_stat.ms_leaf_pages--;
1957         else
1958                 bt->md_env->me_meta.mm_stat.ms_branch_pages--;
1959
1960         mpp.mp_page = src->mp_parent;
1961         dh = (MDB_dhead *)src->mp_parent;
1962         dh--;
1963         mpp.mp_parent = dh->md_parent;
1964         mpp.mp_pi = dh->md_pi;
1965
1966         return mdb_rebalance(bt, &mpp);
1967 }
1968
1969 #define FILL_THRESHOLD   250
1970
1971 static int
1972 mdb_rebalance(MDB_db *db, MDB_pageparent *mpp)
1973 {
1974         MDB_node        *node;
1975         MDB_page        *root;
1976         MDB_pageparent npp;
1977         indx_t           si = 0, di = 0;
1978
1979         assert(db != NULL);
1980         assert(db->md_env->me_txn != NULL);
1981         assert(mpp != NULL);
1982
1983         DPRINTF("rebalancing %s page %lu (has %u keys, %.1f%% full)",
1984             IS_LEAF(mpp->mp_page) ? "leaf" : "branch",
1985             mpp->mp_page->mp_pgno, NUMKEYS(mpp->mp_page), (float)PAGEFILL(db->md_env, mpp->mp_page) / 10);
1986
1987         if (PAGEFILL(db->md_env, mpp->mp_page) >= FILL_THRESHOLD) {
1988                 DPRINTF("no need to rebalance page %lu, above fill threshold",
1989                     mpp->mp_page->mp_pgno);
1990                 return MDB_SUCCESS;
1991         }
1992
1993         if (mpp->mp_parent == NULL) {
1994                 if (NUMKEYS(mpp->mp_page) == 0) {
1995                         DPRINTF("tree is completely empty");
1996                         db->md_env->me_txn->mt_root = P_INVALID;
1997                         db->md_env->me_meta.mm_stat.ms_depth--;
1998                         db->md_env->me_meta.mm_stat.ms_leaf_pages--;
1999                 } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
2000                         DPRINTF("collapsing root page!");
2001                         db->md_env->me_txn->mt_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
2002                         if ((root = mdbenv_get_page(db->md_env, db->md_env->me_txn->mt_root)) == NULL)
2003                                 return MDB_FAIL;
2004                         db->md_env->me_meta.mm_stat.ms_depth--;
2005                         db->md_env->me_meta.mm_stat.ms_branch_pages--;
2006                 } else
2007                         DPRINTF("root page doesn't need rebalancing");
2008                 return MDB_SUCCESS;
2009         }
2010
2011         /* The parent (branch page) must have at least 2 pointers,
2012          * otherwise the tree is invalid.
2013          */
2014         assert(NUMKEYS(mpp->mp_parent) > 1);
2015
2016         /* Leaf page fill factor is below the threshold.
2017          * Try to move keys from left or right neighbor, or
2018          * merge with a neighbor page.
2019          */
2020
2021         /* Find neighbors.
2022          */
2023         if (mpp->mp_pi == 0) {
2024                 /* We're the leftmost leaf in our parent.
2025                  */
2026                 DPRINTF("reading right neighbor");
2027                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
2028                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2029                         return MDB_FAIL;
2030                 npp.mp_pi = mpp->mp_pi + 1;
2031                 si = 0;
2032                 di = NUMKEYS(mpp->mp_page);
2033         } else {
2034                 /* There is at least one neighbor to the left.
2035                  */
2036                 DPRINTF("reading left neighbor");
2037                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
2038                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
2039                         return MDB_FAIL;
2040                 npp.mp_pi = mpp->mp_pi - 1;
2041                 si = NUMKEYS(npp.mp_page) - 1;
2042                 di = 0;
2043         }
2044         npp.mp_parent = mpp->mp_parent;
2045
2046         DPRINTF("found neighbor page %lu (%u keys, %.1f%% full)",
2047             npp.mp_page->mp_pgno, NUMKEYS(npp.mp_page), (float)PAGEFILL(db->md_env, npp.mp_page) / 10);
2048
2049         /* If the neighbor page is above threshold and has at least two
2050          * keys, move one key from it.
2051          *
2052          * Otherwise we should try to merge them.
