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

   1 #include <sys/types.h>
   2 #include <sys/stat.h>
   3 #include <sys/queue.h>
   4 #include <sys/param.h>
   5 #include <sys/uio.h>
   6 #include <sys/mman.h>
   7 #ifdef HAVE_SYS_FILE_H
   8 #include <sys/file.h>
   9 #endif
  10
  11 #include <assert.h>
  12 #include <err.h>
  13 #include <errno.h>
  14 #include <fcntl.h>
  15 #include <stddef.h>
  16 #include <stdint.h>
  17 #include <stdio.h>
  18 #include <stdlib.h>
  19 #include <string.h>
  20 #include <time.h>
  21 #include <unistd.h>
  22
  23 #include <openssl/sha.h>
  24
  25 #include "mdb.h"
  26
  27 #define DEBUG
  28
  29 #ifdef DEBUG
  30 # define DPRINTF(...)   do { fprintf(stderr, "%s:%d: ", __func__, __LINE__); \
  31                              fprintf(stderr, __VA_ARGS__); \
  32                              fprintf(stderr, "\n"); } while(0)
  33 #else
  34 # define DPRINTF(...)
  35 #endif
  36
  37 #define PAGESIZE         4096
  38 #define MDB_MINKEYS      4
  39 #define MDB_MAGIC        0xBEEFC0DE
  40 #define MDB_VERSION      1
  41 #define MAXKEYSIZE       255
  42
  43 #define P_INVALID        0xFFFFFFFF
  44
  45 #define F_ISSET(w, f)    (((w) & (f)) == (f))
  46
  47 typedef ulong            pgno_t;
  48 typedef uint16_t         indx_t;
  49
  50 /* Common header for all page types. Overflow pages
  51  * occupy a number of contiguous pages with no
  52  * headers on any page after the first.
  53  */
  54 typedef struct MDB_page {               /* represents a page of storage */
  55         pgno_t          mp_pgno;                /* page number */
  56 #define P_BRANCH         0x01           /* branch page */
  57 #define P_LEAF           0x02           /* leaf page */
  58 #define P_OVERFLOW       0x04           /* overflow page */
  59 #define P_META           0x08           /* meta page */
  60 #define P_HEAD           0x10           /* header page */
  61 #define P_DIRTY          0x20           /* dirty page */
  62         uint32_t        mp_flags;
  63 #define mp_lower        mp_pb.pb.pb_lower
  64 #define mp_upper        mp_pb.pb.pb_upper
  65 #define mp_pages        mp_pb.pb_pages
  66         union page_bounds {
  67                 struct {
  68                         indx_t          pb_lower;               /* lower bound of free space */
  69                         indx_t          pb_upper;               /* upper bound of free space */
  70                 } pb;
  71                 uint32_t        pb_pages;       /* number of overflow pages */
  72         } mp_pb;
  73         indx_t          mp_ptrs[1];             /* dynamic size */
  74 } MDB_page;
  75
  76 #define PAGEHDRSZ        offsetof(MDB_page, mp_ptrs)
  77
  78 #define NUMKEYS(p)       (((p)->mp_lower - PAGEHDRSZ) >> 1)
  79 #define SIZELEFT(p)      (indx_t)((p)->mp_upper - (p)->mp_lower)
  80 #define PAGEFILL(env, p) (1000 * ((env)->me_head.mh_psize - PAGEHDRSZ - SIZELEFT(p)) / \
  81                                 ((env)->me_head.mh_psize - PAGEHDRSZ))
  82 #define IS_LEAF(p)       F_ISSET((p)->mp_flags, P_LEAF)
  83 #define IS_BRANCH(p)     F_ISSET((p)->mp_flags, P_BRANCH)
  84 #define IS_OVERFLOW(p)   F_ISSET((p)->mp_flags, P_OVERFLOW)
  85
  86 typedef struct MDB_head {                       /* header page content */
  87         uint32_t        mh_magic;
  88         uint32_t        mh_version;
  89         uint32_t        mh_flags;
  90         uint32_t        mh_psize;                       /* page size */
  91         void            *mh_address;            /* address for fixed mapping */
  92         size_t          mh_mapsize;                     /* size of mmap region */
  93 } MDB_head;
  94
  95 typedef struct MDB_rootstat {
  96         pgno_t          mr_root;                        /* page number of root page */
  97         MDB_stat        mr_stat;
  98 } MDB_rootstat;
  99
 100 typedef struct MDB_meta {                       /* meta (footer) page content */
 101         pgno_t          mm_root;                        /* page number of root page */
 102         MDB_stat        mm_stat;
 103         pgno_t          mm_prev_meta;           /* previous meta page number */
 104 #define MDB_TOMBSTONE    0x01           /* file is replaced */
 105         uint32_t        mm_flags;
 106 #define mm_revisions mm_stat.ms_revisions
 107 #define mm_created_at mm_stat.ms_created_at
 108         uint8_t         mm_hash[SHA_DIGEST_LENGTH];
 109 } MDB_meta;
 110
 111 typedef struct MDB_dhead {                                      /* a dirty page */
 112         SIMPLEQ_ENTRY(MDB_dpage)         md_next;       /* queue of dirty pages */
 113         MDB_page        *md_parent;
 114         int                     md_pi;                          /* parent index */
 115         int                     md_num;
 116 } MDB_dhead;
 117
 118 typedef struct MDB_dpage {
 119         MDB_dhead       h;
 120         MDB_page        p;
 121 } MDB_dpage;
 122
 123 SIMPLEQ_HEAD(dirty_queue, MDB_dpage);
 124
 125 typedef struct MDB_pageparent {
 126         MDB_page *mp_page;
 127         MDB_page *mp_parent;
 128         int             mp_pi;
 129 } MDB_pageparent;
 130
 131 static MDB_dpage *mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num);
 132 static int              mdb_touch(MDB_txn *txn, MDB_pageparent *mp);
 133
 134 typedef struct MDB_ppage {                                      /* ordered list of pages */
 135         SLIST_ENTRY(MDB_ppage)   mp_entry;
 136         MDB_page                *mp_page;
 137         unsigned int    mp_ki;          /* cursor index on page */
 138 } MDB_ppage;
 139 SLIST_HEAD(page_stack, MDB_ppage);
 140
 141 #define CURSOR_EMPTY(c)          SLIST_EMPTY(&(c)->mc_stack)
 142 #define CURSOR_TOP(c)            SLIST_FIRST(&(c)->mc_stack)
 143 #define CURSOR_POP(c)            SLIST_REMOVE_HEAD(&(c)->mc_stack, mp_entry)
 144 #define CURSOR_PUSH(c,p)         SLIST_INSERT_HEAD(&(c)->mc_stack, p, mp_entry)
 145
 146 struct MDB_cursor {
 147         MDB_db          *mc_db;
 148         MDB_txn         *mc_txn;
 149         struct page_stack        mc_stack;              /* stack of parent pages */
 150         short           mc_initialized; /* 1 if initialized */
 151         short           mc_eof;         /* 1 if end is reached */
 152 };
 153
 154 #define METAHASHLEN      offsetof(MDB_meta, mm_hash)
 155 #define METADATA(p)      ((void *)((char *)p + PAGEHDRSZ))
 156
 157 typedef struct MDB_node {
 158 #define mn_pgno          mn_p.np_pgno
 159 #define mn_dsize         mn_p.np_dsize
 160         union {
 161                 pgno_t           np_pgno;       /* child page number */
 162                 uint32_t         np_dsize;      /* leaf data size */
 163         } mn_p;
 164         uint16_t        mn_ksize;                       /* key size */
 165 #define F_BIGDATA        0x01                   /* data put on overflow page */
 166         uint8_t         mn_flags;
 167         char            mn_data[1];
 168 } MDB_node;
 169
 170 struct MDB_txn {
 171         pgno_t          mt_root;                /* current / new root page */
 172         pgno_t          mt_next_pgno;   /* next unallocated page */
 173         pgno_t          mt_first_pgno;
 174         MDB_env         *mt_env;
 175         struct dirty_queue      *mt_dirty_queue;        /* modified pages */
 176 #define MDB_TXN_RDONLY           0x01           /* read-only transaction */
 177 #define MDB_TXN_ERROR            0x02           /* an error has occurred */
 178         unsigned int             mt_flags;
 179 };
 180
 181 /* Must be same as MDB_db, minus md_root/md_stat */
 182 typedef struct MDB_db0 {
 183         unsigned int    md_flags;
 184         MDB_cmp_func    *md_cmp;                /* user compare function */
 185         MDB_rel_func    *md_rel;                /* user relocate function */
 186         MDB_db                  *md_parent;             /* parent tree */
 187         MDB_env                 *md_env;
 188 } MDB_db0;
 189
 190 struct MDB_db {
 191         unsigned int    md_flags;
 192         MDB_cmp_func    *md_cmp;                /* user compare function */
 193         MDB_rel_func    *md_rel;                /* user relocate function */
 194         MDB_db                  *md_parent;             /* parent tree */
 195         MDB_env                 *md_env;
 196         pgno_t                  md_root;                /* page number of root page */
 197         MDB_stat                md_stat;
 198 };
 199
 200 struct MDB_env {
 201         int                     me_fd;
 202 #define MDB_FIXPADDING           0x01           /* internal */
 203         uint32_t        me_flags;
 204         char            *me_path;
 205         char *me_map;
 206         MDB_head        me_head;
 207         MDB_db0         me_db;          /* first DB, overlaps with meta */
 208         MDB_meta        me_meta;
 209         MDB_txn *me_txn;                /* current write transaction */
 210         size_t          me_mapsize;
 211         off_t           me_size;                /* current file size */
 212 };
 213
 214 #define NODESIZE         offsetof(MDB_node, mn_data)
 215
 216 #define INDXSIZE(k)      (NODESIZE + ((k) == NULL ? 0 : (k)->mv_size))
 217 #define LEAFSIZE(k, d)   (NODESIZE + (k)->mv_size + (d)->mv_size)
 218 #define NODEPTR(p, i)    ((MDB_node *)((char *)(p) + (p)->mp_ptrs[i]))
 219 #define NODEKEY(node)    (void *)((node)->mn_data)
 220 #define NODEDATA(node)   (void *)((char *)(node)->mn_data + (node)->mn_ksize)
 221 #define NODEPGNO(node)   ((node)->mn_pgno)
 222 #define NODEDSZ(node)    ((node)->mn_dsize)
 223
 224 #define MDB_COMMIT_PAGES         64     /* max number of pages to write in one commit */
 225 #define MDB_MAXCACHE_DEF         1024   /* max number of pages to keep in cache  */
 226
 227 static int  mdb_search_page_root(MDB_db *db,
 228                             MDB_val *key,
 229                             MDB_cursor *cursor, int modify,
 230                             MDB_pageparent *mpp);
 231 static int  mdb_search_page(MDB_db *db,
 232                             MDB_txn *txn, MDB_val *key,
 233                             MDB_cursor *cursor, int modify,
 234                             MDB_pageparent *mpp);
 235
 236 static int  mdbenv_write_header(MDB_env *env);
 237 static int  mdbenv_read_header(MDB_env *env);
 238 static int  mdb_check_meta_page(MDB_page *p);
 239 static int  mdbenv_read_meta(MDB_env *env, pgno_t *p_next);
 240 static int  mdbenv_write_meta(MDB_env *env, pgno_t root,
 241                             unsigned int flags);
 242 static MDB_page *mdbenv_get_page(MDB_env *env, pgno_t pgno);
 243
 244 static MDB_node *mdb_search_node(MDB_db *db, MDB_page *mp,
 245                             MDB_val *key, int *exactp, unsigned int *kip);
 246 static int  mdb_add_node(MDB_db *bt, MDB_page *mp,
 247                             indx_t indx, MDB_val *key, MDB_val *data,
 248                             pgno_t pgno, uint8_t flags);
 249 static void mdb_del_node(MDB_db *bt, MDB_page *mp,
 250                             indx_t indx);
 251 static int  mdb_read_data(MDB_db *bt, MDB_page *mp,
 252                             MDB_node *leaf, MDB_val *data);
 253
 254 static int               mdb_rebalance(MDB_db *bt, MDB_pageparent *mp);
 255 static int               mdb_update_key(MDB_db *bt, MDB_page *mp,
 256                             indx_t indx, MDB_val *key);
 257 static int               mdb_move_node(MDB_db *bt,
 258                                 MDB_pageparent *src, indx_t srcindx,
 259                                 MDB_pageparent *dst, indx_t dstindx);
 260 static int               mdb_merge(MDB_db *bt, MDB_pageparent *src,
 261                             MDB_pageparent *dst);
 262 static int               mdb_split(MDB_db *bt, MDB_page **mpp,
