]> git.sur5r.net Git - openldap/blobdiff - libraries/libmdb/mdb.c
Ugly-as-sin initial Windows port
[openldap] / libraries / libmdb / mdb.c
index f3756490345ef339839434e46c23d33e98c688dc..32beaaf54ee46b16aa29026026a48fde4cb121d2 100644 (file)
@@ -1,4 +1,9 @@
-/* mdb.c - memory-mapped database library */
+/** @file mdb.c
+ *     @brief memory-mapped database library
+ *
+ *     A Btree-based database management library modeled loosely on the
+ *     BerkeleyDB API, but much simplified.
+ */
 /*
  * Copyright 2011 Howard Chu, Symas Corp.
  * All rights reserved.
  */
 #include <sys/types.h>
 #include <sys/stat.h>
-#include <sys/queue.h>
 #include <sys/param.h>
+#ifdef _WIN32
+#include <windows.h>
+#else
 #include <sys/uio.h>
 #include <sys/mman.h>
 #ifdef HAVE_SYS_FILE_H
 #include <sys/file.h>
 #endif
 #include <fcntl.h>
+#endif
 
 #include <assert.h>
-#include <err.h>
 #include <errno.h>
-#include <fcntl.h>
 #include <stddef.h>
 #include <stdint.h>
 #include <stdio.h>
 #include <string.h>
 #include <time.h>
 #include <unistd.h>
+#ifdef _WIN32
+#define pthread_t      DWORD
+#define pthread_mutex_t        HANDLE
+#define pthread_key_t  DWORD
+#define pthread_self() GetCurrentThreadId()
+#define pthread_key_create(x,y)        *(x) = TlsAlloc()
+#define pthread_key_delete(x)  TlsFree(x)
+#define pthread_getspecific(x) TlsGetValue(x)
+#define pthread_setspecific(x,y)       TlsSetValue(x,y)
+#define pthread_mutex_unlock(x)        ReleaseMutex(x)
+#define pthread_mutex_lock(x)  WaitForSingleObject(x, INFINITE)
+#define LOCK_MUTEX_R(env)      pthread_mutex_lock(env->me_rmutex)
+#define UNLOCK_MUTEX_R(env)    pthread_mutex_unlock(env->me_rmutex)
+#define LOCK_MUTEX_W(env)      pthread_mutex_lock(env->me_wmutex)
+#define UNLOCK_MUTEX_W(env)    pthread_mutex_unlock(env->me_wmutex)
+#define getpid()       GetCurrentProcessId()
+#else
 #include <pthread.h>
-#include <endian.h>
+#define LOCK_MUTEX_R(env)      pthread_mutex_lock(&env->me_txns->mti_mutex)
+#define UNLOCK_MUTEX_R(env)    pthread_mutex_unlock(&env->me_txns->mti_mutex)
+#define LOCK_MUTEX_W(env)      pthread_mutex_lock(&env->me_txns->mti_wmutex)
+#define UNLOCK_MUTEX_W(env)    pthread_mutex_unlock(&env->me_txns->mti_wmutex)
+#endif
 
+#ifdef _WIN32
+#define        fdatasync(fd)   !FlushFileBuffers(fd)
+#define        ErrCode()       GetLastError()
+#define GetPageSize(x) {SYSTEM_INFO si; GetSystemInfo(&si); (x) = si.dwPageSize;}
+#define        close(fd)       CloseHandle(fd)
+#define        munmap(ptr,len) UnmapViewOfFile(ptr)
+#else
+#define        ErrCode()       errno
+#define        HANDLE  int
+#define INVALID_HANDLE_VALUE   -1
+#define        GetPageSize(x)  (x) = sysconf(_SC_PAGE_SIZE)
+#endif
 #include "mdb.h"
 
 #define ULONG          unsigned long
 typedef ULONG          pgno_t;
 
-#include "idl.h"
+#include "midl.h"
+
+/* Note: If O_DSYNC is undefined but exists in /usr/include,
+ * preferably set some compiler flag to get the definition.
+ * Otherwise compile with the less efficient -DMDB_DSYNC=O_SYNC.
+ */
+#ifndef MDB_DSYNC
+# define MDB_DSYNC     O_DSYNC
+#endif
 
 #ifndef DEBUG
-#define DEBUG 1
+#define DEBUG 0
 #endif
 
-#if DEBUG && defined(__GNUC__)
-# define DPRINTF(fmt, ...) \
-       fprintf(stderr, "%s:%d: " fmt "\n", __func__, __LINE__, ##__VA_ARGS__)
+#if !(__STDC_VERSION__ >= 199901L || defined(__GNUC__))
+# define DPRINTF       (void)  /* Vararg macros may be unsupported */
+#elif DEBUG
+# define DPRINTF(fmt, ...)     /* Requires 2 or more args */ \
+       fprintf(stderr, "%s:%d:(%p) " fmt "\n", __func__, __LINE__, pthread_self(), __VA_ARGS__)
 #else
-# define DPRINTF(...)  ((void) 0)
+# define DPRINTF(fmt, ...)     ((void) 0)
 #endif
+#define DPUTS(arg)     DPRINTF("%s", arg)
 
 #define PAGESIZE        4096
-#define MDB_MINKEYS     4
+#define MDB_MINKEYS     2
 #define MDB_MAGIC       0xBEEFC0DE
 #define MDB_VERSION     1
 #define MAXKEYSIZE      511
+#if DEBUG
+#define        KBUF    (MAXKEYSIZE*2+1)
+#define DKBUF  char kbuf[KBUF]
+#define        DKEY(x) mdb_dkey(x, kbuf)
+#else
+#define        DKBUF
+#define DKEY(x)
+#endif
+
+/* The DB view is always consistent because all writes are wrapped in
+ * the wmutex. Finer-grained locks aren't necessary.
+ */
+#ifndef        LAZY_LOCKS
+#define        LAZY_LOCKS      1
+#endif
+#if    LAZY_LOCKS
+#define        LAZY_MUTEX_LOCK(x)
+#define        LAZY_MUTEX_UNLOCK(x)
+#define        LAZY_RWLOCK_UNLOCK(x)
+#define        LAZY_RWLOCK_WRLOCK(x)
+#define        LAZY_RWLOCK_RDLOCK(x)
+#define        LAZY_RWLOCK_DEF(x)
+#define        LAZY_RWLOCK_INIT(x,y)
+#define        LAZY_RWLOCK_DESTROY(x)
+#else
+#define        LAZY_MUTEX_LOCK(x)              pthread_mutex_lock(x)
+#define        LAZY_MUTEX_UNLOCK(x)    pthread_mutex_unlock(x)
+#define        LAZY_RWLOCK_UNLOCK(x)   pthread_rwlock_unlock(x)
+#define        LAZY_RWLOCK_WRLOCK(x)   pthread_rwlock_wrlock(x)
+#define        LAZY_RWLOCK_RDLOCK(x)   pthread_rwlock_rdlock(x)
+#define        LAZY_RWLOCK_DEF(x)              pthread_rwlock_t        x
+#define        LAZY_RWLOCK_INIT(x,y)   pthread_rwlock_init(x,y)
+#define        LAZY_RWLOCK_DESTROY(x)  pthread_rwlock_destroy(x)
+#endif
 
 #define P_INVALID       (~0UL)
 
@@ -86,40 +170,68 @@ typedef uint16_t    indx_t;
 #define DEFAULT_MAPSIZE        1048576
 
 /* Lock descriptor stuff */
-#define RXBODY \
-       ULONG           mr_txnid; \
-       pid_t           mr_pid; \
-       pthread_t       mr_tid
-typedef struct MDB_rxbody {
-       RXBODY;
-} MDB_rxbody;
-
 #ifndef CACHELINE
 #define CACHELINE      64      /* most CPUs. Itanium uses 128 */
 #endif
 
+typedef struct MDB_rxbody {
+       ULONG           mrb_txnid;
+       pid_t           mrb_pid;
+       pthread_t       mrb_tid;
+} MDB_rxbody;
+
 typedef struct MDB_reader {
-       RXBODY;
-       /* cache line alignment */
-       char pad[CACHELINE-sizeof(MDB_rxbody)];
+       union {
+               MDB_rxbody mrx;
+#define        mr_txnid        mru.mrx.mrb_txnid
+#define        mr_pid  mru.mrx.mrb_pid
+#define        mr_tid  mru.mrx.mrb_tid
+               /* cache line alignment */
+               char pad[(sizeof(MDB_rxbody)+CACHELINE-1) & ~(CACHELINE-1)];
+       } mru;
 } MDB_reader;
 
-#define        TXBODY \
-       uint32_t        mt_magic;       \
-       uint32_t        mt_version;     \
-       pthread_mutex_t mt_mutex;       \
-       ULONG           mt_txnid;       \
-       uint32_t        mt_numreaders
 typedef struct MDB_txbody {
-       TXBODY;
+       uint32_t        mtb_magic;
+       uint32_t        mtb_version;
+/* For POSIX the actual mutexes reside in shared memory.
+ * On Windows, mutexes are allocated by the kernel; we store
+ * the name in shared memory so that other processes can
+ * grab them.
+ */
+#ifdef _WIN32
+       char    mtb_rmname[32];
+#else
+       pthread_mutex_t mtb_mutex;
+#endif
+       ULONG           mtb_txnid;
+       uint32_t        mtb_numreaders;
+       uint32_t        mtb_me_toggle;
 } MDB_txbody;
 
 typedef struct MDB_txninfo {
-       TXBODY;
-       char pad[CACHELINE-sizeof(MDB_txbody)];
-       pthread_mutex_t mt_wmutex;
-       char pad2[CACHELINE-sizeof(pthread_mutex_t)];
-       MDB_reader      mt_readers[1];
+       union {
+               MDB_txbody mtb;
+#define mti_magic      mt1.mtb.mtb_magic
+#define mti_version    mt1.mtb.mtb_version
+#define mti_mutex      mt1.mtb.mtb_mutex
+#define mti_rmname     mt1.mtb.mtb_rmname
+#define mti_txnid      mt1.mtb.mtb_txnid
+#define mti_numreaders mt1.mtb.mtb_numreaders
+#define mti_me_toggle  mt1.mtb.mtb_me_toggle
+               char pad[(sizeof(MDB_txbody)+CACHELINE-1) & ~(CACHELINE-1)];
+       } mt1;
+       union {
+#ifdef _WIN32
+               char mt2_wmname[32];
+#define        mti_wmname      mt2.mt2_wmname
+#else
+               pthread_mutex_t mt2_wmutex;
+#define mti_wmutex     mt2.mt2_wmutex
+#endif
+               char pad[(sizeof(pthread_mutex_t)+CACHELINE-1) & ~(CACHELINE-1)];
+       } mt2;
+       MDB_reader      mti_readers[1];
 } MDB_txninfo;
 
 /* Common header for all page types. Overflow pages
@@ -130,13 +242,14 @@ typedef struct MDB_page {         /* represents a page of storage */
 #define        mp_pgno         mp_p.p_pgno
        union padded {
                pgno_t          p_pgno;         /* page number */
-               void *          p_pad;
+               void *          p_align;        /* for IL32P64 */
        } mp_p;
 #define        P_BRANCH         0x01           /* branch page */
 #define        P_LEAF           0x02           /* leaf page */
 #define        P_OVERFLOW       0x04           /* overflow page */
 #define        P_META           0x08           /* meta page */
 #define        P_DIRTY          0x10           /* dirty page */
+#define        P_LEAF2          0x20           /* DB with small, fixed size keys and no data */
        uint32_t        mp_flags;
 #define mp_lower       mp_pb.pb.pb_lower
 #define mp_upper       mp_pb.pb.pb_upper
@@ -158,13 +271,14 @@ typedef struct MDB_page {         /* represents a page of storage */
 #define PAGEFILL(env, p) (1000L * ((env)->me_psize - PAGEHDRSZ - SIZELEFT(p)) / \
                                ((env)->me_psize - PAGEHDRSZ))
 #define IS_LEAF(p)      F_ISSET((p)->mp_flags, P_LEAF)
+#define IS_LEAF2(p)     F_ISSET((p)->mp_flags, P_LEAF2)
 #define IS_BRANCH(p)    F_ISSET((p)->mp_flags, P_BRANCH)
 #define IS_OVERFLOW(p)  F_ISSET((p)->mp_flags, P_OVERFLOW)
 
-#define OVPAGES(size, psize)   (PAGEHDRSZ + size + psize - 1) / psize;
+#define OVPAGES(size, psize)   ((PAGEHDRSZ-1 + (size)) / (psize) + 1)
 
 typedef struct MDB_db {
-       uint32_t        md_pad;
+       uint32_t        md_pad;         /* also ksize for LEAF2 pages */
        uint16_t        md_flags;
        uint16_t        md_depth;
        ULONG           md_branch_pages;
@@ -190,7 +304,6 @@ typedef struct MDB_meta {                   /* meta (footer) page content */
 } MDB_meta;
 
 typedef struct MDB_dhead {                                     /* a dirty page */
-       STAILQ_ENTRY(MDB_dpage)  md_next;       /* queue of dirty pages */
        MDB_page        *md_parent;
        unsigned        md_pi;                          /* parent index */
        int                     md_num;
@@ -201,8 +314,6 @@ typedef struct MDB_dpage {
        MDB_page        p;
 } MDB_dpage;
 