2053          */
2054         if (PAGEFILL(db->md_env, npp.mp_page) >= FILL_THRESHOLD && NUMKEYS(npp.mp_page) >= 2)
2055                 return mdb_move_node(db, &npp, si, mpp, di);
2056         else { /* FIXME: if (has_enough_room()) */
2057                 if (mpp->mp_pi == 0)
2058                         return mdb_merge(db, &npp, mpp);
2059                 else
2060                         return mdb_merge(db, mpp, &npp);
2061         }
2062 }
2063
2064 int
2065 mdb_del(MDB_db *bt, MDB_txn *txn,
2066     MDB_val *key, MDB_val *data)
2067 {
2068         int              rc, exact;
2069         unsigned int     ki;
2070         MDB_node        *leaf;
2071         MDB_pageparent  mpp;
2072
2073         DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
2074
2075         assert(key != NULL);
2076
2077         if (bt == NULL || txn == NULL)
2078                 return EINVAL;
2079
2080         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2081                 return EINVAL;
2082         }
2083
2084         if (bt->md_env->me_txn != txn) {
2085                 return EINVAL;
2086         }
2087
2088         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2089                 return EINVAL;
2090         }
2091
2092         if ((rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp)) != MDB_SUCCESS)
2093                 return rc;
2094
2095         leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2096         if (leaf == NULL || !exact) {
2097                 return ENOENT;
2098         }
2099
2100         if (data && (rc = mdb_read_data(bt, NULL, leaf, data)) != MDB_SUCCESS)
2101                 return rc;
2102
2103         mdb_del_node(bt, mpp.mp_page, ki);
2104         bt->md_env->me_meta.mm_stat.ms_entries--;
2105         rc = mdb_rebalance(bt, &mpp);
2106         if (rc != MDB_SUCCESS)
2107                 txn->mt_flags |= MDB_TXN_ERROR;
2108
2109         return rc;
2110 }
2111
2112 /* Split page <*mpp>, and insert <key,(data|newpgno)> in either left or
2113  * right sibling, at index <*newindxp> (as if unsplit). Updates *mpp and
2114  * *newindxp with the actual values after split, ie if *mpp and *newindxp
2115  * refer to a node in the new right sibling page.
2116  */
2117 static int
2118 mdb_split(MDB_db *bt, MDB_page **mpp, unsigned int *newindxp,
2119     MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
2120 {
2121         uint8_t          flags;
2122         int              rc = MDB_SUCCESS, ins_new = 0;
2123         indx_t           newindx;
2124         pgno_t           pgno = 0;
2125         unsigned int     i, j, split_indx;
2126         MDB_node        *node;
2127         MDB_page        *pright, *p;
2128         MDB_val  sepkey, rkey, rdata;
2129         MDB_page        *copy;
2130         MDB_dpage       *mdp, *rdp, *pdp;
2131         MDB_dhead *dh;
2132
2133         assert(bt != NULL);
2134         assert(bt->md_env != NULL);
2135
2136         dh = ((MDB_dhead *)*mpp) - 1;
2137         mdp = (MDB_dpage *)dh;
2138         newindx = *newindxp;
2139
2140         DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
2141             IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
2142             (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
2143
2144         if (mdp->h.md_parent == NULL) {
2145                 if ((pdp = mdbenv_new_page(bt->md_env, P_BRANCH, 1)) == NULL)
2146                         return MDB_FAIL;
2147                 mdp->h.md_pi = 0;
2148                 mdp->h.md_parent = &pdp->p;
2149                 bt->md_env->me_txn->mt_root = pdp->p.mp_pgno;
2150                 DPRINTF("root split! new root = %lu", pdp->p.mp_pgno);
2151                 bt->md_env->me_meta.mm_stat.ms_depth++;
2152
2153                 /* Add left (implicit) pointer. */
2154                 if (mdb_add_node(bt, &pdp->p, 0, NULL, NULL,
2155                     mdp->p.mp_pgno, 0) != MDB_SUCCESS)
2156                         return MDB_FAIL;
2157         } else {
2158                 DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
2159         }
2160
2161         /* Create a right sibling. */
2162         if ((rdp = mdbenv_new_page(bt->md_env, mdp->p.mp_flags, 1)) == NULL)
2163                 return MDB_FAIL;
2164         rdp->h.md_parent = mdp->h.md_parent;
2165         rdp->h.md_pi = mdp->h.md_pi + 1;
2166         DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
2167
2168         /* Move half of the keys to the right sibling. */
2169         if ((copy = malloc(bt->md_env->me_head.mh_psize)) == NULL)
2170                 return MDB_FAIL;
2171         bcopy(&mdp->p, copy, bt->md_env->me_head.mh_psize);
2172         bzero(&mdp->p.mp_ptrs, bt->md_env->me_head.mh_psize - PAGEHDRSZ);
2173         mdp->p.mp_lower = PAGEHDRSZ;
2174         mdp->p.mp_upper = bt->md_env->me_head.mh_psize;
2175
2176         split_indx = NUMKEYS(copy) / 2 + 1;
2177
2178         /* First find the separating key between the split pages.