 263                             unsigned int *newindxp, MDB_val *newkey,
 264                             MDB_val *newdata, pgno_t newpgno);
 265 static MDB_dpage *mdbenv_new_page(MDB_env *env, uint32_t flags, int num);
 266
 267 static void              cursor_pop_page(MDB_cursor *cursor);
 268 static MDB_ppage *cursor_push_page(MDB_cursor *cursor,
 269                             MDB_page *mp);
 270
 271 static int               mdb_set_key(MDB_db *bt, MDB_page *mp,
 272                             MDB_node *node, MDB_val *key);
 273 static int               mdb_sibling(MDB_cursor *cursor, int move_right);
 274 static int               mdb_cursor_next(MDB_cursor *cursor,
 275                             MDB_val *key, MDB_val *data);
 276 static int               mdb_cursor_set(MDB_cursor *cursor,
 277                             MDB_val *key, MDB_val *data, int *exactp);
 278 static int               mdb_cursor_first(MDB_cursor *cursor,
 279                             MDB_val *key, MDB_val *data);
 280
 281 static size_t            mdb_leaf_size(MDB_db *bt, MDB_val *key,
 282                             MDB_val *data);
 283 static size_t            mdb_branch_size(MDB_db *bt, MDB_val *key);
 284
 285 static pgno_t            mdbenv_compact_tree(MDB_env *env, pgno_t pgno,
 286                             MDB_env *envc);
 287
 288 static int               memncmp(const void *s1, size_t n1,
 289                                  const void *s2, size_t n2);
 290 static int               memnrcmp(const void *s1, size_t n1,
 291                                   const void *s2, size_t n2);
 292
 293 static int
 294 memncmp(const void *s1, size_t n1, const void *s2, size_t n2)
 295 {
 296         if (n1 < n2) {
 297                 if (memcmp(s1, s2, n1) == 0)
 298                         return -1;
 299         }
 300         else if (n1 > n2) {
 301                 if (memcmp(s1, s2, n2) == 0)
 302                         return 1;
 303         }
 304         return memcmp(s1, s2, n1);
 305 }
 306
 307 static int
 308 memnrcmp(const void *s1, size_t n1, const void *s2, size_t n2)
 309 {
 310         const unsigned char     *p1;
 311         const unsigned char     *p2;
 312
 313         if (n1 == 0)
 314                 return n2 == 0 ? 0 : -1;
 315
 316         if (n2 == 0)
 317                 return n1 == 0 ? 0 : 1;
 318
 319         p1 = (const unsigned char *)s1 + n1 - 1;
 320         p2 = (const unsigned char *)s2 + n2 - 1;
 321
 322         while (*p1 == *p2) {
 323                 if (p1 == s1)
 324                         return (p2 == s2) ? 0 : -1;
 325                 if (p2 == s2)
 326                         return (p1 == p2) ? 0 : 1;
 327                 p1--;
 328                 p2--;
 329         }
 330         return *p1 - *p2;
 331 }
 332
 333 int
 334 mdb_cmp(MDB_db *db, const MDB_val *a, const MDB_val *b)
 335 {
 336         return db->md_cmp(a, b);
 337 }
 338
 339 static int
 340 _mdb_cmp(MDB_db *db, const MDB_val *key1, const MDB_val *key2)
 341 {
 342         if (F_ISSET(db->md_flags, MDB_REVERSEKEY))
 343                 return memnrcmp(key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 344         else
 345                 return memncmp((char *)key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
 346 }
 347
 348 /* Allocate new page(s) for writing */
 349 static MDB_dpage *
 350 mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num)
 351 {
 352         MDB_dpage *dp;
 353
 354         if ((dp = malloc(txn->mt_env->me_head.mh_psize * num + sizeof(MDB_dhead))) == NULL)
 355                 return NULL;
 356         dp->h.md_num = num;
 357         dp->h.md_parent = parent;
 358         dp->h.md_pi = parent_idx;
 359         SIMPLEQ_INSERT_TAIL(txn->mt_dirty_queue, dp, h.md_next);
 360         dp->p.mp_pgno = txn->mt_next_pgno;
 361         txn->mt_next_pgno += num;
 362
 363         return dp;
 364 }
 365
 366 /* Touch a page: make it dirty and re-insert into tree with updated pgno.
 367  */
 368 static int
 369 mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
 370 {
 371         int rc;
 372         MDB_page *mp = pp->mp_page;
 373         pgno_t  pgno;
 374         assert(txn != NULL);
 375         assert(pp != NULL);
 376
 377         if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
 378                 MDB_dpage *dp;
 379                 DPRINTF("touching page %lu -> %lu", mp->mp_pgno, txn->mt_next_pgno);
 380                 if ((dp = mdb_newpage(txn, pp->mp_parent, pp->mp_pi, 1)) == NULL)
 381                         return ENOMEM;
 382                 pgno = dp->p.mp_pgno;
 383                 bcopy(mp, &dp->p, txn->mt_env->me_head.mh_psize);
 384                 mp = &dp->p;
 385                 mp->mp_pgno = pgno;
 386                 mp->mp_flags |= P_DIRTY;
 387
 388                 /* Update the page number to new touched page. */
 389                 if (pp->mp_parent != NULL)
 390                         NODEPGNO(NODEPTR(pp->mp_parent, pp->mp_pi)) = mp->mp_pgno;
 391                 pp->mp_page = mp;
 392         }
 393         return 0;
 394 }
 395
 396 int
 397 mdbenv_sync(MDB_env *env)
 398 {
 399         int rc = 0;
 400         if (!F_ISSET(env->me_flags, MDB_NOSYNC)) {
 401                 if (fsync(env->me_fd))
 402                         rc = errno;
 403         }
 404         return rc;
 405 }
 406
 407 int
 408 mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **ret)
 409 {
 410         MDB_txn *txn;
 411         int rc;
 412
 413         if (!rdonly && env->me_txn != NULL) {
 414                 DPRINTF("write transaction already begun");
 415                 return EBUSY;
 416         }
 417
 418         if ((txn = calloc(1, sizeof(*txn))) == NULL) {
 419                 DPRINTF("calloc: %s", strerror(errno));
 420                 return ENOMEM;
 421         }
 422
 423         if (rdonly) {
 424                 txn->mt_flags |= MDB_TXN_RDONLY;
 425         } else {
 426                 txn->mt_dirty_queue = calloc(1, sizeof(*txn->mt_dirty_queue));
 427                 if (txn->mt_dirty_queue == NULL) {
 428                         free(txn);
 429                         return ENOMEM;
 430                 }
 431                 SIMPLEQ_INIT(txn->mt_dirty_queue);
 432
 433 #if 0
 434                 DPRINTF("taking write lock on txn %p", txn);
 435                 if (flock(bt->fd, LOCK_EX | LOCK_NB) != 0) {
 436                         DPRINTF("flock: %s", strerror(errno));
 437                         errno = EBUSY;
 438                         free(txn->dirty_queue);
 439                         free(txn);
 440                         return NULL;
 441                 }
 442 #endif
 443                 env->me_txn = txn;
 444         }
 445
 446         txn->mt_env = env;
 447
 448         if ((rc = mdbenv_read_meta(env, &txn->mt_next_pgno)) != MDB_SUCCESS) {
 449                 mdb_txn_abort(txn);
 450                 return rc;
 451         }
 452
 453         txn->mt_first_pgno = txn->mt_next_pgno;
 454         txn->mt_root = env->me_meta.mm_root;
 455         DPRINTF("begin transaction on mdbenv %p, root page %lu", env, txn->mt_root);
 456
 457         *ret = txn;
 458         return MDB_SUCCESS;
 459 }
 460
 461 void
 462 mdb_txn_abort(MDB_txn *txn)
 463 {
 464         MDB_dpage *dp;
 465         MDB_env *env;
 466
 467         if (txn == NULL)
 468                 return;
 469
 470         env = txn->mt_env;
 471         DPRINTF("abort transaction on mdbenv %p, root page %lu", env, txn->mt_root);
 472
 473         if (!F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 474                 /* Discard all dirty pages.
 475                  */
 476                 while (!SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
 477                         dp = SIMPLEQ_FIRST(txn->mt_dirty_queue);
 478                         SIMPLEQ_REMOVE_HEAD(txn->mt_dirty_queue, h.md_next);
 479                         free(dp);
 480                 }
 481
 482 #if 0
 483                 DPRINTF("releasing write lock on txn %p", txn);
 484                 txn->bt->txn = NULL;
 485                 if (flock(txn->bt->fd, LOCK_UN) != 0) {
 486                         DPRINTF("failed to unlock fd %d: %s",
 487                             txn->bt->fd, strerror(errno));
 488                 }
 489 #endif
 490                 free(txn->mt_dirty_queue);
 491         }
 492
 493         if (txn == env->me_txn)
 494                 env->me_txn = NULL;
 495         free(txn);
 496 }
 497
 498 int
 499 mdb_txn_commit(MDB_txn *txn)
 500 {
 501         int              n, done;
 502         ssize_t          rc;
 503         off_t            size;
 504         MDB_dpage       *dp;
 505         MDB_env *env;
 506         struct iovec     iov[MDB_COMMIT_PAGES];
 507
 508         assert(txn != NULL);
 509         assert(txn->mt_env != NULL);
 510
 511         env = txn->mt_env;
 512
 513         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
 514                 DPRINTF("attempt to commit read-only transaction");
 515                 mdb_txn_abort(txn);
 516                 return EPERM;
 517         }
 518
 519         if (txn != env->me_txn) {
 520                 DPRINTF("attempt to commit unknown transaction");
 521                 mdb_txn_abort(txn);
 522                 return EINVAL;
 523         }
 524
 525         if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
 526                 DPRINTF("error flag is set, can't commit");
 527                 mdb_txn_abort(txn);
 528                 return EINVAL;
 529         }
 530
 531         if (SIMPLEQ_EMPTY(txn->mt_dirty_queue))
 532                 goto done;
 533
 534         if (F_ISSET(env->me_flags, MDB_FIXPADDING)) {
 535                 size = lseek(env->me_fd, 0, SEEK_END);
 536                 size += env->me_head.mh_psize - (size % env->me_head.mh_psize);
 537                 DPRINTF("extending to multiple of page size: %lu", size);
 538                 if (ftruncate(env->me_fd, size) != 0) {
 539                         n = errno;
 540                         DPRINTF("ftruncate: %s", strerror(errno));
 541                         mdb_txn_abort(txn);
 542                         return n;
 543                 }
 544                 env->me_flags ^= MDB_FIXPADDING;
 545         }
 546
 547         DPRINTF("committing transaction on mdbenv %p, root page %lu",
 548             env, txn->mt_root);
 549
 550         /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
 551          */
 552         do {
 553                 n = 0;
 554                 done = 1;
 555                 SIMPLEQ_FOREACH(dp, txn->mt_dirty_queue, h.md_next) {
 556                         DPRINTF("committing page %lu", dp->p.mp_pgno);
 557                         iov[n].iov_len = env->me_head.mh_psize * dp->h.md_num;
 558                         iov[n].iov_base = &dp->p;
 559                         /* clear dirty flag */
 560                         dp->p.mp_flags &= ~P_DIRTY;
 561                         if (++n >= MDB_COMMIT_PAGES) {
 562                                 done = 0;
 563                                 break;
 564                         }
 565                 }
 566
 567                 if (n == 0)
 568                         break;
 569
 570                 DPRINTF("committing %u dirty pages", n);
 571                 rc = writev(env->me_fd, iov, n);
 572                 if (rc != (ssize_t)env->me_head.mh_psize*n) {
 573                         n = errno;
 574                         if (rc > 0)
 575                                 DPRINTF("short write, filesystem full?");
 576                         else
 577                                 DPRINTF("writev: %s", strerror(errno));
 578                         mdb_txn_abort(txn);
 579                         return n;
 580                 }
 581
 582                 /* Drop the dirty pages.