-STAILQ_HEAD(dirty_queue, MDB_dpage);   /* FIXME: use a sorted data structure */
-
 typedef struct MDB_oldpages {
        struct MDB_oldpages *mo_next;
        ULONG           mo_txnid;
@@ -215,34 +326,31 @@ typedef struct MDB_pageparent {
        unsigned mp_pi;
 } MDB_pageparent;
 
-static MDB_dpage *mdb_alloc_page(MDB_txn *txn, MDB_page *parent, unsigned int parent_idx, int num);
-static int             mdb_touch(MDB_txn *txn, MDB_pageparent *mp);
+static MDB_dpage *mdb_alloc_page(MDB_txn *txn, MDB_dbi dbi, MDB_page *parent, unsigned int parent_idx, int num);
+static int             mdb_touch(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *mp);
 
 typedef struct MDB_ppage {                                     /* ordered list of pages */
-       SLIST_ENTRY(MDB_ppage)   mp_entry;
        MDB_page                *mp_page;
        unsigned int    mp_ki;          /* cursor index on page */
 } MDB_ppage;
-SLIST_HEAD(page_stack, MDB_ppage);
 
-#define CURSOR_EMPTY(c)                 SLIST_EMPTY(&(c)->mc_stack)
-#define CURSOR_TOP(c)           SLIST_FIRST(&(c)->mc_stack)
-#define CURSOR_POP(c)           SLIST_REMOVE_HEAD(&(c)->mc_stack, mp_entry)
-#define CURSOR_PUSH(c,p)        SLIST_INSERT_HEAD(&(c)->mc_stack, p, mp_entry)
+#define CURSOR_TOP(c)           (&(c)->mc_stack[(c)->mc_snum-1])
+#define CURSOR_PARENT(c)        (&(c)->mc_stack[(c)->mc_snum-2])
+#define CURSOR_STACK            32
 
 struct MDB_xcursor;
 
 struct MDB_cursor {
        MDB_txn         *mc_txn;
-       struct page_stack        mc_stack;              /* stack of parent pages */
+       MDB_ppage       mc_stack[CURSOR_STACK];         /* stack of parent pages */
+       unsigned int    mc_snum;                /* number of pushed pages */
        MDB_dbi         mc_dbi;
        short           mc_initialized; /* 1 if initialized */
        short           mc_eof;         /* 1 if end is reached */
        struct MDB_xcursor      *mc_xcursor;
 };
 
-#define METAHASHLEN     offsetof(MDB_meta, mm_hash)
-#define METADATA(p)     ((void *)((char *)p + PAGEHDRSZ))
+#define METADATA(p)     ((void *)((char *)(p) + PAGEHDRSZ))
 
 typedef struct MDB_node {
 #define mn_pgno                 mn_p.np_pgno
@@ -254,10 +362,11 @@ typedef struct MDB_node {
        unsigned int    mn_flags:4;
        unsigned int    mn_ksize:12;                    /* key size */
 #define F_BIGDATA       0x01                   /* data put on overflow page */
+#define F_SUBDATA       0x02                   /* data is a sub-database */
+#define F_DUPDATA       0x04                   /* data has duplicates */
        char            mn_data[1];
 } MDB_node;
 
-
 typedef struct MDB_dbx {
        MDB_val         md_name;
        MDB_cmp_func    *md_cmp;                /* user compare function */
@@ -270,21 +379,20 @@ typedef struct MDB_dbx {
 struct MDB_txn {
        pgno_t          mt_next_pgno;   /* next unallocated page */
        ULONG           mt_txnid;
-       ULONG           mt_oldest;
        MDB_env         *mt_env;        
        pgno_t          *mt_free_pgs;   /* this is an IDL */
        union {
-               struct dirty_queue      *dirty_queue;   /* modified pages */
+               MIDL2   *dirty_list;    /* modified pages */
                MDB_reader      *reader;
        } mt_u;
        MDB_dbx         *mt_dbxs;               /* array */
        MDB_db          *mt_dbs;
        unsigned int    mt_numdbs;
 
-#define MDB_TXN_RDONLY          0x01           /* read-only transaction */
-#define MDB_TXN_ERROR           0x02           /* an error has occurred */
-#define MDB_TXN_METOGGLE       0x04            /* used meta page 1 */
+#define MDB_TXN_RDONLY         0x01            /* read-only transaction */
+#define MDB_TXN_ERROR          0x02            /* an error has occurred */
        unsigned int    mt_flags;
+       unsigned int    mt_toggle;
 };
 
 /* Context for sorted-dup records */
@@ -296,9 +404,12 @@ typedef struct MDB_xcursor {
 } MDB_xcursor;
 
 struct MDB_env {
-       int                     me_fd;
-       int                     me_lfd;
-       uint32_t        me_flags;
+       HANDLE          me_fd;
+       HANDLE          me_lfd;
+       HANDLE          me_mfd;                 /* just for writing the meta pages */
+#define        MDB_FATAL_ERROR 0x80000000U
+       uint32_t        me_flags;
+       uint32_t        me_extrapad;    /* unused for now */
        unsigned int    me_maxreaders;
        unsigned int    me_numdbs;
        unsigned int    me_maxdbs;
@@ -306,17 +417,24 @@ struct MDB_env {
        char            *me_map;
        MDB_txninfo     *me_txns;
        MDB_meta        *me_metas[2];
-       MDB_meta        *me_meta;
        MDB_txn         *me_txn;                /* current write transaction */
        size_t          me_mapsize;
        off_t           me_size;                /* current file size */
+       pgno_t          me_maxpg;               /* me_mapsize / me_psize */
        unsigned int    me_psize;
-       int                     me_db_toggle;
+       unsigned int    me_db_toggle;
        MDB_dbx         *me_dbxs;               /* array */
        MDB_db          *me_dbs[2];
        MDB_oldpages *me_pghead;
        pthread_key_t   me_txkey;       /* thread-key for readers */
+       MDB_dpage       *me_dpages;
        pgno_t          me_free_pgs[MDB_IDL_UM_SIZE];
+       MIDL2           me_dirty_list[MDB_IDL_DB_SIZE];
+       LAZY_RWLOCK_DEF(me_dblock);
+#ifdef _WIN32
+       HANDLE          me_rmutex;              /* Windows mutexes don't reside in shared mem */
+       HANDLE          me_wmutex;
+#endif
 };
 
 #define NODESIZE        offsetof(MDB_node, mn_data)
@@ -328,9 +446,12 @@ struct MDB_env {
 #define NODEDATA(node)  (void *)((char *)(node)->mn_data + (node)->mn_ksize)
 #define NODEPGNO(node)  ((node)->mn_pgno)
 #define NODEDSZ(node)   ((node)->mn_dsize)
+#define NODEKSZ(node)   ((node)->mn_ksize)
+#define LEAF2KEY(p, i, ks)     ((char *)(p) + PAGEHDRSZ + ((i)*(ks)))
+
+#define MDB_SET_KEY(node, key) if (key!=NULL) {(key)->mv_size = NODEKSZ(node); (key)->mv_data = NODEKEY(node);}
 
 #define MDB_COMMIT_PAGES        64     /* max number of pages to write in one commit */
-#define MDB_MAXCACHE_DEF        1024   /* max number of pages to keep in cache  */
 
 static int  mdb_search_page_root(MDB_txn *txn,
                            MDB_dbi dbi, MDB_val *key,
@@ -341,19 +462,21 @@ static int  mdb_search_page(MDB_txn *txn,
                            MDB_cursor *cursor, int modify,
                            MDB_pageparent *mpp);
 
-static int  mdbenv_read_header(MDB_env *env, MDB_meta *meta);
-static int  mdbenv_read_meta(MDB_env *env, int *which);
-static int  mdbenv_write_meta(MDB_txn *txn);
-static MDB_page *mdb_get_page(MDB_txn *txn, pgno_t pgno);
+static int  mdb_env_read_header(MDB_env *env, MDB_meta *meta);
+static int  mdb_env_read_meta(MDB_env *env, int *which);
+static int  mdb_env_write_meta(MDB_txn *txn);
+static int  mdb_get_page(MDB_txn *txn, pgno_t pgno, MDB_page **mp);
 
 static MDB_node *mdb_search_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp,
                            MDB_val *key, int *exactp, unsigned int *kip);
 static int  mdb_add_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp,
                            indx_t indx, MDB_val *key, MDB_val *data,
                            pgno_t pgno, uint8_t flags);
-static void mdb_del_node(MDB_page *mp, indx_t indx);
+static void mdb_del_node(MDB_page *mp, indx_t indx, int ksize);
 static int mdb_del0(MDB_txn *txn, MDB_dbi dbi, unsigned int ki,
     MDB_pageparent *mpp, MDB_node *leaf);
+static int mdb_put0(MDB_txn *txn, MDB_dbi dbi,
+    MDB_val *key, MDB_val *data, unsigned int flags);
 static int  mdb_read_data(MDB_txn *txn, MDB_node *leaf, MDB_val *data);
 
 static int              mdb_rebalance(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *mp);
@@ -372,7 +495,6 @@ static void          cursor_pop_page(MDB_cursor *cursor);
 static MDB_ppage *cursor_push_page(MDB_cursor *cursor,
                            MDB_page *mp);
 
-static int              mdb_set_key(MDB_node *node, MDB_val *key);
 static int              mdb_sibling(MDB_cursor *cursor, int move_right);
 static int              mdb_cursor_next(MDB_cursor *cursor,
                            MDB_val *key, MDB_val *data, MDB_cursor_op op);
@@ -386,7 +508,8 @@ static int           mdb_cursor_last(MDB_cursor *cursor,
                            MDB_val *key, MDB_val *data);
 
 static void            mdb_xcursor_init0(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx);
-static void            mdb_xcursor_init1(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx, MDB_db *db);
+static void            mdb_xcursor_init1(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx,
+                                       MDB_page *mp, MDB_node *node);
 static void            mdb_xcursor_fini(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx);
 
 static size_t           mdb_leaf_size(MDB_env *env, MDB_val *key,
@@ -398,6 +521,12 @@ static int          memncmp(const void *s1, size_t n1,
 static int              memnrcmp(const void *s1, size_t n1,
                                  const void *s2, size_t n2);
 
+#ifdef _WIN32
+static SECURITY_DESCRIPTOR mdb_null_sd;
+static SECURITY_ATTRIBUTES mdb_all_sa;
+static int mdb_sec_inited;
+#endif
+
 static int
 memncmp(const void *s1, size_t n1, const void *s2, size_t n2)
 {
@@ -431,86 +560,151 @@ memnrcmp(const void *s1, size_t n1, const void *s2, size_t n2)
        return *p1 - *p2;
 }
 
+char *
+mdb_version(int *maj, int *min, int *pat)
+{
+       if (maj) *maj = MDB_VERSION_MAJOR;
+       if (min) *min = MDB_VERSION_MINOR;
+       if (pat) *pat = MDB_VERSION_PATCH;
+       return MDB_VERSION_STRING;
+}
+
+static char *const mdb_errstr[] = {
+       "MDB_KEYEXIST: Key/data pair already exists",
+       "MDB_NOTFOUND: No matching key/data pair found",
+       "MDB_PAGE_NOTFOUND: Requested page not found",
+       "MDB_CORRUPTED: Located page was wrong type",
+       "MDB_PANIC: Update of meta page failed",
+       "MDB_VERSION_MISMATCH: Database environment version mismatch"
+};
+
+char *
+mdb_strerror(int err)
+{
+       if (!err)
+               return ("Successful return: 0");
+
+       if (err >= MDB_KEYEXIST && err <= MDB_VERSION_MISMATCH)
+               return mdb_errstr[err - MDB_KEYEXIST];
+
+       return strerror(err);
+}
+
+#if DEBUG
+static char *
+mdb_dkey(MDB_val *key, char *buf)
+{
+       char *ptr = buf;
+       unsigned char *c = key->mv_data;
+       unsigned int i;
+       if (key->mv_size > MAXKEYSIZE)
+               return "MAXKEYSIZE";
+       for (i=0; i<key->mv_size; i++)
+               ptr += sprintf(ptr, "%02x", *c++);
+       return buf;
+}
+#endif
+
 int
 mdb_cmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *a, const MDB_val *b)
 {
-       return txn->mt_dbxs[dbi].md_cmp(a, b);
+       if (txn->mt_dbxs[dbi].md_cmp)
+               return txn->mt_dbxs[dbi].md_cmp(a, b);
+
+       if (txn->mt_dbs[dbi].md_flags & (MDB_REVERSEKEY
+#if __BYTE_ORDER == __LITTLE_ENDIAN
+               |MDB_INTEGERKEY
+#endif
+       ))
+               return memnrcmp(a->mv_data, a->mv_size, b->mv_data, b->mv_size);
+       else
+               return memncmp((char *)a->mv_data, a->mv_size, b->mv_data, b->mv_size);
 }
 