2179          */
2180         bzero(&sepkey, sizeof(sepkey));
2181         if (newindx == split_indx) {
2182                 sepkey.mv_size = newkey->mv_size;
2183                 sepkey.mv_data = newkey->mv_data;
2184         } else {
2185                 node = NODEPTR(copy, split_indx);
2186                 sepkey.mv_size = node->mn_ksize;
2187                 sepkey.mv_data = NODEKEY(node);
2188         }
2189
2190         DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
2191
2192         /* Copy separator key to the parent.
2193          */
2194         if (SIZELEFT(rdp->h.md_parent) < mdb_branch_size(bt, &sepkey)) {
2195                 rc = mdb_split(bt, &rdp->h.md_parent, &rdp->h.md_pi,
2196                     &sepkey, NULL, rdp->p.mp_pgno);
2197
2198                 /* Right page might now have changed parent.
2199                  * Check if left page also changed parent.
2200                  */
2201                 if (rdp->h.md_parent != mdp->h.md_parent &&
2202                     mdp->h.md_pi >= NUMKEYS(mdp->h.md_parent)) {
2203                         mdp->h.md_parent = rdp->h.md_parent;
2204                         mdp->h.md_pi = rdp->h.md_pi - 1;
2205                 }
2206         } else {
2207                 rc = mdb_add_node(bt, rdp->h.md_parent, rdp->h.md_pi,
2208                     &sepkey, NULL, rdp->p.mp_pgno, 0);
2209         }
2210         if (rc != MDB_SUCCESS) {
2211                 free(copy);
2212                 return MDB_FAIL;
2213         }
2214
2215         for (i = j = 0; i <= NUMKEYS(copy); j++) {
2216                 if (i < split_indx) {
2217                         /* Re-insert in left sibling. */
2218                         pdp = mdp;
2219                 } else {
2220                         /* Insert in right sibling. */
2221                         if (i == split_indx)
2222                                 /* Reset insert index for right sibling. */
2223                                 j = (i == newindx && ins_new);
2224                         pdp = rdp;
2225                 }
2226
2227                 if (i == newindx && !ins_new) {
2228                         /* Insert the original entry that caused the split. */
2229                         rkey.mv_data = newkey->mv_data;
2230                         rkey.mv_size = newkey->mv_size;
2231                         if (IS_LEAF(&mdp->p)) {
2232                                 rdata.mv_data = newdata->mv_data;
2233                                 rdata.mv_size = newdata->mv_size;
2234                         } else
2235                                 pgno = newpgno;
2236                         flags = 0;
2237
2238                         ins_new = 1;
2239
2240                         /* Update page and index for the new key. */
2241                         *newindxp = j;
2242                         *mpp = &pdp->p;
2243                 } else if (i == NUMKEYS(copy)) {
2244                         break;
2245                 } else {
2246                         node = NODEPTR(copy, i);
2247                         rkey.mv_data = NODEKEY(node);
2248                         rkey.mv_size = node->mn_ksize;
2249                         if (IS_LEAF(&mdp->p)) {
2250                                 rdata.mv_data = NODEDATA(node);
2251                                 rdata.mv_size = node->mn_dsize;
2252                         } else
2253                                 pgno = node->mn_pgno;
2254                         flags = node->mn_flags;
2255
2256                         i++;
2257                 }
2258
2259                 if (!IS_LEAF(&mdp->p) && j == 0) {
2260                         /* First branch index doesn't need key data. */
2261                         rkey.mv_size = 0;
2262                 }
2263
2264                 rc = mdb_add_node(bt, &pdp->p, j, &rkey, &rdata, pgno,flags);
2265         }
2266
2267         free(copy);
2268         return rc;
2269 }
2270
2271 int
2272 mdb_put(MDB_db *bt, MDB_txn *txn,
2273     MDB_val *key, MDB_val *data, unsigned int flags)
2274 {
2275         int              rc = MDB_SUCCESS, exact;
2276         unsigned int     ki;