 583                  */
 584                 while (!SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
 585                         dp = SIMPLEQ_FIRST(txn->mt_dirty_queue);
 586                         SIMPLEQ_REMOVE_HEAD(txn->mt_dirty_queue, h.md_next);
 587                         free(dp);
 588                         if (--n == 0)
 589                                 break;
 590                 }
 591         } while (!done);
 592
 593         if ((n = mdbenv_sync(env)) != 0 ||
 594             (n = mdbenv_write_meta(env, txn->mt_root, 0)) != MDB_SUCCESS ||
 595             (n = mdbenv_sync(env)) != 0) {
 596                 mdb_txn_abort(txn);
 597                 return n;
 598         }
 599         txn = NULL;
 600         env->me_txn = NULL;
 601
 602 done:
 603         mdb_txn_abort(txn);
 604
 605         return MDB_SUCCESS;
 606 }
 607
 608 static int
 609 mdbenv_write_header(MDB_env *env)
 610 {
 611         struct stat      sb;
 612         MDB_head        *h;
 613         MDB_page        *p;
 614         ssize_t          rc;
 615         unsigned int     psize;
 616
 617         DPRINTF("writing header page");
 618         assert(env != NULL);
 619
 620         psize = sysconf(_SC_PAGE_SIZE);
 621
 622         if ((p = calloc(1, psize)) == NULL)
 623                 return ENOMEM;
 624         p->mp_flags = P_HEAD;
 625
 626         env->me_head.mh_psize = psize;
 627         env->me_head.mh_flags = env->me_flags & 0xffff;
 628
 629         h = METADATA(p);
 630         bcopy(&env->me_head, h, sizeof(*h));
 631
 632         rc = write(env->me_fd, p, env->me_head.mh_psize);
 633         free(p);
 634         if (rc != (ssize_t)env->me_head.mh_psize) {
 635                 int err = errno;
 636                 if (rc > 0)
 637                         DPRINTF("short write, filesystem full?");
 638                 return err;
 639         }
 640
 641         return MDB_SUCCESS;
 642 }
 643
 644 static int
 645 mdbenv_read_header(MDB_env *env)
 646 {
 647         char             page[PAGESIZE];
 648         MDB_page        *p;
 649         MDB_head        *h;
 650         int              rc;
 651
 652         assert(env != NULL);
 653
 654         /* We don't know the page size yet, so use a minimum value.
 655          */
 656
 657         if ((rc = pread(env->me_fd, page, PAGESIZE, 0)) == 0) {
 658                 return ENOENT;
 659         } else if (rc != PAGESIZE) {
 660                 if (rc > 0)
 661                         errno = EINVAL;
 662                 DPRINTF("read: %s", strerror(errno));
 663                 return errno;
 664         }
 665
 666         p = (MDB_page *)page;
 667
 668         if (!F_ISSET(p->mp_flags, P_HEAD)) {
 669                 DPRINTF("page %lu not a header page", p->mp_pgno);
 670                 return EINVAL;
 671         }
 672
 673         h = METADATA(p);
 674         if (h->mh_magic != MDB_MAGIC) {
 675                 DPRINTF("header has invalid magic");
 676                 return EINVAL;
 677         }
 678
 679         if (h->mh_version != MDB_VERSION) {
 680                 DPRINTF("database is version %u, expected version %u",
 681                     h->mh_version, MDB_VERSION);
 682                 return EINVAL;
 683         }
 684
 685         bcopy(h, &env->me_head, sizeof(*h));
 686         return 0;
 687 }
 688
 689 static int
 690 mdbenv_write_meta(MDB_env *env, pgno_t root, unsigned int flags)
 691 {
 692         MDB_dpage       *dp;
 693         MDB_meta        *meta;
 694         ssize_t          rc;
 695
 696         DPRINTF("writing meta page for root page %lu", root);
 697
 698         assert(env != NULL);
 699         assert(env->me_txn != NULL);
 700
 701         if ((dp = mdbenv_new_page(env, P_META, 1)) == NULL)
 702                 return ENOMEM;
 703
 704         env->me_meta.mm_prev_meta = env->me_meta.mm_root;
 705         env->me_meta.mm_root = root;
 706         env->me_meta.mm_flags = flags;
 707         env->me_meta.mm_created_at = time(0);
 708         env->me_meta.mm_revisions++;
 709         SHA1((unsigned char *)&env->me_meta, METAHASHLEN, env->me_meta.mm_hash);
 710
 711         /* Copy the meta data changes to the new meta page. */
 712         meta = METADATA(&dp->p);
 713         bcopy(&env->me_meta, meta, sizeof(*meta));
 714
 715         rc = write(env->me_fd, &dp->p, env->me_head.mh_psize);
 716         SIMPLEQ_REMOVE_HEAD(env->me_txn->mt_dirty_queue, h.md_next);
 717         free(dp);
 718         if (rc != (ssize_t)env->me_head.mh_psize) {
 719                 int err = errno;
 720                 if (rc > 0)
 721                         DPRINTF("short write, filesystem full?");
 722                 return err;
 723         }
 724
 725         if ((env->me_size = lseek(env->me_fd, 0, SEEK_END)) == -1) {
 726                 DPRINTF("failed to update file size: %s", strerror(errno));
 727                 env->me_size = 0;
 728         }
 729
 730         return MDB_SUCCESS;
 731 }
 732
 733 /* Returns true if page p is a valid meta page, false otherwise.
 734  */
 735 static int
 736 mdb_check_meta_page(MDB_page *p)
 737 {
 738         MDB_meta        *m;
 739         unsigned char    hash[SHA_DIGEST_LENGTH];
 740
 741         m = METADATA(p);
 742         if (!F_ISSET(p->mp_flags, P_META)) {
 743                 DPRINTF("page %lu not a meta page", p->mp_pgno);
 744                 return EINVAL;
 745         }
 746
 747         if (m->mm_root >= p->mp_pgno && m->mm_root != P_INVALID) {
 748                 DPRINTF("page %lu points to an invalid root page", p->mp_pgno);
 749                 return EINVAL;
 750         }
 751
 752         SHA1((unsigned char *)m, METAHASHLEN, hash);
 753         if (bcmp(hash, m->mm_hash, SHA_DIGEST_LENGTH) != 0) {
 754                 DPRINTF("page %lu has an invalid digest", p->mp_pgno);
 755                 return EINVAL;
 756         }
 757
 758         return 0;
 759 }
 760
 761 static int
 762 mdbenv_read_meta(MDB_env *env, pgno_t *p_next)
 763 {
 764         MDB_page        *mp;
 765         MDB_meta        *meta;
 766         pgno_t           meta_pgno, next_pgno;
 767         off_t            size;
 768
 769         assert(env != NULL);
 770
 771         if ((size = lseek(env->me_fd, 0, SEEK_END)) == -1)
 772                 goto fail;
 773
 774         DPRINTF("mdbenv_read_meta: size = %lu", size);
 775
 776         if (size < env->me_size) {
 777                 DPRINTF("file has shrunk!");
 778                 errno = EIO;
 779                 goto fail;
 780         }
 781
 782         if (size == env->me_head.mh_psize) {            /* there is only the header */
 783                 if (p_next != NULL)
 784                         *p_next = 1;
 785                 return MDB_SUCCESS;             /* new file */
 786         }
 787
 788         next_pgno = size / env->me_head.mh_psize;
 789         if (next_pgno == 0) {
 790                 DPRINTF("corrupt file");
 791                 errno = EIO;
 792                 goto fail;
 793         }
 794
 795         meta_pgno = next_pgno - 1;
 796
 797         if (size % env->me_head.mh_psize != 0) {
 798                 DPRINTF("filesize not a multiple of the page size!");
 799                 env->me_flags |= MDB_FIXPADDING;
 800                 next_pgno++;
 801         }
 802
 803         if (p_next != NULL)
 804                 *p_next = next_pgno;
 805
 806         if (size == env->me_size) {
 807                 DPRINTF("size unchanged, keeping current meta page");
 808                 if (F_ISSET(env->me_meta.mm_flags, MDB_TOMBSTONE)) {
 809                         DPRINTF("file is dead");
 810                         errno = ESTALE;
 811                         return MDB_FAIL;
 812                 } else
 813                         return MDB_SUCCESS;
 814         } else {
 815                 env->me_size = size;
 816         }
 817
 818         while (meta_pgno > 0) {
 819                 if ((mp = mdbenv_get_page(env, meta_pgno)) == NULL)
 820                         break;
 821                 if (!mdb_check_meta_page(mp)) {
 822                         meta = METADATA(mp);
 823                         DPRINTF("flags = 0x%x", meta->mm_flags);
 824                         if (F_ISSET(meta->mm_flags, MDB_TOMBSTONE)) {
 825                                 DPRINTF("file is dead");
 826                                 errno = ESTALE;
 827                                 return MDB_FAIL;
 828                         } else {
 829                                 /* Make copy of last meta page. */
 830                                 bcopy(meta, &env->me_meta, sizeof(env->me_meta));
 831                                 return MDB_SUCCESS;
 832                         }
 833                 }
 834                 --meta_pgno;    /* scan backwards to first valid meta page */
 835         }
 836
 837         errno = EIO;
 838 fail:
 839         if (p_next != NULL)
 840                 *p_next = P_INVALID;
 841         return MDB_FAIL;
 842 }
 843
 844 int
 845 mdbenv_create(MDB_env **env, size_t size)
 846 {
 847         MDB_env *e;
 848
 849         if (!size) return EINVAL;
 850
 851         e = calloc(1, sizeof(*e));
 852         if (!e) return ENOMEM;
 853
 854         e->me_head.mh_magic = MDB_MAGIC;
 855         e->me_head.mh_version = MDB_VERSION;
 856         e->me_mapsize = e->me_head.mh_mapsize = size;
 857         e->me_db.md_env = e;
 858         *env = e;
 859         return MDB_SUCCESS;
 860 }
 861
 862 int
 863 mdbenv_open2(MDB_env *env, unsigned int flags)
 864 {
 865         int i, newenv = 0;
 866
 867         i = fcntl(env->me_fd, F_GETFL, 0);
 868         if (fcntl(env->me_fd, F_SETFL, i | O_APPEND) == -1)
 869                 return errno;
 870
 871         env->me_flags = flags;
 872         env->me_flags &= ~MDB_FIXPADDING;
 873         env->me_meta.mm_root = P_INVALID;
 874
 875         if ((i = mdbenv_read_header(env)) != 0) {
 876                 if (i != ENOENT)
 877                         return i;
 878                 DPRINTF("new mdbenv");
 879                 newenv = 1;
 880         }
 881
 882         i = MAP_SHARED;
 883         if (env->me_head.mh_address && (flags & MDB_FIXEDMAP))
 884                 i |= MAP_FIXED;
 885         env->me_map = mmap(env->me_head.mh_address, env->me_mapsize, PROT_READ, i,
 886                 env->me_fd, 0);
 887         if (env->me_map == MAP_FAILED)
 888                 return errno;
 889
 890         if (newenv) {
 891                 env->me_head.mh_mapsize = env->me_mapsize;
 892                 if (flags & MDB_FIXEDMAP)
 893                         env->me_head.mh_address = env->me_map;
 894                 i = mdbenv_write_header(env);
 895                 if (i != MDB_SUCCESS) {
 896                         munmap(env->me_map, env->me_mapsize);
 897                         return i;
 898                 }
 899         }
 900
 901         if ((i = mdbenv_read_meta(env, NULL)) != 0)
 902                 return i;
 903
 904         DPRINTF("opened database version %u, pagesize %u",
 905             env->me_head.mh_version, env->me_head.mh_psize);
 906         DPRINTF("timestamp: %s", ctime(&env->me_meta.mm_created_at));
 907         DPRINTF("depth: %u", env->me_meta.mm_stat.ms_depth);
 908         DPRINTF("entries: %lu", env->me_meta.mm_stat.ms_entries);
 909         DPRINTF("revisions: %lu", env->me_meta.mm_stat.ms_revisions);
 910         DPRINTF("branch pages: %lu", env->me_meta.mm_stat.ms_branch_pages);
 911         DPRINTF("leaf pages: %lu", env->me_meta.mm_stat.ms_leaf_pages);
 912         DPRINTF("overflow pages: %lu", env->me_meta.mm_stat.ms_overflow_pages);
 913         DPRINTF("root: %lu", env->me_meta.mm_root);
 914         DPRINTF("previous me_meta.me_page: %lu", env->me_meta.mm_prev_meta);
 915
 916         return MDB_SUCCESS;
 917 }
 918
 919 int
 920 mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
 921 {
 922         int              oflags, rc;
 923
 924         if (F_ISSET(flags, MDB_RDONLY))
 925                 oflags = O_RDONLY;
 926         else
 927                 oflags = O_RDWR | O_CREAT | O_APPEND;
 928
 929         if ((env->me_fd = open(path, oflags, mode)) == -1)
 930                 return errno;
 931
 932         if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
 933                 close(env->me_fd);
 934                 env->me_fd = -1;
 935         } else {
 936                 env->me_path = strdup(path);
 937                 DPRINTF("opened dbenv %p", env);
 938         }
 939
 940         return rc;
 941 }
 942
 943 void
 944 mdbenv_close(MDB_env *env)
 945 {
 946         if (env == NULL)
 947                 return;
 948
 949         free(env->me_path);
 950
 951         if (env->me_map) {
 952                 munmap(env->me_map, env->me_mapsize);
 953         }
 954         close(env->me_fd);
 955 }
 956
 957 /* Search for key within a leaf page, using binary search.