-static int
-_mdb_cmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *key1, const MDB_val *key2)
+int
+mdb_dcmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *a, const MDB_val *b)
 {
-       if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_REVERSEKEY))
-               return memnrcmp(key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
+       if (txn->mt_dbxs[dbi].md_dcmp)
+               return txn->mt_dbxs[dbi].md_dcmp(a, b);
+
+       if (txn->mt_dbs[dbi].md_flags & (0
+#if __BYTE_ORDER == __LITTLE_ENDIAN
+               |MDB_INTEGERDUP
+#endif
+       ))
+               return memnrcmp(a->mv_data, a->mv_size, b->mv_data, b->mv_size);
        else
-               return memncmp((char *)key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
+               return memncmp((char *)a->mv_data, a->mv_size, b->mv_data, b->mv_size);
 }
 
 /* Allocate new page(s) for writing */
 static MDB_dpage *
-mdb_alloc_page(MDB_txn *txn, MDB_page *parent, unsigned int parent_idx, int num)
+mdb_alloc_page(MDB_txn *txn, MDB_dbi dbi, MDB_page *parent, unsigned int parent_idx, int num)
 {
        MDB_dpage *dp;
        pgno_t pgno = P_INVALID;
-       ULONG oldest = txn->mt_txnid - 2;
+       MIDL2 mid;
 
-       if (!txn->mt_env->me_pghead && txn->mt_dbs[FREE_DBI].md_root != P_INVALID) {
-               /* See if there's anything in the free DB */
-               MDB_pageparent mpp;
-               MDB_node *leaf;
-               ULONG *kptr;
+       if (txn->mt_txnid > 2) {
 
-               mpp.mp_parent = NULL;
-               mpp.mp_pi = 0;
-               mdb_search_page(txn, FREE_DBI, NULL, NULL, 0, &mpp);
-               leaf = NODEPTR(mpp.mp_page, 0);
-               kptr = (ULONG *)NODEKEY(leaf);
+               if (!txn->mt_env->me_pghead && dbi != FREE_DBI &&
+                       txn->mt_dbs[FREE_DBI].md_root != P_INVALID) {
+                       /* See if there's anything in the free DB */
+                       MDB_pageparent mpp;
+                       MDB_node *leaf;
+                       ULONG *kptr, oldest;
 
-               /* It's potentially usable, unless there are still
-                * older readers outstanding. Grab it.
-                */
-               if (oldest > *kptr) {
-                       MDB_oldpages *mop;
-                       MDB_val data;
-                       pgno_t *idl;
-
-                       mdb_read_data(txn, leaf, &data);
-                       idl = (ULONG *)data.mv_data;
-                       mop = malloc(sizeof(MDB_oldpages) + MDB_IDL_SIZEOF(idl) - sizeof(pgno_t));
-                       mop->mo_next = txn->mt_env->me_pghead;
-                       mop->mo_txnid = *kptr;
-                       txn->mt_env->me_pghead = mop;
-                       memcpy(mop->mo_pages, idl, MDB_IDL_SIZEOF(idl));
+                       mpp.mp_parent = NULL;
+                       mpp.mp_pi = 0;
+                       mdb_search_page(txn, FREE_DBI, NULL, NULL, 0, &mpp);
+                       leaf = NODEPTR(mpp.mp_page, 0);
+                       kptr = (ULONG *)NODEKEY(leaf);
 
-#if DEBUG > 1
                        {
                                unsigned int i;
-                               DPRINTF("IDL read txn %lu root %lu num %lu",
-                                       mop->mo_txnid, txn->mt_dbs[FREE_DBI].md_root, idl[0]);
-                               for (i=0; i<idl[0]; i++) {
-                                       DPRINTF("IDL %lu", idl[i+1]);
+                               oldest = txn->mt_txnid - 1;
+                               for (i=0; i<txn->mt_env->me_txns->mti_numreaders; i++) {
+                                       ULONG mr = txn->mt_env->me_txns->mti_readers[i].mr_txnid;
+                                       if (mr && mr < oldest)
+                                               oldest = mr;
                                }
                        }
+
+                       if (oldest > *kptr) {
+                               /* It's usable, grab it.
+                                */
+                               MDB_oldpages *mop;
+                               MDB_val data;
+                               pgno_t *idl;
+
+                               mdb_read_data(txn, leaf, &data);
+                               idl = (ULONG *)data.mv_data;
+                               mop = malloc(sizeof(MDB_oldpages) + MDB_IDL_SIZEOF(idl) - sizeof(pgno_t));
+                               mop->mo_next = txn->mt_env->me_pghead;
+                               mop->mo_txnid = *kptr;
+                               txn->mt_env->me_pghead = mop;
+                               memcpy(mop->mo_pages, idl, MDB_IDL_SIZEOF(idl));
+
+#if DEBUG > 1
+                               {
+                                       unsigned int i;
+                                       DPRINTF("IDL read txn %lu root %lu num %lu",
+                                               mop->mo_txnid, txn->mt_dbs[FREE_DBI].md_root, idl[0]);
+                                       for (i=0; i<idl[0]; i++) {
+                                               DPRINTF("IDL %lu", idl[i+1]);
+                                       }
+                               }
 #endif
-                       /* drop this IDL from the DB */
-                       mpp.mp_parent = NULL;
-                       mpp.mp_pi = 0;
-                       mdb_search_page(txn, FREE_DBI, NULL, NULL, 1, &mpp);
-                       leaf = NODEPTR(mpp.mp_page, 0);
-                       mdb_del0(txn, FREE_DBI, 0, &mpp, leaf);
-               }
-       }
-       if (txn->mt_env->me_pghead) {
-               unsigned int i;
-               for (i=0; i<txn->mt_env->me_txns->mt_numreaders; i++) {
-                       ULONG mr = txn->mt_env->me_txns->mt_readers[i].mr_txnid;
-                       if (!mr) continue;
-                       if (mr < oldest)
-                               oldest = txn->mt_env->me_txns->mt_readers[i].mr_txnid;
+                               /* drop this IDL from the DB */
+                               mpp.mp_parent = NULL;
+                               mpp.mp_pi = 0;
+                               mdb_search_page(txn, FREE_DBI, NULL, NULL, 1, &mpp);
+                               leaf = NODEPTR(mpp.mp_page, 0);
+                               mdb_del0(txn, FREE_DBI, 0, &mpp, leaf);
+                       }
                }
-               if (oldest > txn->mt_env->me_pghead->mo_txnid) {
+               if (txn->mt_env->me_pghead) {
                        MDB_oldpages *mop = txn->mt_env->me_pghead;
-                       txn->mt_oldest = oldest;
                        if (num > 1) {
                                /* FIXME: For now, always use fresh pages. We
                                 * really ought to search the free list for a
@@ -535,18 +729,30 @@ mdb_alloc_page(MDB_txn *txn, MDB_page *parent, unsigned int parent_idx, int num)
                }
        }
 
-       if ((dp = malloc(txn->mt_env->me_psize * num + sizeof(MDB_dhead))) == NULL)
-               return NULL;
+       if (pgno == P_INVALID) {
+               /* DB size is maxed out */
+               if (txn->mt_next_pgno + num >= txn->mt_env->me_maxpg)
+                       return NULL;
+       }
+       if (txn->mt_env->me_dpages && num == 1) {
+               dp = txn->mt_env->me_dpages;
+               txn->mt_env->me_dpages = (MDB_dpage *)dp->h.md_parent;
+       } else {
+               if ((dp = malloc(txn->mt_env->me_psize * num + sizeof(MDB_dhead))) == NULL)
+                       return NULL;
+       }
        dp->h.md_num = num;
        dp->h.md_parent = parent;
        dp->h.md_pi = parent_idx;
-       STAILQ_INSERT_TAIL(txn->mt_u.dirty_queue, dp, h.md_next);
        if (pgno == P_INVALID) {
                dp->p.mp_pgno = txn->mt_next_pgno;
                txn->mt_next_pgno += num;
        } else {
                dp->p.mp_pgno = pgno;
        }
+       mid.mid = dp->p.mp_pgno;
+       mid.mptr = dp;
+       mdb_midl2_insert(txn->mt_u.dirty_list, &mid);
 
        return dp;
 }
@@ -554,7 +760,7 @@ mdb_alloc_page(MDB_txn *txn, MDB_page *parent, unsigned int parent_idx, int num)
 /* Touch a page: make it dirty and re-insert into tree with updated pgno.
  */
 static int
-mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
+mdb_touch(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *pp)
 {
        MDB_page *mp = pp->mp_page;
        pgno_t  pgno;
@@ -563,10 +769,11 @@ mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
 
        if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
                MDB_dpage *dp;
-               if ((dp = mdb_alloc_page(txn, pp->mp_parent, pp->mp_pi, 1)) == NULL)
+               if ((dp = mdb_alloc_page(txn, dbi, pp->mp_parent, pp->mp_pi, 1)) == NULL)
                        return ENOMEM;
-               DPRINTF("touched page %lu -> %lu", mp->mp_pgno, dp->p.mp_pgno);
-               mdb_idl_insert(txn->mt_free_pgs, mp->mp_pgno);
+               DPRINTF("touched db %u page %lu -> %lu", dbi, mp->mp_pgno, dp->p.mp_pgno);
+               assert(mp->mp_pgno != dp->p.mp_pgno);
+               mdb_midl_insert(txn->mt_free_pgs, mp->mp_pgno);
                pgno = dp->p.mp_pgno;
                memcpy(&dp->p, mp, txn->mt_env->me_psize);
                mp = &dp->p;
@@ -582,127 +789,155 @@ mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
 }
 
 int
-mdbenv_sync(MDB_env *env)
+mdb_env_sync(MDB_env *env, int force)
 {
        int rc = 0;
-       if (!F_ISSET(env->me_flags, MDB_NOSYNC)) {
-               if (fsync(env->me_fd))
-                       rc = errno;
+       if (force || !F_ISSET(env->me_flags, MDB_NOSYNC)) {
+               if (fdatasync(env->me_fd))
+                       rc = ErrCode();
        }
        return rc;
 }
 
-int
-mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **ret)
-{
-       MDB_txn *txn;
-       int rc, toggle;
-
-       if ((txn = calloc(1, sizeof(MDB_txn))) == NULL) {
-               DPRINTF("calloc: %s", strerror(errno));
-               return ENOMEM;
-       }
-
-       if (rdonly) {
-               txn->mt_flags |= MDB_TXN_RDONLY;
-       } else {
-               txn->mt_u.dirty_queue = calloc(1, sizeof(*txn->mt_u.dirty_queue));
-               if (txn->mt_u.dirty_queue == NULL) {
-                       free(txn);
-                       return ENOMEM;
-               }
-               STAILQ_INIT(txn->mt_u.dirty_queue);
+static inline void
+mdb_txn_reset0(MDB_txn *txn);
 
-               pthread_mutex_lock(&env->me_txns->mt_wmutex);
-               env->me_txns->mt_txnid++;
-               txn->mt_free_pgs = env->me_free_pgs;
-               txn->mt_free_pgs[0] = 0;
-       }
+static inline int
+mdb_txn_renew0(MDB_txn *txn)
+{
+       MDB_env *env = txn->mt_env;
 
-       txn->mt_txnid = env->me_txns->mt_txnid;
-       if (rdonly) {
+       if (txn->mt_flags & MDB_TXN_RDONLY) {
                MDB_reader *r = pthread_getspecific(env->me_txkey);
                if (!r) {
                        unsigned int i;
-                       pthread_mutex_lock(&env->me_txns->mt_mutex);
-                       for (i=0; i<env->me_txns->mt_numreaders; i++)
-                               if (env->me_txns->mt_readers[i].mr_pid == 0)
+                       pid_t pid = getpid();
+                       pthread_t tid = pthread_self();
+
+                       LOCK_MUTEX_R(env);
+                       for (i=0; i<env->me_txns->mti_numreaders; i++)
+                               if (env->me_txns->mti_readers[i].mr_pid == 0)
                                        break;
                        if (i == env->me_maxreaders) {
-                               pthread_mutex_unlock(&env->me_txns->mti_mutex);
-                               return ENOSPC;
+                               UNLOCK_MUTEX_R(env);
+                               return ENOMEM;
                        }
-                       env->me_txns->mt_readers[i].mr_pid = getpid();
-                       env->me_txns->mt_readers[i].mr_tid = pthread_self();
-                       r = &env->me_txns->mt_readers[i];
+                       env->me_txns->mti_readers[i].mr_pid = pid;
+                       env->me_txns->mti_readers[i].mr_tid = tid;
+                       if (i >= env->me_txns->mti_numreaders)
+                               env->me_txns->mti_numreaders = i+1;
+                       UNLOCK_MUTEX_R(env);
+                       r = &env->me_txns->mti_readers[i];
                        pthread_setspecific(env->me_txkey, r);
-                       if (i >= env->me_txns->mt_numreaders)
-                               env->me_txns->mt_numreaders = i+1;
-                       pthread_mutex_unlock(&env->me_txns->mt_mutex);
                }
+               txn->mt_txnid = env->me_txns->mti_txnid;
+               txn->mt_toggle = env->me_txns->mti_me_toggle;
                r->mr_txnid = txn->mt_txnid;
                txn->mt_u.reader = r;
        } else {
-               env->me_txn = txn;
-       }
-
-       txn->mt_env = env;
+               LOCK_MUTEX_W(env);
 
