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