 958  * Returns the smallest entry larger or equal to the key.
 959  * If exactp is non-null, stores whether the found entry was an exact match
 960  * in *exactp (1 or 0).
 961  * If kip is non-null, stores the index of the found entry in *kip.
 962  * If no entry larger or equal to the key is found, returns NULL.
 963  */
 964 static MDB_node *
 965 mdb_search_node(MDB_db *bt, MDB_page *mp, MDB_val *key,
 966     int *exactp, unsigned int *kip)
 967 {
 968         unsigned int     i = 0;
 969         int              low, high;
 970         int              rc = 0;
 971         MDB_node        *node;
 972         MDB_val  nodekey;
 973
 974         DPRINTF("searching %lu keys in %s page %lu",
 975             NUMKEYS(mp),
 976             IS_LEAF(mp) ? "leaf" : "branch",
 977             mp->mp_pgno);
 978
 979         assert(NUMKEYS(mp) > 0);
 980
 981         bzero(&nodekey, sizeof(nodekey));
 982
 983         low = IS_LEAF(mp) ? 0 : 1;
 984         high = NUMKEYS(mp) - 1;
 985         while (low <= high) {
 986                 i = (low + high) >> 1;
 987                 node = NODEPTR(mp, i);
 988
 989                 nodekey.mv_size = node->mn_ksize;
 990                 nodekey.mv_data = NODEKEY(node);
 991
 992                 if (bt->md_cmp)
 993                         rc = bt->md_cmp(key, &nodekey);
 994                 else
 995                         rc = _mdb_cmp(bt, key, &nodekey);
 996
 997                 if (IS_LEAF(mp))
 998                         DPRINTF("found leaf index %u [%.*s], rc = %i",
 999                             i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
1000                 else
1001                         DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
1002                             i, (int)node->mn_ksize, (char *)NODEKEY(node),
1003                             node->mn_pgno, rc);
1004
1005                 if (rc == 0)
1006                         break;
1007                 if (rc > 0)
1008                         low = i + 1;
1009                 else
1010                         high = i - 1;
1011         }
1012
1013         if (rc > 0) {   /* Found entry is less than the key. */
1014                 i++;    /* Skip to get the smallest entry larger than key. */
1015                 if (i >= NUMKEYS(mp))
1016                         /* There is no entry larger or equal to the key. */
1017                         return NULL;
1018         }
1019         if (exactp)
1020                 *exactp = (rc == 0);
1021         if (kip)        /* Store the key index if requested. */
1022                 *kip = i;
1023
1024         return NODEPTR(mp, i);
1025 }
1026
1027 static void
1028 cursor_pop_page(MDB_cursor *cursor)
1029 {
1030         MDB_ppage       *top;
1031
1032         top = CURSOR_TOP(cursor);
1033         CURSOR_POP(cursor);
1034
1035         DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, cursor);
1036
1037         free(top);
1038 }
1039
1040 static MDB_ppage *
1041 cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
1042 {
1043         MDB_ppage       *ppage;
1044
1045         DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, cursor);
1046
1047         if ((ppage = calloc(1, sizeof(*ppage))) == NULL)
1048                 return NULL;
1049         ppage->mp_page = mp;
1050         CURSOR_PUSH(cursor, ppage);
1051         return ppage;
1052 }
1053
1054 static MDB_page *
1055 mdbenv_get_page(MDB_env *env, pgno_t pgno)
1056 {
1057         MDB_page *p = NULL;
1058         MDB_txn *txn = env->me_txn;
1059
1060         if (txn && pgno >= txn->mt_first_pgno &&
1061                 !SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
1062                 MDB_dpage *dp;
1063                 SIMPLEQ_FOREACH(dp, txn->mt_dirty_queue, h.md_next) {
1064                         if (dp->p.mp_pgno == pgno) {
1065                                 p = &dp->p;
1066                                 break;
1067                         }
1068                 }
1069         } else {
1070                 p = (MDB_page *)(env->me_map + env->me_head.mh_psize * pgno);
1071         }
1072         return p;
1073 }
1074
1075 static int
1076 mdb_search_page_root(MDB_db *bt, MDB_val *key,
1077     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1078 {
1079         MDB_page        *mp = mpp->mp_page;
1080         int rc;
1081
1082         if (cursor && cursor_push_page(cursor, mp) == NULL)
1083                 return MDB_FAIL;
1084
1085         while (IS_BRANCH(mp)) {
1086                 unsigned int     i = 0;
1087                 MDB_node        *node;
1088
1089                 DPRINTF("branch page %lu has %lu keys", mp->mp_pgno, NUMKEYS(mp));
1090                 assert(NUMKEYS(mp) > 1);
1091                 DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
1092
1093                 if (key == NULL)        /* Initialize cursor to first page. */
1094                         i = 0;
1095                 else {
1096                         int      exact;
1097                         node = mdb_search_node(bt, mp, key, &exact, &i);
1098                         if (node == NULL)
1099                                 i = NUMKEYS(mp) - 1;
1100                         else if (!exact) {
1101                                 assert(i > 0);
1102                                 i--;
1103                         }
1104                 }
1105
1106                 if (key)
1107                         DPRINTF("following index %u for key %.*s",
1108                             i, (int)key->mv_size, (char *)key->mv_data);
1109                 assert(i >= 0 && i < NUMKEYS(mp));
1110                 node = NODEPTR(mp, i);
1111
1112                 if (cursor)
1113                         CURSOR_TOP(cursor)->mp_ki = i;
1114
1115                 mpp->mp_parent = mp;
1116                 if ((mp = mdbenv_get_page(bt->md_env, NODEPGNO(node))) == NULL)
1117                         return MDB_FAIL;
1118                 mpp->mp_pi = i;
1119                 mpp->mp_page = mp;
1120
1121                 if (cursor && cursor_push_page(cursor, mp) == NULL)
1122                         return MDB_FAIL;
1123
1124                 if (modify && (rc = mdb_touch(bt->md_env->me_txn, mpp)))
1125                         return rc;
1126                 mp = mpp->mp_page;
1127         }
1128
1129         if (!IS_LEAF(mp)) {
1130                 DPRINTF("internal error, index points to a %02X page!?",
1131                     mp->mp_flags);
1132                 return MDB_FAIL;
1133         }
1134
1135         DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
1136             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
1137
1138         return MDB_SUCCESS;
1139 }
1140
1141 /* Search for the page a given key should be in.
1142  * Stores a pointer to the found page in *mpp.
1143  * If key is NULL, search for the lowest page (used by mdb_cursor_first).
1144  * If cursor is non-null, pushes parent pages on the cursor stack.
1145  * If modify is true, visited pages are updated with new page numbers.
1146  */
1147 static int
1148 mdb_search_page(MDB_db *db, MDB_txn *txn, MDB_val *key,
1149     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
1150 {
1151         int              rc;
1152         pgno_t           root;
1153
1154         /* Can't modify pages outside a transaction. */
1155         if (txn == NULL && modify) {
1156                 return EINVAL;
1157         }
1158
1159         /* Choose which root page to start with. If a transaction is given
1160          * use the root page from the transaction, otherwise read the last
1161          * committed root page.
1162          */
1163         if (txn == NULL) {
1164                 if ((rc = mdbenv_read_meta(db->md_env, NULL)) != MDB_SUCCESS)
1165                         return rc;
1166                 root = db->md_env->me_meta.mm_root;
1167         } else if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
1168                 DPRINTF("transaction has failed, must abort");
1169                 return EINVAL;
1170         } else
1171                 root = txn->mt_root;
1172
1173         if (root == P_INVALID) {                /* Tree is empty. */
1174                 DPRINTF("tree is empty");
1175                 return ENOENT;
1176         }
1177
1178         if ((mpp->mp_page = mdbenv_get_page(db->md_env, root)) == NULL)
1179                 return MDB_FAIL;
1180
1181         DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
1182
1183         if (modify && !F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
1184                 mpp->mp_parent = NULL;
1185                 mpp->mp_pi = 0;
1186                 if ((rc = mdb_touch(txn, mpp)))
1187                         return rc;
1188                 txn->mt_root = mpp->mp_page->mp_pgno;
1189         }
1190
1191         return mdb_search_page_root(db, key, cursor, modify, mpp);
1192 }
1193
1194 static int
1195 mdb_read_data(MDB_db *db, MDB_page *mp, MDB_node *leaf,
1196     MDB_val *data)
1197 {
1198         MDB_page        *omp;           /* overflow mpage */
1199         size_t           psz;
1200         size_t           max;
1201         size_t           sz = 0;
1202         pgno_t           pgno;
1203
1204         bzero(data, sizeof(*data));
1205         max = db->md_env->me_head.mh_psize - PAGEHDRSZ;
1206
1207         if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
1208                 data->mv_size = leaf->mn_dsize;
1209                 data->mv_data = NODEDATA(leaf);
1210                 return MDB_SUCCESS;
1211         }
1212
1213         /* Read overflow data.