-       if ((rc = mdbenv_read_meta(env, &toggle)) != MDB_SUCCESS) {
-               mdb_txn_abort(txn);
-               return rc;
+               txn->mt_txnid = env->me_txns->mti_txnid+1;
+               txn->mt_toggle = env->me_txns->mti_me_toggle;
+               txn->mt_u.dirty_list = env->me_dirty_list;
+               txn->mt_u.dirty_list[0].mid = 0;
+               txn->mt_free_pgs = env->me_free_pgs;
+               txn->mt_free_pgs[0] = 0;
+               txn->mt_next_pgno = env->me_metas[txn->mt_toggle]->mm_last_pg+1;
+               env->me_txn = txn;
        }
 
        /* Copy the DB arrays */
+       LAZY_RWLOCK_RDLOCK(&env->me_dblock);
        txn->mt_numdbs = env->me_numdbs;
        txn->mt_dbxs = env->me_dbxs;    /* mostly static anyway */
-       txn->mt_dbs = malloc(env->me_maxdbs * sizeof(MDB_db));
-       memcpy(txn->mt_dbs, env->me_meta->mm_dbs, 2 * sizeof(MDB_db));
+       memcpy(txn->mt_dbs, env->me_metas[txn->mt_toggle]->mm_dbs, 2 * sizeof(MDB_db));
        if (txn->mt_numdbs > 2)
                memcpy(txn->mt_dbs+2, env->me_dbs[env->me_db_toggle]+2,
                        (txn->mt_numdbs - 2) * sizeof(MDB_db));
+       LAZY_RWLOCK_UNLOCK(&env->me_dblock);
 
-       if (!rdonly) {
-               if (toggle)
-                       txn->mt_flags |= MDB_TXN_METOGGLE;
-               txn->mt_next_pgno = env->me_meta->mm_last_pg+1;
-       }
+       return MDB_SUCCESS;
+}
 
-       DPRINTF("begin transaction %lu on mdbenv %p, root page %lu",
-               txn->mt_txnid, (void *) env, txn->mt_dbs[MAIN_DBI].md_root);
+int
+mdb_txn_renew(MDB_txn *txn)
+{
+       int rc;
 
-       *ret = txn;
-       return MDB_SUCCESS;
+       if (!txn)
+               return EINVAL;
+
+       if (txn->mt_env->me_flags & MDB_FATAL_ERROR) {
+               DPUTS("environment had fatal error, must shutdown!");
+               return MDB_PANIC;
+       }
+
+       rc = mdb_txn_renew0(txn);
+       if (rc == MDB_SUCCESS) {
+               DPRINTF("renew txn %lu%c %p on mdbenv %p, root page %lu",
+                       txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
+                       (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
+       }
+       return rc;
 }
 
-void
-mdb_txn_abort(MDB_txn *txn)
+int
+mdb_txn_begin(MDB_env *env, unsigned int flags, MDB_txn **ret)
 {
-       MDB_dpage *dp;
-       MDB_env *env;
+       MDB_txn *txn;
+       int rc;
 
-       if (txn == NULL)
-               return;
+       if (env->me_flags & MDB_FATAL_ERROR) {
+               DPUTS("environment had fatal error, must shutdown!");
+               return MDB_PANIC;
+       }
+       if ((txn = calloc(1, sizeof(MDB_txn) + env->me_maxdbs * sizeof(MDB_db))) == NULL) {
+               DPRINTF("calloc: %s", strerror(ErrCode()));
+               return ENOMEM;
+       }
+       txn->mt_dbs = (MDB_db *)(txn+1);
+       if (flags & MDB_RDONLY) {
+               txn->mt_flags |= MDB_TXN_RDONLY;
+       }
+       txn->mt_env = env;
 
-       env = txn->mt_env;
-       DPRINTF("abort transaction %lu on mdbenv %p, root page %lu",
-               txn->mt_txnid, (void *) env, txn->mt_dbs[MAIN_DBI].md_root);
+       rc = mdb_txn_renew0(txn);
+       if (rc)
+               free(txn);
+       else {
+               *ret = txn;
+               DPRINTF("begin txn %lu%c %p on mdbenv %p, root page %lu",
+                       txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
+                       (void *) env, txn->mt_dbs[MAIN_DBI].md_root);
+       }
+
+       return rc;
+}
 
-       free(txn->mt_dbs);
+static inline void
+mdb_txn_reset0(MDB_txn *txn)
+{
+       MDB_env *env = txn->mt_env;
 
        if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
                txn->mt_u.reader->mr_txnid = 0;
        } else {
                MDB_oldpages *mop;
+               MDB_dpage *dp;
                unsigned int i;
 
-               /* Discard all dirty pages. */
-               while (!STAILQ_EMPTY(txn->mt_u.dirty_queue)) {
-                       dp = STAILQ_FIRST(txn->mt_u.dirty_queue);
-                       STAILQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
-                       free(dp);
+               /* return all dirty pages to dpage list */
+               for (i=1; i<=txn->mt_u.dirty_list[0].mid; i++) {
+                       dp = txn->mt_u.dirty_list[i].mptr;
+                       if (dp->h.md_num == 1) {
+                               dp->h.md_parent = (MDB_page *)txn->mt_env->me_dpages;
+                               txn->mt_env->me_dpages = dp;
+                       } else {
+                               /* large pages just get freed directly */
+                               free(dp);
+                       }
                }
-               free(txn->mt_u.dirty_queue);
 
                while ((mop = txn->mt_env->me_pghead)) {
                        txn->mt_env->me_pghead = mop->mo_next;
@@ -710,12 +945,36 @@ mdb_txn_abort(MDB_txn *txn)
                }
 
                env->me_txn = NULL;
-               env->me_txns->mt_txnid--;
                for (i=2; i<env->me_numdbs; i++)
                        env->me_dbxs[i].md_dirty = 0;
-               pthread_mutex_unlock(&env->me_txns->mt_wmutex);
+               UNLOCK_MUTEX_W(env);
        }
+}
+
+void
+mdb_txn_reset(MDB_txn *txn)
+{
+       if (txn == NULL)
+               return;
+
+       DPRINTF("reset txn %lu%c %p on mdbenv %p, root page %lu",
+               txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
+               (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
+
+       mdb_txn_reset0(txn);
+}
 
+void
+mdb_txn_abort(MDB_txn *txn)
+{
+       if (txn == NULL)
+               return;
+
+       DPRINTF("abort txn %lu%c %p on mdbenv %p, root page %lu",
+               txn->mt_txnid, (txn->mt_flags & MDB_TXN_RDONLY) ? 'r' : 'w', txn,
+               (void *)txn->mt_env, txn->mt_dbs[MAIN_DBI].md_root);
+
+       mdb_txn_reset0(txn);
        free(txn);
 }
 
@@ -729,7 +988,6 @@ mdb_txn_commit(MDB_txn *txn)
        MDB_dpage       *dp;
        MDB_env *env;
        pgno_t  next;
-       struct iovec     iov[MDB_COMMIT_PAGES];
 
        assert(txn != NULL);
        assert(txn->mt_env != NULL);
@@ -737,47 +995,42 @@ mdb_txn_commit(MDB_txn *txn)
        env = txn->mt_env;
 
        if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
-               DPRINTF("attempt to commit read-only transaction");
                mdb_txn_abort(txn);
-               return EPERM;
+               return MDB_SUCCESS;
        }
 
        if (txn != env->me_txn) {
-               DPRINTF("attempt to commit unknown transaction");
+               DPUTS("attempt to commit unknown transaction");
                mdb_txn_abort(txn);
                return EINVAL;
        }
 
        if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
-               DPRINTF("error flag is set, can't commit");
+               DPUTS("error flag is set, can't commit");
                mdb_txn_abort(txn);
                return EINVAL;
        }
 
-       if (STAILQ_EMPTY(txn->mt_u.dirty_queue))
+       if (!txn->mt_u.dirty_list[0].mid)
                goto done;
 
-       DPRINTF("committing transaction %lu on mdbenv %p, root page %lu",
-           txn->mt_txnid, (void *) env, txn->mt_dbs[MAIN_DBI].md_root);
+       DPRINTF("committing txn %lu %p on mdbenv %p, root page %lu",
+           txn->mt_txnid, txn, (void *)env, txn->mt_dbs[MAIN_DBI].md_root);
 
        /* should only be one record now */
        if (env->me_pghead) {
-               MDB_val key, data;
-               MDB_oldpages *mop;
+               MDB_pageparent mpp;
 
-               mop = env->me_pghead;
-               key.mv_size = sizeof(pgno_t);
-               key.mv_data = (char *)&mop->mo_txnid;
-               data.mv_size = MDB_IDL_SIZEOF(mop->mo_pages);
-               data.mv_data = mop->mo_pages;
-               mdb_put(txn, FREE_DBI, &key, &data, 0);
-               free(env->me_pghead);
-               env->me_pghead = NULL;
+               /* make sure first page of freeDB is touched and on freelist */
+               mpp.mp_parent = NULL;
+               mpp.mp_pi = 0;
+               mdb_search_page(txn, FREE_DBI, NULL, NULL, 1, &mpp);
        }
        /* save to free list */
        if (!MDB_IDL_IS_ZERO(txn->mt_free_pgs)) {
                MDB_val key, data;
                MDB_pageparent mpp;
+               ULONG i;
 
                /* make sure last page of freeDB is touched and on freelist */
                key.mv_size = MAXKEYSIZE+1;
@@ -800,9 +1053,34 @@ mdb_txn_commit(MDB_txn *txn)
                /* write to last page of freeDB */
                key.mv_size = sizeof(pgno_t);
                key.mv_data = (char *)&txn->mt_txnid;
-               data.mv_size = MDB_IDL_SIZEOF(txn->mt_free_pgs);
                data.mv_data = txn->mt_free_pgs;
-               mdb_put(txn, FREE_DBI, &key, &data, 0);
+               /* The free list can still grow during this call,
+                * despite the pre-emptive touches above. So check
+                * and make sure the entire thing got written.
+                */
+               do {
+                       i = txn->mt_free_pgs[0];
+                       data.mv_size = MDB_IDL_SIZEOF(txn->mt_free_pgs);
+                       rc = mdb_put0(txn, FREE_DBI, &key, &data, 0);
+                       if (rc) {
+                               mdb_txn_abort(txn);
+                               return rc;
+                       }
+               } while (i != txn->mt_free_pgs[0]);
+       }
+       /* should only be one record now */
+       if (env->me_pghead) {
+               MDB_val key, data;
+               MDB_oldpages *mop;
+
+               mop = env->me_pghead;
+               key.mv_size = sizeof(pgno_t);
+               key.mv_data = (char *)&mop->mo_txnid;
+               data.mv_size = MDB_IDL_SIZEOF(mop->mo_pages);
+               data.mv_data = mop->mo_pages;
+               mdb_put0(txn, FREE_DBI, &key, &data, 0);
+               free(env->me_pghead);
+               env->me_pghead = NULL;
        }
 
        /* Update DB root pointers. Their pages have already been
@@ -815,7 +1093,7 @@ mdb_txn_commit(MDB_txn *txn)
                for (i = 2; i < txn->mt_numdbs; i++) {
                        if (txn->mt_dbxs[i].md_dirty) {
                                data.mv_data = &txn->mt_dbs[i];
-                               mdb_put(txn, i, &txn->mt_dbxs[i].md_name, &data, 0);
+                               mdb_put0(txn, MAIN_DBI, &txn->mt_dbxs[i].md_name, &data, 0);
                        }
                }
        }
@@ -823,21 +1101,53 @@ mdb_txn_commit(MDB_txn *txn)
        /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
         */
        next = 0;
+       i = 1;
        do {
+#ifdef _WIN32
+               /* Windows actually supports scatter/gather I/O, but only on
+                * unbuffered file handles. Since we're relying on the OS page
+                * cache for all our data, that's self-defeating. So we just
+                * write pages one at a time. We use the ov structure to set
+                * the write offset, to at least save the overhead of a Seek
+                * system call.
+                */
+               OVERLAPPED ov;
+               memset(&ov, 0, sizeof(ov));
+               for (; i<=txn->mt_u.dirty_list[0].mid; i++) {
+                       dp = txn->mt_u.dirty_list[i].mptr;
+                       DPRINTF("committing page %lu", dp->p.mp_pgno);
+                       size = dp->p.mp_pgno * env->me_psize;
+                       ov.Offset = size & 0xffffffff;
+                       ov.OffsetHigh = size >> 16;
+                       ov.OffsetHigh >>= 16;
+                       /* clear dirty flag */
+                       dp->p.mp_flags &= ~P_DIRTY;
+                       rc = WriteFile(env->me_fd, &dp->p, env->me_psize * dp->h.md_num, NULL, &ov);
+                       if (!rc) {
+                               n = ErrCode();
+                               DPRINTF("WriteFile: %d", n);
+                               mdb_txn_abort(txn);
+                               return n;
+                       }
+               }
+               done = 1;;
+#else
+               struct iovec     iov[MDB_COMMIT_PAGES];
                n = 0;
                done = 1;
                size = 0;
-               STAILQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
+               for (; i<=txn->mt_u.dirty_list[0].mid; i++) {
+                       dp = txn->mt_u.dirty_list[i].mptr;
                        if (dp->p.mp_pgno != next) {
                                if (n) {
                                        DPRINTF("committing %u dirty pages", n);
                                        rc = writev(env->me_fd, iov, n);
                                        if (rc != size) {
-                                               n = errno;
+                                               n = ErrCode();
                                                if (rc > 0)
-                                                       DPRINTF("short write, filesystem full?");
+                                                       DPUTS("short write, filesystem full?");
                                                else
-                                                       DPRINTF("writev: %s", strerror(errno));
+                                                       DPRINTF("writev: %s", strerror(n));
                                                mdb_txn_abort(txn);
                                                return n;
                                        }
@@ -856,6 +1166,7 @@ mdb_txn_commit(MDB_txn *txn)
                        dp->p.mp_flags &= ~P_DIRTY;
                        if (++n >= MDB_COMMIT_PAGES) {
                                done = 0;
+                               i++;
                                break;
                        }
                }
@@ -866,85 +1177,93 @@ mdb_txn_commit(MDB_txn *txn)
                DPRINTF("committing %u dirty pages", n);
                rc = writev(env->me_fd, iov, n);
                if (rc != size) {
-                       n = errno;
+                       n = ErrCode();
                        if (rc > 0)
-                               DPRINTF("short write, filesystem full?");
+                               DPUTS("short write, filesystem full?");
                        else
-                               DPRINTF("writev: %s", strerror(errno));
+                               DPRINTF("writev: %s", strerror(n));
                        mdb_txn_abort(txn);
                        return n;
                }
-
+#endif
        } while (!done);
 