2277         MDB_node        *leaf;
2278         MDB_pageparent  mpp;
2279
2280         assert(key != NULL);
2281         assert(data != NULL);
2282
2283         if (bt == NULL || txn == NULL)
2284                 return EINVAL;
2285
2286         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2287                 return EINVAL;
2288         }
2289
2290         if (bt->md_env->me_txn != txn) {
2291                 return EINVAL;
2292         }
2293
2294         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2295                 return EINVAL;
2296         }
2297
2298         DPRINTF("==> put key %.*s, size %zu, data size %zu",
2299                 (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
2300
2301         rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp);
2302         if (rc == MDB_SUCCESS) {
2303                 leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2304                 if (leaf && exact) {
2305                         if (F_ISSET(flags, MDB_NOOVERWRITE)) {
2306                                 DPRINTF("duplicate key %.*s",
2307                                     (int)key->mv_size, (char *)key->mv_data);
2308                                 return EEXIST;
2309                         }
2310                         mdb_del_node(bt, mpp.mp_page, ki);
2311                 }
2312                 if (leaf == NULL) {             /* append if not found */
2313                         ki = NUMKEYS(mpp.mp_page);
2314                         DPRINTF("appending key at index %i", ki);
2315                 }
2316         } else if (rc == ENOENT) {
2317                 MDB_dpage *dp;
2318                 /* new file, just write a root leaf page */
2319                 DPRINTF("allocating new root leaf page");
2320                 if ((dp = mdbenv_new_page(bt->md_env, P_LEAF, 1)) == NULL) {
2321                         return ENOMEM;
2322                 }
2323                 mpp.mp_page = &dp->p;
2324                 txn->mt_root = mpp.mp_page->mp_pgno;
2325                 bt->md_env->me_meta.mm_stat.ms_depth++;
2326                 ki = 0;
2327         }
2328         else
2329                 goto done;
2330
2331         assert(IS_LEAF(mpp.mp_page));
2332         DPRINTF("there are %u keys, should insert new key at index %i",
2333                 NUMKEYS(mpp.mp_page), ki);
2334
2335         if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(bt, key, data)) {
2336                 rc = mdb_split(bt, &mpp.mp_page, &ki, key, data, P_INVALID);
2337         } else {
2338                 /* There is room already in this leaf page. */
2339                 rc = mdb_add_node(bt, mpp.mp_page, ki, key, data, 0, 0);
2340         }
2341
2342         if (rc != MDB_SUCCESS)
2343                 txn->mt_flags |= MDB_TXN_ERROR;
2344         else
2345                 bt->md_env->me_meta.mm_stat.ms_entries++;
2346
2347 done:
2348         return rc;
2349 }
2350
2351 int
2352 mdbenv_get_flags(MDB_env *env, unsigned int *arg)
2353 {
2354         if (!env || !arg)
2355                 return EINVAL;
2356
2357         *arg = env->me_flags;
2358         return MDB_SUCCESS;
2359 }
2360
2361 int
2362 mdbenv_get_path(MDB_env *env, const char **arg)
2363 {
2364         if (!env || !arg)
2365                 return EINVAL;
2366
2367         *arg = env->me_path;
2368         return MDB_SUCCESS;
2369 }
2370
2371 int
2372 mdbenv_stat(MDB_env *env, MDB_stat **arg)
2373 {
2374         if (env == NULL || arg == NULL)
2375                 return EINVAL;
2376
2377         *arg = &env->me_meta.mm_stat;
2378
2379         return MDB_SUCCESS;
2380 }
2381
2382 int mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db)
2383 {
2384         if (!name) {
2385                 *db = (MDB_db *)&env->me_db;
2386                 return MDB_SUCCESS;
2387         }
2388         return EINVAL;
2389 }
2390
2391 int mdb_stat(MDB_db *db, MDB_stat **arg)
2392 {
2393         if (db == NULL || arg == NULL)
2394                 return EINVAL;
2395
2396         *arg = &db->md_stat;
2397
2398         return MDB_SUCCESS;
2399 }
2400
2401 void mdb_close(MDB_db *db)
2402 {
2403 }