1214          */
1215         data->mv_size = leaf->mn_dsize;
1216         bcopy(NODEDATA(leaf), &pgno, sizeof(pgno));
1217         if ((omp = mdbenv_get_page(db->md_env, pgno)) == NULL) {
1218                 DPRINTF("read overflow page %lu failed", pgno);
1219                 return MDB_FAIL;
1220         }
1221         data->mv_data = omp;
1222
1223         return MDB_SUCCESS;
1224 }
1225
1226 int
1227 mdb_get(MDB_db *db, MDB_txn *txn,
1228     MDB_val *key, MDB_val *data)
1229 {
1230         int              rc, exact;
1231         MDB_node        *leaf;
1232         MDB_pageparent mpp;
1233
1234         assert(key);
1235         assert(data);
1236         DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
1237
1238         if (db == NULL)
1239                 return EINVAL;
1240
1241         if (txn != NULL && db->md_env != txn->mt_env) {
1242                 return EINVAL;
1243         }
1244
1245         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1246                 return EINVAL;
1247         }
1248
1249         if ((rc = mdb_search_page(db, txn, key, NULL, 0, &mpp)) != MDB_SUCCESS)
1250                 return rc;
1251
1252         leaf = mdb_search_node(db, mpp.mp_page, key, &exact, NULL);
1253         if (leaf && exact)
1254                 rc = mdb_read_data(db, mpp.mp_page, leaf, data);
1255         else {
1256                 rc = ENOENT;
1257         }
1258
1259         return rc;
1260 }
1261
1262 static int
1263 mdb_sibling(MDB_cursor *cursor, int move_right)
1264 {
1265         int              rc;
1266         MDB_node        *indx;
1267         MDB_ppage       *parent, *top;
1268         MDB_page        *mp;
1269
1270         top = CURSOR_TOP(cursor);
1271         if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
1272                 return ENOENT;          /* root has no siblings */
1273         }
1274
1275         DPRINTF("parent page is page %lu, index %u",
1276             parent->mp_page->mp_pgno, parent->mp_ki);
1277
1278         cursor_pop_page(cursor);
1279         if (move_right ? (parent->mp_ki + 1 >= NUMKEYS(parent->mp_page))
1280                        : (parent->mp_ki == 0)) {
1281                 DPRINTF("no more keys left, moving to %s sibling",
1282                     move_right ? "right" : "left");
1283                 if ((rc = mdb_sibling(cursor, move_right)) != MDB_SUCCESS)
1284                         return rc;
1285                 parent = CURSOR_TOP(cursor);
1286         } else {
1287                 if (move_right)
1288                         parent->mp_ki++;
1289                 else
1290                         parent->mp_ki--;
1291                 DPRINTF("just moving to %s index key %u",
1292                     move_right ? "right" : "left", parent->mp_ki);
1293         }
1294         assert(IS_BRANCH(parent->mp_page));
1295
1296 #if 0
1297         indx = NODEPTR(parent->mp_page, parent->mp_ki);
1298         if ((mp = mdbenv_get_page(cursor->bt, indx->n_pgno)) == NULL)
1299                 return MDB_FAIL;
1300         mp->parent = parent->mp_page;
1301         mp->parent_index = parent->mp_ki;
1302 #endif
1303
1304         cursor_push_page(cursor, mp);
1305
1306         return MDB_SUCCESS;
1307 }
1308
1309 static int
1310 mdb_set_key(MDB_db *bt, MDB_page *mp, MDB_node *node,
1311     MDB_val *key)
1312 {
1313         if (key == NULL)
1314                 return 0;
1315
1316         key->mv_size = node->mn_ksize;
1317         key->mv_data = NODEKEY(node);
1318
1319         return 0;
1320 }
1321
1322 static int
1323 mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1324 {
1325         MDB_ppage       *top;
1326         MDB_page        *mp;
1327         MDB_node        *leaf;
1328
1329         if (cursor->mc_eof) {
1330                 return ENOENT;
1331         }
1332
1333         assert(cursor->mc_initialized);
1334
1335         top = CURSOR_TOP(cursor);
1336         mp = top->mp_page;
1337
1338         DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, cursor);
1339
1340         if (top->mp_ki + 1 >= NUMKEYS(mp)) {
1341                 DPRINTF("=====> move to next sibling page");
1342                 if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
1343                         cursor->mc_eof = 1;
1344                         return ENOENT;
1345                 }
1346                 top = CURSOR_TOP(cursor);
1347                 mp = top->mp_page;
1348                 DPRINTF("next page is %lu, key index %u", mp->mp_pgno, top->mp_ki);
1349         } else
1350                 top->mp_ki++;
1351
1352         DPRINTF("==> cursor points to page %lu with %lu keys, key index %u",
1353             mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
1354
1355         assert(IS_LEAF(mp));
1356         leaf = NODEPTR(mp, top->mp_ki);
1357
1358         if (data && mdb_read_data(cursor->mc_db, mp, leaf, data) != MDB_SUCCESS)
1359                 return MDB_FAIL;
1360
1361         return mdb_set_key(cursor->mc_db, mp, leaf, key);
1362 }
1363
1364 static int
1365 mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1366     int *exactp)
1367 {
1368         int              rc;
1369         MDB_node        *leaf;
1370         MDB_ppage       *top;
1371         MDB_pageparent mpp;
1372
1373         assert(cursor);
1374         assert(key);
1375         assert(key->mv_size > 0);
1376
1377         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, key, cursor, 0, &mpp);
1378         if (rc != MDB_SUCCESS)
1379                 return rc;
1380         assert(IS_LEAF(mpp.mp_page));
1381
1382         top = CURSOR_TOP(cursor);
1383         leaf = mdb_search_node(cursor->mc_db, mpp.mp_page, key, exactp, &top->mp_ki);
1384         if (exactp != NULL && !*exactp) {
1385                 /* MDB_CURSOR_EXACT specified and not an exact match. */
1386                 return ENOENT;
1387         }
1388
1389         if (leaf == NULL) {
1390                 DPRINTF("===> inexact leaf not found, goto sibling");
1391                 if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
1392                         return rc;              /* no entries matched */
1393                 top = CURSOR_TOP(cursor);
1394                 top->mp_ki = 0;
1395                 mpp.mp_page = top->mp_page;
1396                 assert(IS_LEAF(mpp.mp_page));
1397                 leaf = NODEPTR(mpp.mp_page, 0);
1398         }
1399
1400         cursor->mc_initialized = 1;
1401         cursor->mc_eof = 0;
1402
1403         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1404                 return rc;
1405
1406         rc = mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1407         if (rc == MDB_SUCCESS) {
1408                 DPRINTF("==> cursor placed on key %.*s",
1409                         (int)key->mv_size, (char *)key->mv_data);
1410                 ;
1411         }
1412
1413         return rc;
1414 }
1415
1416 static int
1417 mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
1418 {
1419         int              rc;
1420         MDB_pageparent  mpp;
1421         MDB_node        *leaf;
1422
1423         rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, NULL, cursor, 0, &mpp);
1424         if (rc != MDB_SUCCESS)
1425                 return rc;
1426         assert(IS_LEAF(mpp.mp_page));
1427
1428         leaf = NODEPTR(mpp.mp_page, 0);
1429         cursor->mc_initialized = 1;
1430         cursor->mc_eof = 0;
1431
1432         if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
1433                 return rc;
1434
1435         return mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
1436 }
1437
1438 int
1439 mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
1440     MDB_cursor_op op)
1441 {
1442         int              rc;
1443         int              exact = 0;
1444
1445         assert(cursor);
1446
1447         switch (op) {
1448         case MDB_CURSOR:
1449         case MDB_CURSOR_EXACT:
1450                 while (CURSOR_TOP(cursor) != NULL)
1451                         cursor_pop_page(cursor);
1452                 if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
1453                         rc = EINVAL;
1454                 } else if (op == MDB_CURSOR_EXACT)
1455                         rc = mdb_cursor_set(cursor, key, data, &exact);
1456                 else
1457                         rc = mdb_cursor_set(cursor, key, data, NULL);
1458                 break;
1459         case MDB_NEXT:
1460                 if (!cursor->mc_initialized)
1461                         rc = mdb_cursor_first(cursor, key, data);
1462                 else
1463                         rc = mdb_cursor_next(cursor, key, data);
1464                 break;
1465         case MDB_FIRST:
1466                 while (CURSOR_TOP(cursor) != NULL)
1467                         cursor_pop_page(cursor);
1468                 rc = mdb_cursor_first(cursor, key, data);
1469                 break;
1470         default:
1471                 DPRINTF("unhandled/unimplemented cursor operation %u", op);
1472                 rc = EINVAL;
1473                 break;
1474         }
1475
1476         return rc;
1477 }
1478
1479 /* Allocate a page and initialize it
1480  */
1481 static MDB_dpage *
1482 mdbenv_new_page(MDB_env *env, uint32_t flags, int num)
1483 {
1484         MDB_dpage       *dp;
1485
1486         assert(env != NULL);
1487         assert(env->me_txn != NULL);
1488
1489         DPRINTF("allocating new mpage %lu, page size %u",
1490             env->me_txn->mt_next_pgno, env->me_head.mh_psize);
1491         if ((dp = mdb_newpage(env->me_txn, NULL, 0, num)) == NULL)
1492                 return NULL;
1493         dp->p.mp_flags = flags;
1494         dp->p.mp_lower = PAGEHDRSZ;
1495         dp->p.mp_upper = env->me_head.mh_psize;
1496
1497         if (IS_BRANCH(&dp->p))
1498                 env->me_meta.mm_stat.ms_branch_pages++;
1499         else if (IS_LEAF(&dp->p))
1500                 env->me_meta.mm_stat.ms_leaf_pages++;
1501         else if (IS_OVERFLOW(&dp->p)) {
1502                 env->me_meta.mm_stat.ms_overflow_pages += num;
1503                 dp->p.mp_pages = num;
1504         }
1505
1506         return dp;
1507 }
1508
1509 static size_t
1510 mdb_leaf_size(MDB_db *db, MDB_val *key, MDB_val *data)
1511 {
1512         size_t           sz;
1513
1514         sz = LEAFSIZE(key, data);
1515         if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1516                 /* put on overflow page */
1517                 sz -= data->mv_size - sizeof(pgno_t);
1518         }
1519
1520         return sz + sizeof(indx_t);
1521 }
1522
1523 static size_t
1524 mdb_branch_size(MDB_db *db, MDB_val *key)
1525 {
1526         size_t           sz;
1527
1528         sz = INDXSIZE(key);
1529         if (sz >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1530                 /* put on overflow page */
1531                 /* not implemented */
1532                 /* sz -= key->size - sizeof(pgno_t); */
1533         }
1534
1535         return sz + sizeof(indx_t);
1536 }
1537
1538 static int
1539 mdb_add_node(MDB_db *db, MDB_page *mp, indx_t indx,
1540     MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
1541 {
1542         unsigned int     i;
1543         size_t           node_size = NODESIZE;
1544         indx_t           ofs;
1545         MDB_node        *node;
1546         MDB_dpage       *ofp = NULL;            /* overflow page */
1547
1548         assert(mp->mp_upper >= mp->mp_lower);
1549
1550         DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
1551             key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
1552             IS_LEAF(mp) ? "leaf" : "branch",
1553             mp->mp_pgno, indx, key ? key->mv_size : 0);
1554
1555         if (key != NULL)
1556                 node_size += key->mv_size;
1557
1558         if (IS_LEAF(mp)) {