        /* Drop the dirty pages.
         */
-       while (!STAILQ_EMPTY(txn->mt_u.dirty_queue)) {
-               dp = STAILQ_FIRST(txn->mt_u.dirty_queue);
-               STAILQ_REMOVE_HEAD(txn->mt_u.dirty_queue, h.md_next);
-               free(dp);
+       for (i=1; i<=txn->mt_u.dirty_list[0].mid; i++) {
+               dp = txn->mt_u.dirty_list[i].mptr;
+               if (dp->h.md_num == 1) {
+                       dp->h.md_parent = (MDB_page *)txn->mt_env->me_dpages;
+                       txn->mt_env->me_dpages = dp;
+               } else {
+                       free(dp);
+               }
+               txn->mt_u.dirty_list[i].mid = 0;
        }
+       txn->mt_u.dirty_list[0].mid = 0;
 
-       if ((n = mdbenv_sync(env)) != 0 ||
-           (n = mdbenv_write_meta(txn)) != MDB_SUCCESS ||
-           (n = mdbenv_sync(env)) != 0) {
+       if ((n = mdb_env_sync(env, 0)) != 0 ||
+           (n = mdb_env_write_meta(txn)) != MDB_SUCCESS) {
                mdb_txn_abort(txn);
                return n;
        }
-       env->me_txn = NULL;
 
+done:
+       env->me_txn = NULL;
        /* update the DB tables */
        {
                int toggle = !env->me_db_toggle;
+               MDB_db *ip, *jp;
 
-               for (i = 2; i < env->me_numdbs; i++) {
-                       if (txn->mt_dbxs[i].md_dirty) {
-                               env->me_dbs[toggle][i] = txn->mt_dbs[i];
-                               txn->mt_dbxs[i].md_dirty = 0;
-                       }
+               ip = &env->me_dbs[toggle][2];
+               jp = &txn->mt_dbs[2];
+               LAZY_RWLOCK_WRLOCK(&env->me_dblock);
+               for (i = 2; i < txn->mt_numdbs; i++) {
+                       if (ip->md_root != jp->md_root)
+                               *ip = *jp;
+                       ip++; jp++;
                }
-               for (i = env->me_numdbs; i < txn->mt_numdbs; i++) {
-                       txn->mt_dbxs[i].md_dirty = 0;
-                       env->me_dbxs[i] = txn->mt_dbxs[i];
-                       env->me_dbs[toggle][i] = txn->mt_dbs[i];
+
+               for (i = 2; i < txn->mt_numdbs; i++) {
+                       if (txn->mt_dbxs[i].md_dirty)
+                               txn->mt_dbxs[i].md_dirty = 0;
                }
                env->me_db_toggle = toggle;
                env->me_numdbs = txn->mt_numdbs;
-
-               free(txn->mt_dbs);
+               LAZY_RWLOCK_UNLOCK(&env->me_dblock);
        }
 
-       pthread_mutex_unlock(&env->me_txns->mt_wmutex);
-       free(txn->mt_u.dirty_queue);
+       UNLOCK_MUTEX_W(env);
        free(txn);
-       txn = NULL;
-
-done:
-       mdb_txn_abort(txn);
 
        return MDB_SUCCESS;
 }
 
 static int
-mdbenv_read_header(MDB_env *env, MDB_meta *meta)
+mdb_env_read_header(MDB_env *env, MDB_meta *meta)
 {
        char             page[PAGESIZE];
        MDB_page        *p;
        MDB_meta        *m;
-       int              rc;
-
-       assert(env != NULL);
+       int              rc, err;
 
        /* We don't know the page size yet, so use a minimum value.
         */
 
-       if ((rc = pread(env->me_fd, page, PAGESIZE, 0)) == 0) {
+#ifdef _WIN32
+       if (!ReadFile(env->me_fd, page, PAGESIZE, (DWORD *)&rc, NULL) || rc == 0)
+#else
+       if ((rc = read(env->me_fd, page, PAGESIZE)) == 0)
+#endif
+       {
                return ENOENT;
-       } else if (rc != PAGESIZE) {
+       }
+       else if (rc != PAGESIZE) {
+               err = ErrCode();
                if (rc > 0)
-                       errno = EINVAL;
-               DPRINTF("read: %s", strerror(errno));
-               return errno;
+                       err = EINVAL;
+               DPRINTF("read: %s", strerror(err));
+               return err;
        }
 
        p = (MDB_page *)page;
@@ -956,7 +1275,7 @@ mdbenv_read_header(MDB_env *env, MDB_meta *meta)
 
        m = METADATA(p);
        if (m->mm_magic != MDB_MAGIC) {
-               DPRINTF("meta has invalid magic");
+               DPUTS("meta has invalid magic");
                return EINVAL;
        }
 
@@ -971,25 +1290,23 @@ mdbenv_read_header(MDB_env *env, MDB_meta *meta)
 }
 
 static int
-mdbenv_init_meta(MDB_env *env, MDB_meta *meta)
+mdb_env_init_meta(MDB_env *env, MDB_meta *meta)
 {
        MDB_page *p, *q;
        MDB_meta *m;
        int rc;
        unsigned int     psize;
 
-       DPRINTF("writing new meta page");
-       psize = sysconf(_SC_PAGE_SIZE);
+       DPUTS("writing new meta page");
+
+       GetPageSize(psize);
 
        meta->mm_magic = MDB_MAGIC;
        meta->mm_version = MDB_VERSION;
        meta->mm_psize = psize;
        meta->mm_last_pg = 1;
        meta->mm_flags = env->me_flags & 0xffff;
-#if __BYTE_ORDER == __LITTLE_ENDIAN
-       /* freeDB keys are pgno_t's, must compare in int order */
-       meta->mm_flags |= MDB_REVERSEKEY;
-#endif
+       meta->mm_flags |= MDB_INTEGERKEY;
        meta->mm_dbs[0].md_root = P_INVALID;
        meta->mm_dbs[1].md_root = P_INVALID;
 
@@ -1008,27 +1325,44 @@ mdbenv_init_meta(MDB_env *env, MDB_meta *meta)
        m = METADATA(q);
        memcpy(m, meta, sizeof(*meta));
 
+#ifdef _WIN32
+       {
+               DWORD len;
+               rc = WriteFile(env->me_fd, p, psize * 2, &len, NULL);
+               rc = (len == psize * 2) ? MDB_SUCCESS : ErrCode();
+       }
+#else
        rc = write(env->me_fd, p, psize * 2);
+       rc = (rc == (int)psize * 2) ? MDB_SUCCESS : ErrCode();
+#endif
        free(p);
-       return (rc == (int)psize * 2) ? MDB_SUCCESS : errno;
+       return rc;
 }
 
 static int
-mdbenv_write_meta(MDB_txn *txn)
+mdb_env_write_meta(MDB_txn *txn)
 {
        MDB_env *env;
-       MDB_meta        meta;
+       MDB_meta        meta, metab;
        off_t off;
-       int rc, len;
+       int rc, len, toggle;
        char *ptr;
+#ifdef _WIN32
+       OVERLAPPED ov;
+#endif
 
        assert(txn != NULL);
        assert(txn->mt_env != NULL);
 
-       DPRINTF("writing meta page for root page %lu", txn->mt_dbs[MAIN_DBI].md_root);
+       toggle = !txn->mt_toggle;
+       DPRINTF("writing meta page %d for root page %lu",
+               toggle, txn->mt_dbs[MAIN_DBI].md_root);
 
        env = txn->mt_env;
 
+       metab.mm_txnid = env->me_metas[toggle]->mm_txnid;
+       metab.mm_last_pg = env->me_metas[toggle]->mm_last_pg;
+
        ptr = (char *)&meta;
        off = offsetof(MDB_meta, mm_dbs[0].md_depth);
        len = sizeof(MDB_meta) - off;
@@ -1039,22 +1373,54 @@ mdbenv_write_meta(MDB_txn *txn)
        meta.mm_last_pg = txn->mt_next_pgno - 1;
        meta.mm_txnid = txn->mt_txnid;
 
-       if (!F_ISSET(txn->mt_flags, MDB_TXN_METOGGLE))
+       if (toggle)
                off += env->me_psize;
        off += PAGEHDRSZ;
 
-       lseek(env->me_fd, off, SEEK_SET);
-       rc = write(env->me_fd, ptr, len);
+       /* Write to the SYNC fd */
+#ifdef _WIN32
+       {
+               memset(&ov, 0, sizeof(ov));
+               ov.Offset = off;
+               WriteFile(env->me_mfd, ptr, len, (DWORD *)&rc, &ov);
+       }
+#else
+       rc = pwrite(env->me_mfd, ptr, len, off);
+#endif
        if (rc != len) {
-               DPRINTF("write failed, disk error?");
-               return errno;
+               int r2;
+               rc = ErrCode();
+               DPUTS("write failed, disk error?");
+               /* On a failure, the pagecache still contains the new data.
+                * Write some old data back, to prevent it from being used.
+                * Use the non-SYNC fd; we know it will fail anyway.
+                */
+               meta.mm_last_pg = metab.mm_last_pg;
+               meta.mm_txnid = metab.mm_txnid;
+#ifdef _WIN32
+               WriteFile(env->me_fd, ptr, len, NULL, &ov);
+#else
+               r2 = pwrite(env->me_fd, ptr, len, off);
+#endif
+               env->me_flags |= MDB_FATAL_ERROR;
+               return rc;
        }
+       /* Memory ordering issues are irrelevant; since the entire writer
+        * is wrapped by wmutex, all of these changes will become visible
+        * after the wmutex is unlocked. Since the DB is multi-version,
+        * readers will get consistent data regardless of how fresh or
+        * how stale their view of these values is.
+        */
+       LAZY_MUTEX_LOCK(&env->me_txns->mti_mutex);
+       txn->mt_env->me_txns->mti_me_toggle = toggle;
+       txn->mt_env->me_txns->mti_txnid = txn->mt_txnid;
+       LAZY_MUTEX_UNLOCK(&env->me_txns->mti_mutex);
 
        return MDB_SUCCESS;
 }
 
 static int
-mdbenv_read_meta(MDB_env *env, int *which)
+mdb_env_read_meta(MDB_env *env, int *which)
 {
        int toggle = 0;
 
@@ -1063,18 +1429,14 @@ mdbenv_read_meta(MDB_env *env, int *which)
        if (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid)
                toggle = 1;
 
-       if (env->me_meta != env->me_metas[toggle])
-               env->me_meta = env->me_metas[toggle];
-       if (which)
-               *which = toggle;
-
        DPRINTF("Using meta page %d", toggle);
+       *which = toggle;
 
        return MDB_SUCCESS;
 }
 
 int
-mdbenv_create(MDB_env **env)
+mdb_env_create(MDB_env **env)
 {
        MDB_env *e;
 