1559                 assert(data);
1560                 node_size += data->mv_size;
1561                 if (F_ISSET(flags, F_BIGDATA)) {
1562                         /* Data already on overflow page. */
1563                         node_size -= data->mv_size - sizeof(pgno_t);
1564                 } else if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
1565                         int ovpages = PAGEHDRSZ + data->mv_size + db->md_env->me_head.mh_psize - 1;
1566                         ovpages /= db->md_env->me_head.mh_psize;
1567                         /* Put data on overflow page. */
1568                         DPRINTF("data size is %zu, put on overflow page",
1569                             data->mv_size);
1570                         node_size -= data->mv_size - sizeof(pgno_t);
1571                         if ((ofp = mdbenv_new_page(db->md_env, P_OVERFLOW, ovpages)) == NULL)
1572                                 return MDB_FAIL;
1573                         DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
1574                         flags |= F_BIGDATA;
1575                 }
1576         }
1577
1578         if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
1579                 DPRINTF("not enough room in page %lu, got %lu ptrs",
1580                     mp->mp_pgno, NUMKEYS(mp));
1581                 DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
1582                     mp->mp_upper - mp->mp_lower);
1583                 DPRINTF("node size = %zu", node_size);
1584                 return ENOSPC;
1585         }
1586
1587         /* Move higher pointers up one slot. */
1588         for (i = NUMKEYS(mp); i > indx; i--)
1589                 mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
1590
1591         /* Adjust free space offsets. */
1592         ofs = mp->mp_upper - node_size;
1593         assert(ofs >= mp->mp_lower + sizeof(indx_t));
1594         mp->mp_ptrs[indx] = ofs;
1595         mp->mp_upper = ofs;
1596         mp->mp_lower += sizeof(indx_t);
1597
1598         /* Write the node data. */
1599         node = NODEPTR(mp, indx);
1600         node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
1601         node->mn_flags = flags;
1602         if (IS_LEAF(mp))
1603                 node->mn_dsize = data->mv_size;
1604         else
1605                 node->mn_pgno = pgno;
1606
1607         if (key)
1608                 bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1609
1610         if (IS_LEAF(mp)) {
1611                 assert(key);
1612                 if (ofp == NULL) {
1613                         if (F_ISSET(flags, F_BIGDATA))
1614                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1615                                     sizeof(pgno_t));
1616                         else
1617                                 bcopy(data->mv_data, node->mn_data + key->mv_size,
1618                                     data->mv_size);
1619                 } else {
1620                         bcopy(&ofp->p.mp_pgno, node->mn_data + key->mv_size,
1621                             sizeof(pgno_t));
1622                         bcopy(data->mv_data, METADATA(&ofp->p), data->mv_size);
1623                 }
1624         }
1625
1626         return MDB_SUCCESS;
1627 }
1628
1629 static void
1630 mdb_del_node(MDB_db *db, MDB_page *mp, indx_t indx)
1631 {
1632         unsigned int     sz;
1633         indx_t           i, j, numkeys, ptr;
1634         MDB_node        *node;
1635         char            *base;
1636
1637         DPRINTF("delete node %u on %s page %lu", indx,
1638             IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
1639         assert(indx < NUMKEYS(mp));
1640
1641         node = NODEPTR(mp, indx);
1642         sz = NODESIZE + node->mn_ksize;
1643         if (IS_LEAF(mp)) {
1644                 if (F_ISSET(node->mn_flags, F_BIGDATA))
1645                         sz += sizeof(pgno_t);
1646                 else
1647                         sz += NODEDSZ(node);
1648         }
1649
1650         ptr = mp->mp_ptrs[indx];
1651         numkeys = NUMKEYS(mp);
1652         for (i = j = 0; i < numkeys; i++) {
1653                 if (i != indx) {
1654                         mp->mp_ptrs[j] = mp->mp_ptrs[i];
1655                         if (mp->mp_ptrs[i] < ptr)
1656                                 mp->mp_ptrs[j] += sz;
1657                         j++;
1658                 }
1659         }
1660
1661         base = (char *)mp + mp->mp_upper;
1662         bcopy(base, base + sz, ptr - mp->mp_upper);
1663
1664         mp->mp_lower -= sizeof(indx_t);
1665         mp->mp_upper += sz;
1666 }
1667
1668 int
1669 mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **ret)
1670 {
1671         MDB_cursor      *cursor;
1672
1673         if (db == NULL || ret == NULL)
1674                 return EINVAL;
1675
1676         if (txn != NULL && db->md_env != txn->mt_env) {
1677                 return EINVAL;
1678         }
1679
1680         if ((cursor = calloc(1, sizeof(*cursor))) != NULL) {
1681                 SLIST_INIT(&cursor->mc_stack);
1682                 cursor->mc_db = db;
1683                 cursor->mc_txn = txn;
1684         }
1685
1686         *ret = cursor;
1687
1688         return MDB_SUCCESS;
1689 }
1690
1691 void
1692 mdb_cursor_close(MDB_cursor *cursor)
1693 {
1694         if (cursor != NULL) {
1695                 while (!CURSOR_EMPTY(cursor))
1696                         cursor_pop_page(cursor);
1697
1698 /*              btree_close(cursor->bt); */
1699                 free(cursor);
1700         }
1701 }
1702
1703 static int
1704 mdb_update_key(MDB_db *db, MDB_page *mp, indx_t indx,
1705     MDB_val *key)
1706 {
1707         indx_t                   ptr, i, numkeys;
1708         int                      delta;
1709         size_t                   len;
1710         MDB_node                *node;
1711         char                    *base;
1712
1713         node = NODEPTR(mp, indx);
1714         ptr = mp->mp_ptrs[indx];
1715         DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
1716             indx, ptr,
1717             (int)node->mn_ksize, (char *)NODEKEY(node),
1718             (int)key->mv_size, (char *)key->mv_data,
1719             mp->mp_pgno);
1720
1721         delta = key->mv_size - node->mn_ksize;
1722         if (delta) {
1723                 if (delta > 0 && SIZELEFT(mp) < delta) {
1724                         DPRINTF("OUCH! Not enough room, delta = %d", delta);
1725                         return ENOSPC;
1726                 }
1727
1728                 numkeys = NUMKEYS(mp);
1729                 for (i = 0; i < numkeys; i++) {
1730                         if (mp->mp_ptrs[i] <= ptr)
1731                                 mp->mp_ptrs[i] -= delta;
1732                 }
1733
1734                 base = (char *)mp + mp->mp_upper;
1735                 len = ptr - mp->mp_upper + NODESIZE;
1736                 bcopy(base, base - delta, len);
1737                 mp->mp_upper -= delta;
1738
1739                 node = NODEPTR(mp, indx);
1740                 node->mn_ksize = key->mv_size;
1741         }
1742
1743         bcopy(key->mv_data, NODEKEY(node), key->mv_size);
1744
1745         return MDB_SUCCESS;
1746 }
1747
1748 /* Move a node from src to dst.
1749  */
1750 static int
1751 mdb_move_node(MDB_db *bt, MDB_pageparent *src, indx_t srcindx,
1752     MDB_pageparent *dst, indx_t dstindx)
1753 {
1754         int                      rc;
1755         MDB_node                *srcnode;
1756         MDB_val          key, data;
1757
1758         srcnode = NODEPTR(src->mp_page, srcindx);
1759         DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
1760             IS_LEAF(src->mp_page) ? "leaf" : "branch",
1761             srcindx,
1762             (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
1763             src->mp_page->mp_pgno,
1764             dstindx, dst->mp_page->mp_pgno);
1765
1766         /* Mark src and dst as dirty. */
1767         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1768             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1769                 return rc;;
1770
1771         /* Add the node to the destination page.
1772          */
1773         key.mv_size = srcnode->mn_ksize;
1774         key.mv_data = NODEKEY(srcnode);
1775         data.mv_size = NODEDSZ(srcnode);
1776         data.mv_data = NODEDATA(srcnode);
1777         rc = mdb_add_node(bt, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
1778             srcnode->mn_flags);
1779         if (rc != MDB_SUCCESS)
1780                 return rc;
1781
1782         /* Delete the node from the source page.
1783          */
1784         mdb_del_node(bt, src->mp_page, srcindx);
1785
1786         /* Update the parent separators.
1787          */
1788         if (srcindx == 0 && src->mp_pi != 0) {
1789                 DPRINTF("update separator for source page %lu to [%.*s]",
1790                     src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1791                 if ((rc = mdb_update_key(bt, src->mp_parent, src->mp_pi,
1792                     &key)) != MDB_SUCCESS)
1793                         return rc;
1794         }
1795
1796         if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
1797                 MDB_val  nullkey;
1798                 nullkey.mv_size = 0;
1799                 assert(mdb_update_key(bt, src->mp_page, 0, &nullkey) == MDB_SUCCESS);
1800         }
1801
1802         if (dstindx == 0 && dst->mp_pi != 0) {
1803                 DPRINTF("update separator for destination page %lu to [%.*s]",
1804                     dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
1805                 if ((rc = mdb_update_key(bt, dst->mp_parent, dst->mp_pi,
1806                     &key)) != MDB_SUCCESS)
1807                         return rc;
1808         }
1809
1810         if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
1811                 MDB_val  nullkey;
1812                 nullkey.mv_size = 0;
1813                 assert(mdb_update_key(bt, dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
1814         }
1815
1816         return MDB_SUCCESS;
1817 }
1818
1819 static int
1820 mdb_merge(MDB_db *bt, MDB_pageparent *src, MDB_pageparent *dst)
1821 {
1822         int                      rc;
1823         indx_t                   i;
1824         MDB_node                *srcnode;
1825         MDB_val          key, data;
1826         MDB_pageparent  mpp;
1827         MDB_dhead *dh;
1828
1829         DPRINTF("merging page %lu and %lu", src->mp_page->mp_pgno, dst->mp_page->mp_pgno);
1830
1831         assert(src->mp_parent); /* can't merge root page */
1832         assert(dst->mp_parent);
1833         assert(bt->md_env->me_txn != NULL);
1834
1835         /* Mark src and dst as dirty. */
1836         if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
1837             (rc = mdb_touch(bt->md_env->me_txn, dst)))
1838                 return rc;
1839
1840         /* Move all nodes from src to dst.
1841          */
1842         for (i = 0; i < NUMKEYS(src->mp_page); i++) {
1843                 srcnode = NODEPTR(src->mp_page, i);
1844
1845                 key.mv_size = srcnode->mn_ksize;
1846                 key.mv_data = NODEKEY(srcnode);
1847                 data.mv_size = NODEDSZ(srcnode);
1848                 data.mv_data = NODEDATA(srcnode);
1849                 rc = mdb_add_node(bt, dst->mp_page, NUMKEYS(dst->mp_page), &key,
1850                     &data, NODEPGNO(srcnode), srcnode->mn_flags);
1851                 if (rc != MDB_SUCCESS)
1852                         return rc;
1853         }
1854
1855         DPRINTF("dst page %lu now has %lu keys (%.1f%% filled)",
1856             dst->mp_page->mp_pgno, NUMKEYS(dst->mp_page), (float)PAGEFILL(bt->md_env, dst->mp_page) / 10);
1857
1858         /* Unlink the src page from parent.