@@ -1083,14 +1445,15 @@ mdbenv_create(MDB_env **env)
 
        e->me_maxreaders = DEFAULT_READERS;
        e->me_maxdbs = 2;
-       e->me_fd = -1;
-       e->me_lfd = -1;
+       e->me_fd = INVALID_HANDLE_VALUE;
+       e->me_lfd = INVALID_HANDLE_VALUE;
+       e->me_mfd = INVALID_HANDLE_VALUE;
        *env = e;
        return MDB_SUCCESS;
 }
 
 int
-mdbenv_set_mapsize(MDB_env *env, size_t size)
+mdb_env_set_mapsize(MDB_env *env, size_t size)
 {
        if (env->me_map)
                return EINVAL;
@@ -1099,7 +1462,7 @@ mdbenv_set_mapsize(MDB_env *env, size_t size)
 }
 
 int
-mdbenv_set_maxdbs(MDB_env *env, int dbs)
+mdb_env_set_maxdbs(MDB_env *env, int dbs)
 {
        if (env->me_map)
                return EINVAL;
@@ -1108,14 +1471,16 @@ mdbenv_set_maxdbs(MDB_env *env, int dbs)
 }
 
 int
-mdbenv_set_maxreaders(MDB_env *env, int readers)
+mdb_env_set_maxreaders(MDB_env *env, int readers)
 {
+       if (env->me_map)
+               return EINVAL;
        env->me_maxreaders = readers;
        return MDB_SUCCESS;
 }
 
 int
-mdbenv_get_maxreaders(MDB_env *env, int *readers)
+mdb_env_get_maxreaders(MDB_env *env, int *readers)
 {
        if (!env || !readers)
                return EINVAL;
@@ -1123,10 +1488,10 @@ mdbenv_get_maxreaders(MDB_env *env, int *readers)
        return MDB_SUCCESS;
 }
 
-int
-mdbenv_open2(MDB_env *env, unsigned int flags)
+static int
+mdb_env_open2(MDB_env *env, unsigned int flags)
 {
-       int i, newenv = 0;
+       int i, newenv = 0, toggle;
        MDB_meta meta;
        MDB_page *p;
 
@@ -1134,10 +1499,10 @@ mdbenv_open2(MDB_env *env, unsigned int flags)
 
        memset(&meta, 0, sizeof(meta));
 
-       if ((i = mdbenv_read_header(env, &meta)) != 0) {
+       if ((i = mdb_env_read_header(env, &meta)) != 0) {
                if (i != ENOENT)
                        return i;
-               DPRINTF("new mdbenv");
+               DPUTS("new mdbenv");
                newenv = 1;
        }
 
@@ -1145,19 +1510,47 @@ mdbenv_open2(MDB_env *env, unsigned int flags)
                env->me_mapsize = newenv ? DEFAULT_MAPSIZE : meta.mm_mapsize;
        }
 
+#ifdef _WIN32
+       {
+               HANDLE mh;
+               LONG sizelo, sizehi;
+               sizelo = env->me_mapsize & 0xffffffff;
+               sizehi = env->me_mapsize >> 16;         /* pointless on WIN32, only needed on W64 */
+               sizehi >>= 16;
+               /* Windows won't create mappings for zero length files.
+                * Just allocate the maxsize right now.
+                */
+               if (newenv) {
+                       SetFilePointer(env->me_fd, sizelo, sizehi ? &sizehi : NULL, 0);
+                       if (!SetEndOfFile(env->me_fd))
+                               return ErrCode();
+                       SetFilePointer(env->me_fd, 0, NULL, 0);
+               }
+               mh = CreateFileMapping(env->me_fd, NULL, PAGE_READONLY,
+                       sizehi, sizelo, NULL);
+               if (!mh)
+                       return ErrCode();
+               env->me_map = MapViewOfFileEx(mh, FILE_MAP_READ, 0, 0, env->me_mapsize,
+                       meta.mm_address);
+               CloseHandle(mh);
+               if (!env->me_map)
+                       return ErrCode();
+       }
+#else
        i = MAP_SHARED;
        if (meta.mm_address && (flags & MDB_FIXEDMAP))
                i |= MAP_FIXED;
        env->me_map = mmap(meta.mm_address, env->me_mapsize, PROT_READ, i,
                env->me_fd, 0);
        if (env->me_map == MAP_FAILED)
-               return errno;
+               return ErrCode();
+#endif
 
        if (newenv) {
                meta.mm_mapsize = env->me_mapsize;
                if (flags & MDB_FIXEDMAP)
                        meta.mm_address = env->me_map;
-               i = mdbenv_init_meta(env, &meta);
+               i = mdb_env_init_meta(env, &meta);
                if (i != MDB_SUCCESS) {
                        munmap(env->me_map, env->me_mapsize);
                        return i;
@@ -1165,27 +1558,31 @@ mdbenv_open2(MDB_env *env, unsigned int flags)
        }
        env->me_psize = meta.mm_psize;
 
-       p = (MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)(MDB_page *)env->me_map;
+       env->me_maxpg = env->me_mapsize / env->me_psize;
+
+       p = (MDB_page *)env->me_map;
        env->me_metas[0] = METADATA(p);
        env->me_metas[1] = (MDB_meta *)((char *)env->me_metas[0] + meta.mm_psize);
 
-       if ((i = mdbenv_read_meta(env, NULL)) != 0)
+       if ((i = mdb_env_read_meta(env, &toggle)) != 0)
                return i;
 
        DPRINTF("opened database version %u, pagesize %u",
-           env->me_meta->mm_version, env->me_psize);
-       DPRINTF("depth: %u", env->me_meta->mm_dbs[MAIN_DBI].md_depth);
-       DPRINTF("entries: %lu", env->me_meta->mm_dbs[MAIN_DBI].md_entries);
-       DPRINTF("branch pages: %lu", env->me_meta->mm_dbs[MAIN_DBI].md_branch_pages);
-       DPRINTF("leaf pages: %lu", env->me_meta->mm_dbs[MAIN_DBI].md_leaf_pages);
-       DPRINTF("overflow pages: %lu", env->me_meta->mm_dbs[MAIN_DBI].md_overflow_pages);
-       DPRINTF("root: %lu", env->me_meta->mm_dbs[MAIN_DBI].md_root);
+           env->me_metas[toggle]->mm_version, env->me_psize);
+       DPRINTF("depth: %u", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_depth);
+       DPRINTF("entries: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_entries);
+       DPRINTF("branch pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_branch_pages);
+       DPRINTF("leaf pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_leaf_pages);
+       DPRINTF("overflow pages: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_overflow_pages);
+       DPRINTF("root: %lu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_root);
 
        return MDB_SUCCESS;
 }
 
+#ifndef _WIN32
+/* Windows doesn't support destructor callbacks for thread-specific storage */
 static void
-mdbenv_reader_dest(void *ptr)
+mdb_env_reader_dest(void *ptr)
 {
        MDB_reader *reader = ptr;
 
@@ -1193,145 +1590,304 @@ mdbenv_reader_dest(void *ptr)
        reader->mr_pid = 0;
        reader->mr_tid = 0;
 }
+#endif
 
 /* downgrade the exclusive lock on the region back to shared */
 static void
-mdbenv_share_locks(MDB_env *env)
+mdb_env_share_locks(MDB_env *env)
 {
-       struct flock lock_info;
+       int toggle = 0;
 
-       env->me_txns->mt_txnid = env->me_meta->mm_txnid;
+       if (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid)
+               toggle = 1;
+       env->me_txns->mti_me_toggle = toggle;
+       env->me_txns->mti_txnid = env->me_metas[toggle]->mm_txnid;
 
-       memset((void *)&lock_info, 0, sizeof(lock_info));
-       lock_info.l_type = F_RDLCK;
-       lock_info.l_whence = SEEK_SET;
-       lock_info.l_start = 0;
-       lock_info.l_len = 1;
-       fcntl(env->me_lfd, F_SETLK, &lock_info);
+#ifdef _WIN32
+       {
+               OVERLAPPED ov;
+               /* First acquire a shared lock. The Unlock will
+                * then release the existing exclusive lock.
+                */
+               memset(&ov, 0, sizeof(ov));
+               LockFileEx(env->me_lfd, 0, 0, 1, 0, &ov);
+               UnlockFile(env->me_lfd, 0, 0, 1, 0);
+       }
+#else
+       {
+               struct flock lock_info;
+               /* The shared lock replaces the existing lock */
+               memset((void *)&lock_info, 0, sizeof(lock_info));
+               lock_info.l_type = F_RDLCK;
+               lock_info.l_whence = SEEK_SET;
+               lock_info.l_start = 0;
+               lock_info.l_len = 1;
+               fcntl(env->me_lfd, F_SETLK, &lock_info);
+       }
+#endif
 }
 
 static int
-mdbenv_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
+mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
 {
        int rc;
        off_t size, rsize;
-       struct flock lock_info;
 
        *excl = 0;
 
+#ifdef _WIN32
+       if ((env->me_lfd = CreateFile(lpath, GENERIC_READ|GENERIC_WRITE,
+               FILE_SHARE_READ|FILE_SHARE_WRITE, NULL, OPEN_ALWAYS,
+               FILE_ATTRIBUTE_NORMAL, NULL)) == INVALID_HANDLE_VALUE) {
+               rc = ErrCode();
+               return rc;
+       }
+       /* Try to get exclusive lock. If we succeed, then
+        * nobody is using the lock region and we should initialize it.
+        */
+       {
+               if (LockFile(env->me_lfd, 0, 0, 1, 0)) {
+                       *excl = 1;
+               } else {
+                       OVERLAPPED ov;
+                       memset(&ov, 0, sizeof(ov));
+                       if (!LockFileEx(env->me_lfd, 0, 0, 1, 0, &ov)) {
+                               rc = ErrCode();
+                               goto fail;
+                       }
+               }
+       }
+       size = GetFileSize(env->me_lfd, NULL);
+#else
        if ((env->me_lfd = open(lpath, O_RDWR|O_CREAT, mode)) == -1) {
-               rc = errno;
+               rc = ErrCode();
                return rc;
        }
        /* Try to get exclusive lock. If we succeed, then
         * nobody is using the lock region and we should initialize it.
         */
-       memset((void *)&lock_info, 0, sizeof(lock_info));
-       lock_info.l_type = F_WRLCK;
-       lock_info.l_whence = SEEK_SET;
-       lock_info.l_start = 0;
-       lock_info.l_len = 1;
-       rc = fcntl(env->me_lfd, F_SETLK, &lock_info);
-       if (rc == 0) {
-               *excl = 1;
-       } else {
-               lock_info.l_type = F_RDLCK;
+       {
+               struct flock lock_info;
+               memset((void *)&lock_info, 0, sizeof(lock_info));
+               lock_info.l_type = F_WRLCK;
+               lock_info.l_whence = SEEK_SET;
+               lock_info.l_start = 0;
+               lock_info.l_len = 1;
                rc = fcntl(env->me_lfd, F_SETLK, &lock_info);
-               if (rc) {
-                       rc = errno;
-                       goto fail;
+               if (rc == 0) {
+                       *excl = 1;
+               } else {
+                       lock_info.l_type = F_RDLCK;
+                       rc = fcntl(env->me_lfd, F_SETLKW, &lock_info);
+                       if (rc) {
+                               rc = ErrCode();
+                               goto fail;
+                       }
                }
        }
        size = lseek(env->me_lfd, 0, SEEK_END);
+#endif
        rsize = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
        if (size < rsize && *excl) {
+#ifdef _WIN32
+               SetFilePointer(env->me_lfd, rsize, NULL, 0);
+               if (!SetEndOfFile(env->me_lfd)) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+#else
                if (ftruncate(env->me_lfd, rsize) != 0) {
-                       rc = errno;
+                       rc = ErrCode();
                        goto fail;
                }
+#endif
        } else {
                rsize = size;
                size = rsize - sizeof(MDB_txninfo);
                env->me_maxreaders = size/sizeof(MDB_reader) + 1;
        }
+#ifdef _WIN32
+       {
+               HANDLE mh;
+               mh = CreateFileMapping(env->me_lfd, NULL, PAGE_READWRITE,
+                       0, 0, NULL);
+               if (!mh) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+               env->me_txns = MapViewOfFileEx(mh, FILE_MAP_WRITE, 0, 0, rsize, NULL);
+               CloseHandle(mh);
+               if (!env->me_txns) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+       }
+#else
        env->me_txns = mmap(0, rsize, PROT_READ|PROT_WRITE, MAP_SHARED,
                env->me_lfd, 0);
        if (env->me_txns == MAP_FAILED) {
-               rc = errno;
+               rc = ErrCode();
                goto fail;
        }
+#endif
        if (*excl) {
+#ifdef _WIN32
+               char *ptr;
+               if (!mdb_sec_inited) {
+                       InitializeSecurityDescriptor(&mdb_null_sd,
+                               SECURITY_DESCRIPTOR_REVISION);
+                       SetSecurityDescriptorDacl(&mdb_null_sd, TRUE, 0, FALSE);
+                       mdb_all_sa.nLength = sizeof(SECURITY_ATTRIBUTES);
+                       mdb_all_sa.bInheritHandle = FALSE;
+                       mdb_all_sa.lpSecurityDescriptor = &mdb_null_sd;
+                       mdb_sec_inited = 1;
+               }
+               /* FIXME: only using up to 20 characters of the env path here,
+                * probably not enough to assure uniqueness...
+                */
+               sprintf(env->me_txns->mti_rmname, "Global\\MDBr%.20s", lpath);
+               ptr = env->me_txns->mti_rmname + sizeof("Global\\MDBr");
+               while ((ptr = strchr(ptr, '\\')))
+                       *ptr++ = '/';
+               env->me_rmutex = CreateMutex(&mdb_all_sa, FALSE, env->me_txns->mti_rmname);
+               if (!env->me_rmutex) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+               sprintf(env->me_txns->mti_rmname, "Global\\MDBw%.20s", lpath);
+               ptr = env->me_txns->mti_rmname + sizeof("Global\\MDBw");
+               while ((ptr = strchr(ptr, '\\')))
+                       *ptr++ = '/';
+               env->me_wmutex = CreateMutex(&mdb_all_sa, FALSE, env->me_txns->mti_rmname);
+               if (!env->me_wmutex) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+#else
                pthread_mutexattr_t mattr;
 
                pthread_mutexattr_init(&mattr);
-               pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
-               pthread_mutex_init(&env->me_txns->mt_mutex, &mattr);
-               pthread_mutex_init(&env->me_txns->mt_wmutex, &mattr);
-               env->me_txns->mt_version = MDB_VERSION;
-               env->me_txns->mt_magic = MDB_MAGIC;
-               env->me_txns->mt_txnid = 0;
-               env->me_txns->mt_numreaders = 0;
+               rc = pthread_mutexattr_setpshared(&mattr, PTHREAD_PROCESS_SHARED);
+               if (rc) {
+                       goto fail;
+               }
+               pthread_mutex_init(&env->me_txns->mti_mutex, &mattr);
+               pthread_mutex_init(&env->me_txns->mti_wmutex, &mattr);
+#endif
+               env->me_txns->mti_version = MDB_VERSION;
+               env->me_txns->mti_magic = MDB_MAGIC;
+               env->me_txns->mti_txnid = 0;
+               env->me_txns->mti_numreaders = 0;
+               env->me_txns->mti_me_toggle = 0;
 