1859          */
1860         mdb_del_node(bt, src->mp_parent, src->mp_pi);
1861         if (src->mp_pi == 0) {
1862                 key.mv_size = 0;
1863                 if ((rc = mdb_update_key(bt, src->mp_parent, 0, &key)) != MDB_SUCCESS)
1864                         return rc;
1865         }
1866
1867         if (IS_LEAF(src->mp_page))
1868                 bt->md_env->me_meta.mm_stat.ms_leaf_pages--;
1869         else
1870                 bt->md_env->me_meta.mm_stat.ms_branch_pages--;
1871
1872         mpp.mp_page = src->mp_parent;
1873         dh = (MDB_dhead *)src->mp_parent;
1874         dh--;
1875         mpp.mp_parent = dh->md_parent;
1876         mpp.mp_pi = dh->md_pi;
1877
1878         return mdb_rebalance(bt, &mpp);
1879 }
1880
1881 #define FILL_THRESHOLD   250
1882
1883 static int
1884 mdb_rebalance(MDB_db *db, MDB_pageparent *mpp)
1885 {
1886         MDB_node        *node;
1887         MDB_page        *root;
1888         MDB_pageparent npp;
1889         indx_t           si = 0, di = 0;
1890
1891         assert(db != NULL);
1892         assert(db->md_env->me_txn != NULL);
1893         assert(mpp != NULL);
1894
1895         DPRINTF("rebalancing %s page %lu (has %lu keys, %.1f%% full)",
1896             IS_LEAF(mpp->mp_page) ? "leaf" : "branch",
1897             mpp->mp_page->mp_pgno, NUMKEYS(mpp->mp_page), (float)PAGEFILL(db->md_env, mpp->mp_page) / 10);
1898
1899         if (PAGEFILL(db->md_env, mpp->mp_page) >= FILL_THRESHOLD) {
1900                 DPRINTF("no need to rebalance page %lu, above fill threshold",
1901                     mpp->mp_page->mp_pgno);
1902                 return MDB_SUCCESS;
1903         }
1904
1905         if (mpp->mp_parent == NULL) {
1906                 if (NUMKEYS(mpp->mp_page) == 0) {
1907                         DPRINTF("tree is completely empty");
1908                         db->md_env->me_txn->mt_root = P_INVALID;
1909                         db->md_env->me_meta.mm_stat.ms_depth--;
1910                         db->md_env->me_meta.mm_stat.ms_leaf_pages--;
1911                 } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
1912                         DPRINTF("collapsing root page!");
1913                         db->md_env->me_txn->mt_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
1914                         if ((root = mdbenv_get_page(db->md_env, db->md_env->me_txn->mt_root)) == NULL)
1915                                 return MDB_FAIL;
1916                         db->md_env->me_meta.mm_stat.ms_depth--;
1917                         db->md_env->me_meta.mm_stat.ms_branch_pages--;
1918                 } else
1919                         DPRINTF("root page doesn't need rebalancing");
1920                 return MDB_SUCCESS;
1921         }
1922
1923         /* The parent (branch page) must have at least 2 pointers,
1924          * otherwise the tree is invalid.
1925          */
1926         assert(NUMKEYS(mpp->mp_parent) > 1);
1927
1928         /* Leaf page fill factor is below the threshold.
1929          * Try to move keys from left or right neighbor, or
1930          * merge with a neighbor page.
1931          */
1932
1933         /* Find neighbors.
1934          */
1935         if (mpp->mp_pi == 0) {
1936                 /* We're the leftmost leaf in our parent.
1937                  */
1938                 DPRINTF("reading right neighbor");
1939                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
1940                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
1941                         return MDB_FAIL;
1942                 npp.mp_pi = mpp->mp_pi + 1;
1943                 si = 0;
1944                 di = NUMKEYS(mpp->mp_page);
1945         } else {
1946                 /* There is at least one neighbor to the left.
1947                  */
1948                 DPRINTF("reading left neighbor");
1949                 node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
1950                 if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
1951                         return MDB_FAIL;
1952                 npp.mp_pi = mpp->mp_pi - 1;
1953                 si = NUMKEYS(npp.mp_page) - 1;
1954                 di = 0;
1955         }
1956         npp.mp_parent = mpp->mp_parent;
1957
1958         DPRINTF("found neighbor page %lu (%lu keys, %.1f%% full)",
1959             npp.mp_page->mp_pgno, NUMKEYS(npp.mp_page), (float)PAGEFILL(db->md_env, npp.mp_page) / 10);
1960
1961         /* If the neighbor page is above threshold and has at least two
1962          * keys, move one key from it.
1963          *
1964          * Otherwise we should try to merge them.
1965          */
1966         if (PAGEFILL(db->md_env, npp.mp_page) >= FILL_THRESHOLD && NUMKEYS(npp.mp_page) >= 2)
1967                 return mdb_move_node(db, &npp, si, mpp, di);
1968         else { /* FIXME: if (has_enough_room()) */
1969                 if (mpp->mp_pi == 0)
1970                         return mdb_merge(db, &npp, mpp);
1971                 else
1972                         return mdb_merge(db, mpp, &npp);
1973         }
1974 }
1975
1976 int
1977 mdb_del(MDB_db *bt, MDB_txn *txn,
1978     MDB_val *key, MDB_val *data)
1979 {
1980         int              rc, exact;
1981         unsigned int     ki;
1982         MDB_node        *leaf;
1983         MDB_pageparent  mpp;
1984
1985         DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
1986
1987         assert(key != NULL);
1988
1989         if (bt == NULL || txn == NULL)
1990                 return EINVAL;
1991
1992         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
1993                 return EINVAL;
1994         }
1995
1996         if (bt->md_env->me_txn != txn) {
1997                 return EINVAL;
1998         }
1999
2000         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2001                 return EINVAL;
2002         }
2003
2004         if ((rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp)) != MDB_SUCCESS)
2005                 return rc;
2006
2007         leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2008         if (leaf == NULL || !exact) {
2009                 return ENOENT;
2010         }
2011
2012         if (data && (rc = mdb_read_data(bt, NULL, leaf, data)) != MDB_SUCCESS)
2013                 return rc;
2014
2015         mdb_del_node(bt, mpp.mp_page, ki);
2016         bt->md_env->me_meta.mm_stat.ms_entries--;
2017         rc = mdb_rebalance(bt, &mpp);
2018         if (rc != MDB_SUCCESS)
2019                 txn->mt_flags |= MDB_TXN_ERROR;
2020
2021         return rc;
2022 }
2023
2024 /* Split page <*mpp>, and insert <key,(data|newpgno)> in either left or
2025  * right sibling, at index <*newindxp> (as if unsplit). Updates *mpp and
2026  * *newindxp with the actual values after split, ie if *mpp and *newindxp
2027  * refer to a node in the new right sibling page.
2028  */
2029 static int
2030 mdb_split(MDB_db *bt, MDB_page **mpp, unsigned int *newindxp,
2031     MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
2032 {
2033         uint8_t          flags;
2034         int              rc = MDB_SUCCESS, ins_new = 0;
2035         indx_t           newindx;
2036         pgno_t           pgno = 0;
2037         unsigned int     i, j, split_indx;
2038         MDB_node        *node;
2039         MDB_page        *pright, *p;
2040         MDB_val  sepkey, rkey, rdata;
2041         MDB_page        *copy;
2042         MDB_dpage       *mdp, *rdp, *pdp;
2043         MDB_dhead *dh;
2044
2045         assert(bt != NULL);
2046         assert(bt->md_env != NULL);
2047
2048         dh = ((MDB_dhead *)*mpp) - 1;
2049         mdp = (MDB_dpage *)dh;
2050         newindx = *newindxp;
2051
2052         DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
2053             IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
2054             (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
2055
2056         if (mdp->h.md_parent == NULL) {
2057                 if ((pdp = mdbenv_new_page(bt->md_env, P_BRANCH, 1)) == NULL)
2058                         return MDB_FAIL;
2059                 mdp->h.md_pi = 0;
2060                 mdp->h.md_parent = &pdp->p;
2061                 bt->md_env->me_txn->mt_root = pdp->p.mp_pgno;
2062                 DPRINTF("root split! new root = %lu", pdp->p.mp_pgno);
2063                 bt->md_env->me_meta.mm_stat.ms_depth++;
2064
2065                 /* Add left (implicit) pointer. */
2066                 if (mdb_add_node(bt, &pdp->p, 0, NULL, NULL,
2067                     mdp->p.mp_pgno, 0) != MDB_SUCCESS)
2068                         return MDB_FAIL;
2069         } else {
2070                 DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
2071         }
2072
2073         /* Create a right sibling. */
2074         if ((rdp = mdbenv_new_page(bt->md_env, mdp->p.mp_flags, 1)) == NULL)
2075                 return MDB_FAIL;
2076         rdp->h.md_parent = mdp->h.md_parent;
2077         rdp->h.md_pi = mdp->h.md_pi + 1;
2078         DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
2079
2080         /* Move half of the keys to the right sibling. */
2081         if ((copy = malloc(bt->md_env->me_head.mh_psize)) == NULL)
2082                 return MDB_FAIL;
2083         bcopy(&mdp->p, copy, bt->md_env->me_head.mh_psize);
2084         bzero(&mdp->p.mp_ptrs, bt->md_env->me_head.mh_psize - PAGEHDRSZ);
2085         mdp->p.mp_lower = PAGEHDRSZ;
2086         mdp->p.mp_upper = bt->md_env->me_head.mh_psize;
2087
2088         split_indx = NUMKEYS(copy) / 2 + 1;
2089
2090         /* First find the separating key between the split pages.
2091          */
2092         bzero(&sepkey, sizeof(sepkey));
2093         if (newindx == split_indx) {
2094                 sepkey.mv_size = newkey->mv_size;
2095                 sepkey.mv_data = newkey->mv_data;
2096         } else {
2097                 node = NODEPTR(copy, split_indx);
2098                 sepkey.mv_size = node->mn_ksize;
2099                 sepkey.mv_data = NODEKEY(node);
2100         }
2101
2102         DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
2103
2104         /* Copy separator key to the parent.
2105          */
2106         if (SIZELEFT(rdp->h.md_parent) < mdb_branch_size(bt, &sepkey)) {
2107                 rc = mdb_split(bt, &rdp->h.md_parent, &rdp->h.md_pi,
2108                     &sepkey, NULL, rdp->p.mp_pgno);
2109
2110                 /* Right page might now have changed parent.
2111                  * Check if left page also changed parent.