        } else {
-               if (env->me_txns->mt_magic != MDB_MAGIC) {
-                       DPRINTF("lock region has invalid magic");
+               if (env->me_txns->mti_magic != MDB_MAGIC) {
+                       DPUTS("lock region has invalid magic");
                        rc = EINVAL;
                        goto fail;
                }
-               if (env->me_txns->mt_version != MDB_VERSION) {
+               if (env->me_txns->mti_version != MDB_VERSION) {
                        DPRINTF("lock region is version %u, expected version %u",
-                               env->me_txns->mt_version, MDB_VERSION);
+                               env->me_txns->mti_version, MDB_VERSION);
                        rc = MDB_VERSION_MISMATCH;
                        goto fail;
                }
-               if (errno != EACCES && errno != EAGAIN) {
-                       rc = errno;
+               rc = ErrCode();
+               if (rc != EACCES && rc != EAGAIN) {
+                       goto fail;
+               }
+#ifdef _WIN32
+               env->me_rmutex = OpenMutex(SYNCHRONIZE, FALSE, env->me_txns->mti_rmname);
+               if (!env->me_rmutex) {
+                       rc = ErrCode();
+                       goto fail;
+               }
+               env->me_wmutex = OpenMutex(SYNCHRONIZE, FALSE, env->me_txns->mti_wmname);
+               if (!env->me_wmutex) {
+                       rc = ErrCode();
                        goto fail;
                }
+#endif
        }
        return MDB_SUCCESS;
 
 fail:
        close(env->me_lfd);
+       env->me_lfd = INVALID_HANDLE_VALUE;
        return rc;
 
 }
 
+#define LOCKNAME       "/lock.mdb"
+#define DATANAME       "/data.mdb"
 int
-mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
+mdb_env_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
 {
        int             oflags, rc, len, excl;
        char *lpath, *dpath;
 
        len = strlen(path);
-       lpath = malloc(len + sizeof("/lock.mdb") + len + sizeof("/data.db"));
+       lpath = malloc(len + sizeof(LOCKNAME) + len + sizeof(DATANAME));
        if (!lpath)
                return ENOMEM;
-       dpath = lpath + len + sizeof("/lock.mdb");
-       sprintf(lpath, "%s/lock.mdb", path);
-       sprintf(dpath, "%s/data.mdb", path);
+       dpath = lpath + len + sizeof(LOCKNAME);
+       sprintf(lpath, "%s" LOCKNAME, path);
+       sprintf(dpath, "%s" DATANAME, path);
 
-       rc = mdbenv_setup_locks(env, lpath, mode, &excl);
+       rc = mdb_env_setup_locks(env, lpath, mode, &excl);
        if (rc)
                goto leave;
 
+#ifdef _WIN32
+       if (F_ISSET(flags, MDB_RDONLY)) {
+               oflags = GENERIC_READ;
+               len = OPEN_EXISTING;
+       } else {
+               oflags = GENERIC_READ|GENERIC_WRITE;
+               len = OPEN_ALWAYS;
+       }
+       mode = FILE_ATTRIBUTE_NORMAL;
+       if ((env->me_fd = CreateFile(dpath, oflags, FILE_SHARE_READ|FILE_SHARE_WRITE,
+                       NULL, len, mode, NULL)) == INVALID_HANDLE_VALUE) {
+               rc = ErrCode();
+               goto leave;
+       }
+#else
        if (F_ISSET(flags, MDB_RDONLY))
                oflags = O_RDONLY;
        else
                oflags = O_RDWR | O_CREAT;
 
-       if ((env->me_fd = open(dpath, oflags, mode)) == -1)
-               return errno;
+       if ((env->me_fd = open(dpath, oflags, mode)) == -1) {
+               rc = ErrCode();
+               goto leave;
+       }
+#endif
 
-       if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
-               close(env->me_fd);
-               env->me_fd = -1;
-       } else {
+       if ((rc = mdb_env_open2(env, flags)) == MDB_SUCCESS) {
+               /* synchronous fd for meta writes */
+#ifdef _WIN32
+               if (!(flags & (MDB_RDONLY|MDB_NOSYNC)))
+                       mode |= FILE_FLAG_WRITE_THROUGH;
+               if ((env->me_mfd = CreateFile(dpath, oflags, FILE_SHARE_READ|FILE_SHARE_WRITE,
+                       NULL, len, mode, NULL)) == INVALID_HANDLE_VALUE) {
+                       rc = ErrCode();
+                       goto leave;
+               }
+#else
+               if (!(flags & (MDB_RDONLY|MDB_NOSYNC)))
+                       oflags |= MDB_DSYNC;
+               if ((env->me_mfd = open(dpath, oflags, mode)) == -1) {
+                       rc = ErrCode();
+                       goto leave;
+               }
+#endif
                env->me_path = strdup(path);
                DPRINTF("opened dbenv %p", (void *) env);
-               pthread_key_create(&env->me_txkey, mdbenv_reader_dest);
+               pthread_key_create(&env->me_txkey, mdb_env_reader_dest);
+               LAZY_RWLOCK_INIT(&env->me_dblock, NULL);
                if (excl)
-                       mdbenv_share_locks(env);
+                       mdb_env_share_locks(env);
                env->me_dbxs = calloc(env->me_maxdbs, sizeof(MDB_dbx));
                env->me_dbs[0] = calloc(env->me_maxdbs, sizeof(MDB_db));
                env->me_dbs[1] = calloc(env->me_maxdbs, sizeof(MDB_db));
@@ -1339,26 +1895,54 @@ mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
        }
 
 leave:
+       if (rc) {
+               if (env->me_fd != INVALID_HANDLE_VALUE) {
+                       close(env->me_fd);
+                       env->me_fd = INVALID_HANDLE_VALUE;
+               }
+               if (env->me_lfd != INVALID_HANDLE_VALUE) {
+                       close(env->me_lfd);
+                       env->me_lfd = INVALID_HANDLE_VALUE;
+               }
+       }
        free(lpath);
        return rc;
 }
 
 void
-mdbenv_close(MDB_env *env)
+mdb_env_close(MDB_env *env)
 {
+       MDB_dpage *dp;
+
        if (env == NULL)
                return;
 
+       while (env->me_dpages) {
+               dp = env->me_dpages;
+               env->me_dpages = (MDB_dpage *)dp->h.md_parent;
+               free(dp);
+       }
+
+       free(env->me_dbs[1]);
+       free(env->me_dbs[0]);
        free(env->me_dbxs);
        free(env->me_path);
 
+       LAZY_RWLOCK_DESTROY(&env->me_dblock);
+       pthread_key_delete(env->me_txkey);
+
        if (env->me_map) {
                munmap(env->me_map, env->me_mapsize);
        }
+       close(env->me_mfd);
        close(env->me_fd);
        if (env->me_txns) {
-               size_t size = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
-               munmap(env->me_txns, size);
+               pid_t pid = getpid();
+               unsigned int i;
+               for (i=0; i<env->me_txns->mti_numreaders; i++)
+                       if (env->me_txns->mti_readers[i].mr_pid == pid)
+                               env->me_txns->mti_readers[i].mr_pid = 0;
+               munmap(env->me_txns, (env->me_maxreaders-1)*sizeof(MDB_reader)+sizeof(MDB_txninfo));
        }
        close(env->me_lfd);
        free(env);
@@ -1378,8 +1962,9 @@ mdb_search_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, MDB_val *key,
        unsigned int     i = 0;
        int              low, high;
        int              rc = 0;
-       MDB_node        *node;
+       MDB_node        *node = NULL;
        MDB_val  nodekey;
+       DKBUF;
 
        DPRINTF("searching %u keys in %s page %lu",
            NUMKEYS(mp),
@@ -1394,23 +1979,25 @@ mdb_search_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, MDB_val *key,
        high = NUMKEYS(mp) - 1;
        while (low <= high) {
                i = (low + high) >> 1;
-               node = NODEPTR(mp, i);
 
-               nodekey.mv_size = node->mn_ksize;
-               nodekey.mv_data = NODEKEY(node);
+               if (IS_LEAF2(mp)) {
+                       nodekey.mv_size = txn->mt_dbs[dbi].md_pad;
+                       nodekey.mv_data = LEAF2KEY(mp, i, nodekey.mv_size);
+               } else {
+                       node = NODEPTR(mp, i);
 
-               if (txn->mt_dbxs[dbi].md_cmp)
-                       rc = txn->mt_dbxs[dbi].md_cmp(key, &nodekey);
-               else
-                       rc = _mdb_cmp(txn, dbi, key, &nodekey);
+                       nodekey.mv_size = node->mn_ksize;
+                       nodekey.mv_data = NODEKEY(node);
+               }
+
+               rc = mdb_cmp(txn, dbi, key, &nodekey);
 
                if (IS_LEAF(mp))
-                       DPRINTF("found leaf index %u [%.*s], rc = %i",
-                           i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
+                       DPRINTF("found leaf index %u [%s], rc = %i",
+                           i, DKEY(&nodekey), rc);
                else
-                       DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
-                           i, (int)node->mn_ksize, (char *)NODEKEY(node),
-                           node->mn_pgno, rc);
+                       DPRINTF("found branch index %u [%s -> %lu], rc = %i",
+                           i, DKEY(&nodekey), NODEPGNO(node), rc);
 
                if (rc == 0)
                        break;
@@ -1431,7 +2018,8 @@ mdb_search_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, MDB_val *key,
        if (kip)        /* Store the key index if requested. */
                *kip = i;
 
-       return NODEPTR(mp, i);
+       /* nodeptr is fake for LEAF2 */
+       return IS_LEAF2(mp) ? NODEPTR(mp, 0) : NODEPTR(mp, i);
 }
 
 static void
@@ -1439,12 +2027,13 @@ cursor_pop_page(MDB_cursor *cursor)
 {
        MDB_ppage       *top;
 
-       top = CURSOR_TOP(cursor);
-       CURSOR_POP(cursor);
-
-       DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, (void *) cursor);
+       if (cursor->mc_snum) {
+               top = CURSOR_TOP(cursor);
+               cursor->mc_snum--;
 
-       free(top);
+               DPRINTF("popped page %lu off db %u cursor %p", top->mp_page->mp_pgno,
+                       cursor->mc_dbi, (void *) cursor);
+       }
 }
 
 static MDB_ppage *
@@ -1452,37 +2041,43 @@ cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
 {
        MDB_ppage       *ppage;
 
-       DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, (void *) cursor);
+       DPRINTF("pushing page %lu on db %u cursor %p", mp->mp_pgno,
+               cursor->mc_dbi, (void *) cursor);
 
-       if ((ppage = calloc(1, sizeof(MDB_ppage))) == NULL)
-               return NULL;
+       assert(cursor->mc_snum < CURSOR_STACK);
+
+       ppage = &cursor->mc_stack[cursor->mc_snum++];
        ppage->mp_page = mp;
-       CURSOR_PUSH(cursor, ppage);
+       ppage->mp_ki = 0;
        return ppage;
 }
 
-static MDB_page *
-mdb_get_page(MDB_txn *txn, pgno_t pgno)
+static int
+mdb_get_page(MDB_txn *txn, pgno_t pgno, MDB_page **ret)
 {
        MDB_page *p = NULL;
-       int found = 0;
 