2112                  */
2113                 if (rdp->h.md_parent != mdp->h.md_parent &&
2114                     mdp->h.md_pi >= NUMKEYS(mdp->h.md_parent)) {
2115                         mdp->h.md_parent = rdp->h.md_parent;
2116                         mdp->h.md_pi = rdp->h.md_pi - 1;
2117                 }
2118         } else {
2119                 rc = mdb_add_node(bt, rdp->h.md_parent, rdp->h.md_pi,
2120                     &sepkey, NULL, rdp->p.mp_pgno, 0);
2121         }
2122         if (rc != MDB_SUCCESS) {
2123                 free(copy);
2124                 return MDB_FAIL;
2125         }
2126
2127         for (i = j = 0; i <= NUMKEYS(copy); j++) {
2128                 if (i < split_indx) {
2129                         /* Re-insert in left sibling. */
2130                         pdp = mdp;
2131                 } else {
2132                         /* Insert in right sibling. */
2133                         if (i == split_indx)
2134                                 /* Reset insert index for right sibling. */
2135                                 j = (i == newindx && ins_new);
2136                         pdp = rdp;
2137                 }
2138
2139                 if (i == newindx && !ins_new) {
2140                         /* Insert the original entry that caused the split. */
2141                         rkey.mv_data = newkey->mv_data;
2142                         rkey.mv_size = newkey->mv_size;
2143                         if (IS_LEAF(&mdp->p)) {
2144                                 rdata.mv_data = newdata->mv_data;
2145                                 rdata.mv_size = newdata->mv_size;
2146                         } else
2147                                 pgno = newpgno;
2148                         flags = 0;
2149
2150                         ins_new = 1;
2151
2152                         /* Update page and index for the new key. */
2153                         *newindxp = j;
2154                         *mpp = &pdp->p;
2155                 } else if (i == NUMKEYS(copy)) {
2156                         break;
2157                 } else {
2158                         node = NODEPTR(copy, i);
2159                         rkey.mv_data = NODEKEY(node);
2160                         rkey.mv_size = node->mn_ksize;
2161                         if (IS_LEAF(&mdp->p)) {
2162                                 rdata.mv_data = NODEDATA(node);
2163                                 rdata.mv_size = node->mn_dsize;
2164                         } else
2165                                 pgno = node->mn_pgno;
2166                         flags = node->mn_flags;
2167
2168                         i++;
2169                 }
2170
2171                 if (!IS_LEAF(&mdp->p) && j == 0) {
2172                         /* First branch index doesn't need key data. */
2173                         rkey.mv_size = 0;
2174                 }
2175
2176                 rc = mdb_add_node(bt, &pdp->p, j, &rkey, &rdata, pgno,flags);
2177         }
2178
2179         free(copy);
2180         return rc;
2181 }
2182
2183 int
2184 mdb_put(MDB_db *bt, MDB_txn *txn,
2185     MDB_val *key, MDB_val *data, unsigned int flags)
2186 {
2187         int              rc = MDB_SUCCESS, exact;
2188         unsigned int     ki;
2189         MDB_node        *leaf;
2190         MDB_pageparent  mpp;
2191
2192         assert(key != NULL);
2193         assert(data != NULL);
2194
2195         if (bt == NULL || txn == NULL)
2196                 return EINVAL;
2197
2198         if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
2199                 return EINVAL;
2200         }
2201
2202         if (bt->md_env->me_txn != txn) {
2203                 return EINVAL;
2204         }
2205
2206         if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
2207                 return EINVAL;
2208         }
2209
2210         DPRINTF("==> put key %.*s, size %zu, data size %zu",
2211                 (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
2212
2213         rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp);
2214         if (rc == MDB_SUCCESS) {
2215                 leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
2216                 if (leaf && exact) {
2217                         if (F_ISSET(flags, MDB_NOOVERWRITE)) {
2218                                 DPRINTF("duplicate key %.*s",
2219                                     (int)key->mv_size, (char *)key->mv_data);
2220                                 return EEXIST;
2221                         }
2222                         mdb_del_node(bt, mpp.mp_page, ki);
2223                 }
2224                 if (leaf == NULL) {             /* append if not found */
2225                         ki = NUMKEYS(mpp.mp_page);
2226                         DPRINTF("appending key at index %i", ki);
2227                 }
2228         } else if (rc == ENOENT) {
2229                 MDB_dpage *dp;
2230                 /* new file, just write a root leaf page */
2231                 DPRINTF("allocating new root leaf page");
2232                 if ((dp = mdbenv_new_page(bt->md_env, P_LEAF, 1)) == NULL) {
2233                         return ENOMEM;
2234                 }
2235                 mpp.mp_page = &dp->p;
2236                 txn->mt_root = mpp.mp_page->mp_pgno;
2237                 bt->md_env->me_meta.mm_stat.ms_depth++;
2238                 ki = 0;
2239         }
2240         else
2241                 goto done;
2242
2243         assert(IS_LEAF(mpp.mp_page));
2244         DPRINTF("there are %lu keys, should insert new key at index %i",
2245                 NUMKEYS(mpp.mp_page), ki);
2246
2247         if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(bt, key, data)) {
2248                 rc = mdb_split(bt, &mpp.mp_page, &ki, key, data, P_INVALID);
2249         } else {
2250                 /* There is room already in this leaf page. */
2251                 rc = mdb_add_node(bt, mpp.mp_page, ki, key, data, 0, 0);
2252         }
2253
2254         if (rc != MDB_SUCCESS)
2255                 txn->mt_flags |= MDB_TXN_ERROR;
2256         else
2257                 bt->md_env->me_meta.mm_stat.ms_entries++;
2258
2259 done:
2260         return rc;
2261 }
2262
2263 static pgno_t
2264 mdbenv_compact_tree(MDB_env *env, pgno_t pgno, MDB_env *envc)
2265 {
2266         ssize_t          rc;
2267         indx_t           i;
2268         pgno_t          *pnext, next;
2269         MDB_node        *node;
2270         MDB_page        *p;
2271         MDB_page        *mp;
2272
2273         /* Get the page and make a copy of it.
2274          */
2275         if ((mp = mdbenv_get_page(env, pgno)) == NULL)
2276                 return P_INVALID;
2277         if ((p = malloc(env->me_head.mh_psize)) == NULL)
2278                 return P_INVALID;
2279         bcopy(mp, p, env->me_head.mh_psize);
2280
2281         /* Go through all nodes in the (copied) page and update the
2282          * page pointers.
2283          */
2284         if (F_ISSET(p->mp_flags, P_BRANCH)) {
2285                 for (i = 0; i < NUMKEYS(p); i++) {
2286                         node = NODEPTR(p, i);
2287                         node->mn_pgno = mdbenv_compact_tree(env, node->mn_pgno, envc);
2288                         if (node->mn_pgno == P_INVALID) {
2289                                 free(p);
2290                                 return P_INVALID;
2291                         }
2292                 }
2293         } else if (F_ISSET(p->mp_flags, P_LEAF)) {
2294                 for (i = 0; i < NUMKEYS(p); i++) {
2295                         node = NODEPTR(p, i);
2296                         if (F_ISSET(node->mn_flags, F_BIGDATA)) {
2297                                 bcopy(NODEDATA(node), &next, sizeof(next));
2298                                 next = mdbenv_compact_tree(env, next, envc);
2299                                 if (next == P_INVALID) {
2300                                         free(p);
2301                                         return P_INVALID;
2302                                 }
2303                                 bcopy(&next, NODEDATA(node), sizeof(next));
2304                         }
2305                 }
2306         } else if (F_ISSET(p->mp_flags, P_OVERFLOW)) {
2307                 ;       /* handled below */
2308         } else
2309                 assert(0);
2310
2311         pgno = p->mp_pgno = envc->me_txn->mt_next_pgno++;
2312         rc = write(envc->me_fd, p, env->me_head.mh_psize);
2313         free(p);
2314         if (rc != (ssize_t)env->me_head.mh_psize)
2315                 return P_INVALID;
2316
2317         if (F_ISSET(mp->mp_flags, P_OVERFLOW)) {
2318                 if (mp->mp_pages > 1) {
2319                         size_t len = (mp->mp_pages-1) * env->me_head.mh_psize;
2320                         envc->me_txn->mt_next_pgno += mp->mp_pages-1;
2321                         rc = write(envc->me_fd, mp+1, len);
2322                         if (rc != len)
2323                                 return P_INVALID;
2324                 }
2325         }
2326         return pgno;
2327 }
2328
2329 int
2330 mdbenv_compact(MDB_env *env)
2331 {
2332         char                    *compact_path = NULL;
2333         MDB_env         *envc;
2334         MDB_txn *txn, *txnc = NULL;
2335         int                      fd, rc;
2336         pgno_t                   root;
2337
2338         assert(env != NULL);
2339
2340         if (env->me_path == NULL) {
2341                 return EINVAL;
2342         }
2343
2344         DPRINTF("compacting mdbenv %p with path %s", env, env->me_path);
2345
2346         rc = mdb_txn_begin(env, 0, &txn);
2347         if (rc) return rc;
2348
2349         asprintf(&compact_path, "%s.compact.XXXXXX", env->me_path);
2350         fd = mkstemp(compact_path);
2351         if (fd == -1) {
2352                 rc = errno;
2353                 free(compact_path);
2354                 mdb_txn_abort(txn);
2355                 return rc;
2356         }
2357
2358         rc = mdbenv_create(&envc, env->me_mapsize);
2359         if (rc) goto failed;
2360
2361         envc->me_fd = fd;
2362         rc = mdbenv_open2(envc, env->me_flags);
2363         if (rc) goto failed;
2364
2365         bcopy(&env->me_meta, &envc->me_meta, sizeof(env->me_meta));
2366         envc->me_meta.mm_stat.ms_revisions = 0;
2367
2368         rc = mdb_txn_begin(envc, 0, &txnc);
2369         if (rc) goto failed;
2370
2371         if (env->me_meta.mm_root != P_INVALID) {
2372                 root = mdbenv_compact_tree(env, env->me_meta.mm_root, envc);
2373                 if (root == P_INVALID)
2374                         goto failed;
2375                 if ((rc = mdbenv_write_meta(envc, root, 0)) != MDB_SUCCESS)
2376                         goto failed;
2377         }
2378
2379         fsync(fd);
2380
2381         DPRINTF("renaming %s to %s", compact_path, env->me_path);
2382         if (rename(compact_path, env->me_path) != 0) {
2383                 rc = errno;
2384                 goto failed;
2385         }
2386
2387         /* Write a "tombstone" meta page so other processes can pick up
2388          * the change and re-open the file.
2389          */
2390         if (mdbenv_write_meta(env, P_INVALID, MDB_TOMBSTONE) != MDB_SUCCESS)
2391                 goto failed;
2392
2393         mdb_txn_abort(txn);
2394         mdb_txn_abort(txnc);
2395         free(compact_path);
2396         mdbenv_close(envc);
2397         return 0;
2398
2399 failed:
2400         mdb_txn_abort(txn);
2401         mdb_txn_abort(txnc);
2402         unlink(compact_path);
2403         free(compact_path);
2404         mdbenv_close(envc);
2405         return rc;
2406 }
2407
2408 int
2409 mdbenv_get_flags(MDB_env *env, unsigned int *arg)
2410 {
2411         if (!env || !arg)
2412                 return EINVAL;
2413
2414         *arg = (env->me_flags & ~MDB_FIXPADDING);
2415         return MDB_SUCCESS;
2416 }
2417
2418 int
2419 mdbenv_get_path(MDB_env *env, const char **arg)
2420 {
2421         if (!env || !arg)
2422                 return EINVAL;
2423
2424         *arg = env->me_path;
2425         return MDB_SUCCESS;
2426 }
2427
2428 int
2429 mdbenv_stat(MDB_env *env, MDB_stat **arg)
2430 {
2431         if (env == NULL || arg == NULL)
2432                 return EINVAL;
2433
2434         *arg = &env->me_meta.mm_stat;
2435
2436         return MDB_SUCCESS;
2437 }
2438
2439 int mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db)
2440 {
2441         if (!name) {
2442                 *db = (MDB_db *)&env->me_db;
2443                 return MDB_SUCCESS;
2444         }
2445         return EINVAL;
2446 }
2447
2448 int mdb_stat(MDB_db *db, MDB_stat **arg)
2449 {
2450         if (db == NULL || arg == NULL)
2451                 return EINVAL;
2452
2453         *arg = &db->md_stat;
2454
2455         return MDB_SUCCESS;
2456 }
2457
2458 void mdb_close(MDB_db *db)
2459 {
2460 }