-       if (!F_ISSET(txn->mt_flags, MDB_TXN_RDONLY) && !STAILQ_EMPTY(txn->mt_u.dirty_queue)) {
+       if (!F_ISSET(txn->mt_flags, MDB_TXN_RDONLY) && txn->mt_u.dirty_list[0].mid) {
                MDB_dpage *dp;
-               STAILQ_FOREACH(dp, txn->mt_u.dirty_queue, h.md_next) {
-                       if (dp->p.mp_pgno == pgno) {
-                               p = &dp->p;
-                               found = 1;
-                               break;
-                       }
+               MIDL2 id;
+               unsigned x;
+               id.mid = pgno;
+               x = mdb_midl2_search(txn->mt_u.dirty_list, &id);
+               if (x <= txn->mt_u.dirty_list[0].mid && txn->mt_u.dirty_list[x].mid == pgno) {
+                       dp = txn->mt_u.dirty_list[x].mptr;
+                       p = &dp->p;
                }
        }
-       if (!found) {
-               if (pgno > txn->mt_env->me_meta->mm_last_pg)
-                       return NULL;
-               p = (MDB_page *)(txn->mt_env->me_map + txn->mt_env->me_psize * pgno);
+       if (!p) {
+               if (pgno <= txn->mt_env->me_metas[txn->mt_toggle]->mm_last_pg)
+                       p = (MDB_page *)(txn->mt_env->me_map + txn->mt_env->me_psize * pgno);
+       }
+       *ret = p;
+       if (!p) {
+               DPRINTF("page %lu not found", pgno);
+               assert(p != NULL);
        }
-       return p;
+       return (p != NULL) ? MDB_SUCCESS : MDB_PAGE_NOTFOUND;
 }
 
 static int
@@ -1490,10 +2085,11 @@ mdb_search_page_root(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
     MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
 {
        MDB_page        *mp = mpp->mp_page;
+       DKBUF;
        int rc;
 
        if (cursor && cursor_push_page(cursor, mp) == NULL)
-               return MDB_FAIL;
+               return ENOMEM;
 
        while (IS_BRANCH(mp)) {
                unsigned int     i = 0;
@@ -1520,8 +2116,8 @@ mdb_search_page_root(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
                }
 
                if (key)
-                       DPRINTF("following index %u for key %.*s",
-                           i, (int)key->mv_size, (char *)key->mv_data);
+                       DPRINTF("following index %u for key [%s]",
+                           i, DKEY(key));
                assert(i < NUMKEYS(mp));
                node = NODEPTR(mp, i);
 
@@ -1529,17 +2125,17 @@ mdb_search_page_root(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
                        CURSOR_TOP(cursor)->mp_ki = i;
 
                mpp->mp_parent = mp;
-               if ((mp = mdb_get_page(txn, NODEPGNO(node))) == NULL)
-                       return MDB_FAIL;
+               if ((rc = mdb_get_page(txn, NODEPGNO(node), &mp)))
+                       return rc;
                mpp->mp_pi = i;
                mpp->mp_page = mp;
 
                if (cursor && cursor_push_page(cursor, mp) == NULL)
-                       return MDB_FAIL;
+                       return ENOMEM;
 
                if (modify) {
                        MDB_dhead *dh = ((MDB_dhead *)mp)-1;
-                       if ((rc = mdb_touch(txn, mpp)) != 0)
+                       if ((rc = mdb_touch(txn, dbi, mpp)) != 0)
                                return rc;
                        dh = ((MDB_dhead *)mpp->mp_page)-1;
                        dh->md_parent = mpp->mp_parent;
@@ -1552,11 +2148,11 @@ mdb_search_page_root(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
        if (!IS_LEAF(mp)) {
                DPRINTF("internal error, index points to a %02X page!?",
                    mp->mp_flags);
-               return MDB_FAIL;
+               return MDB_CORRUPTED;
        }
 
-       DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
-           key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
+       DPRINTF("found leaf page %lu for key [%s]", mp->mp_pgno,
+           key ? DKEY(key) : NULL);
 
        return MDB_SUCCESS;
 }
@@ -1579,26 +2175,27 @@ mdb_search_page(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
         * committed root page.
         */
        if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
-               DPRINTF("transaction has failed, must abort");
+               DPUTS("transaction has failed, must abort");
                return EINVAL;
        } else
                root = txn->mt_dbs[dbi].md_root;
 
        if (root == P_INVALID) {                /* Tree is empty. */
-               DPRINTF("tree is empty");
+               DPUTS("tree is empty");
                return MDB_NOTFOUND;
        }
 
-       if ((mpp->mp_page = mdb_get_page(txn, root)) == NULL)
-               return MDB_FAIL;
+       if ((rc = mdb_get_page(txn, root, &mpp->mp_page)))
+               return rc;
 
-       DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
+       DPRINTF("db %u root page %lu has flags 0x%X",
+               dbi, root,  mpp->mp_page->mp_flags);
 
        if (modify) {
                /* For sub-databases, update main root first */
                if (dbi > MAIN_DBI && !txn->mt_dbxs[dbi].md_dirty) {
                        MDB_pageparent mp2;
-                       rc = mdb_search_page(txn, 0, &txn->mt_dbxs[dbi].md_name,
+                       rc = mdb_search_page(txn, MAIN_DBI, &txn->mt_dbxs[dbi].md_name,
                                NULL, 1, &mp2);
                        if (rc)
                                return rc;
@@ -1607,7 +2204,7 @@ mdb_search_page(MDB_txn *txn, MDB_dbi dbi, MDB_val *key,
                if (!F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
                        mpp->mp_parent = NULL;
                        mpp->mp_pi = 0;
-                       if ((rc = mdb_touch(txn, mpp)))
+                       if ((rc = mdb_touch(txn, dbi, mpp)))
                                return rc;
                        txn->mt_dbs[dbi].md_root = mpp->mp_page->mp_pgno;
                }
@@ -1621,6 +2218,7 @@ mdb_read_data(MDB_txn *txn, MDB_node *leaf, MDB_val *data)
 {
        MDB_page        *omp;           /* overflow mpage */
        pgno_t           pgno;
+       int rc;
 
        if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
                data->mv_size = leaf->mn_dsize;
@@ -1632,11 +2230,11 @@ mdb_read_data(MDB_txn *txn, MDB_node *leaf, MDB_val *data)
         */
        data->mv_size = leaf->mn_dsize;
        memcpy(&pgno, NODEDATA(leaf), sizeof(pgno));
-       if ((omp = mdb_get_page(txn, pgno)) == NULL) {
+       if ((rc = mdb_get_page(txn, pgno, &omp))) {
                DPRINTF("read overflow page %lu failed", pgno);
-               return MDB_FAIL;
+               return rc;
        }
-       data->mv_data = omp;
+       data->mv_data = METADATA(omp);
 
        return MDB_SUCCESS;
 }
@@ -1648,10 +2246,14 @@ mdb_get(MDB_txn *txn, MDB_dbi dbi,
        int              rc, exact;
        MDB_node        *leaf;
        MDB_pageparent mpp;
+       DKBUF;
 
        assert(key);
        assert(data);
-       DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
+       DPRINTF("===> get db %u key [%s]", dbi, DKEY(key));
+
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
+               return EINVAL;
 
        if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
                return EINVAL;
@@ -1663,17 +2265,25 @@ mdb_get(MDB_txn *txn, MDB_dbi dbi,
        leaf = mdb_search_node(txn, dbi, mpp.mp_page, key, &exact, NULL);
        if (leaf && exact) {
                /* Return first duplicate data item */
-               if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
                        MDB_xcursor mx;
 
                        mdb_xcursor_init0(txn, dbi, &mx);
-                       mdb_xcursor_init1(txn, dbi, &mx, NODEDATA(leaf));
-                       rc = mdb_search_page(&mx.mx_txn, mx.mx_txn.mt_numdbs-1, NULL, NULL, 0, &mpp);
+                       mdb_xcursor_init1(txn, dbi, &mx, mpp.mp_page, leaf);
+                       rc = mdb_search_page(&mx.mx_txn, mx.mx_cursor.mc_dbi, NULL, NULL, 0, &mpp);
                        if (rc != MDB_SUCCESS)
                                return rc;
-                       leaf = NODEPTR(mpp.mp_page, 0);
+                       if (IS_LEAF2(mpp.mp_page)) {
+                               data->mv_size = txn->mt_dbs[dbi].md_pad;
+                               data->mv_data = LEAF2KEY(mpp.mp_page, 0, data->mv_size);
+                       } else {
+                               leaf = NODEPTR(mpp.mp_page, 0);
+                               data->mv_size = NODEKSZ(leaf);
+                               data->mv_data = NODEKEY(leaf);
+                       }
+               } else {
+                       rc = mdb_read_data(txn, leaf, data);
                }
-               rc = mdb_read_data(txn, leaf, data);
        } else {
                rc = MDB_NOTFOUND;
        }
@@ -1686,13 +2296,13 @@ mdb_sibling(MDB_cursor *cursor, int move_right)
 {
        int              rc;
        MDB_node        *indx;
-       MDB_ppage       *parent, *top;
+       MDB_ppage       *parent;
        MDB_page        *mp;
 
-       top = CURSOR_TOP(cursor);
-       if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
+       if (cursor->mc_snum < 2) {
                return MDB_NOTFOUND;            /* root has no siblings */
        }
+       parent = CURSOR_PARENT(cursor);
 
        DPRINTF("parent page is page %lu, index %u",
            parent->mp_page->mp_pgno, parent->mp_ki);
@@ -1716,8 +2326,8 @@ mdb_sibling(MDB_cursor *cursor, int move_right)
        assert(IS_BRANCH(parent->mp_page));
 
        indx = NODEPTR(parent->mp_page, parent->mp_ki);
-       if ((mp = mdb_get_page(cursor->mc_txn, indx->mn_pgno)) == NULL)
-               return MDB_FAIL;
+       if ((rc = mdb_get_page(cursor->mc_txn, NODEPGNO(indx), &mp)))
+               return rc;;
 #if 0
        mp->parent = parent->mp_page;
        mp->parent_index = parent->mp_ki;
@@ -1728,18 +2338,6 @@ mdb_sibling(MDB_cursor *cursor, int move_right)
        return MDB_SUCCESS;
 }
 
-static int
-mdb_set_key(MDB_node *node, MDB_val *key)
-{
-       if (key == NULL)
-               return 0;
-
-       key->mv_size = node->mn_ksize;
-       key->mv_data = NODEKEY(node);
-
-       return 0;
-}
-
 static int
 mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data, MDB_cursor_op op)
 {
@@ -1754,21 +2352,28 @@ mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data, MDB_cursor_op o
 
        assert(cursor->mc_initialized);
 
+       top = CURSOR_TOP(cursor);
+       mp = top->mp_page;
+
        if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-               if (op == MDB_NEXT || op == MDB_NEXT_DUP) {
-                       rc = mdb_cursor_next(&cursor->mc_xcursor->mx_cursor, data, NULL, MDB_NEXT);
-                       if (op != MDB_NEXT || rc == MDB_SUCCESS)
-                               return rc;
+               leaf = NODEPTR(mp, top->mp_ki);
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+                       if (op == MDB_NEXT || op == MDB_NEXT_DUP) {
+                               rc = mdb_cursor_next(&cursor->mc_xcursor->mx_cursor, data, NULL, MDB_NEXT);
+                               if (op != MDB_NEXT || rc == MDB_SUCCESS)
+                                       return rc;
+                       }
+               } else {
+                       cursor->mc_xcursor->mx_cursor.mc_initialized = 0;
+                       if (op == MDB_NEXT_DUP)
+                               return MDB_NOTFOUND;
                }
        }
 
-       top = CURSOR_TOP(cursor);
-       mp = top->mp_page;
-
        DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, (void *) cursor);
 
        if (top->mp_ki + 1 >= NUMKEYS(mp)) {
-               DPRINTF("=====> move to next sibling page");
+               DPUTS("=====> move to next sibling page");
                if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
                        cursor->mc_eof = 1;
                        return MDB_NOTFOUND;
@@ -1782,22 +2387,31 @@ mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data, MDB_cursor_op o
        DPRINTF("==> cursor points to page %lu with %u keys, key index %u",
            mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
 
+       if (IS_LEAF2(mp)) {
+               key->mv_size = cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_pad;
+               key->mv_data = LEAF2KEY(mp, top->mp_ki, key->mv_size);
+               return MDB_SUCCESS;
+       }
+
        assert(IS_LEAF(mp));
        leaf = NODEPTR(mp, top->mp_ki);
 
+       if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+               mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, mp, leaf);
+       }
        if (data) {
                if ((rc = mdb_read_data(cursor->mc_txn, leaf, data) != MDB_SUCCESS))
                        return rc;
 
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, NODEDATA(leaf));
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
                        rc = mdb_cursor_first(&cursor->mc_xcursor->mx_cursor, data, NULL);
                        if (rc != MDB_SUCCESS)
                                return rc;
                }
        }
 
-       return mdb_set_key(leaf, key);
+       MDB_SET_KEY(leaf, key);
+       return MDB_SUCCESS;
 }
 
 static int
@@ -1810,22 +2424,30 @@ mdb_cursor_prev(MDB_cursor *cursor, MDB_val *key, MDB_val *data, MDB_cursor_op o
 
        assert(cursor->mc_initialized);
 
+       top = CURSOR_TOP(cursor);
+       mp = top->mp_page;
+
        if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
+               leaf = NODEPTR(mp, top->mp_ki);
                if (op == MDB_PREV || op == MDB_PREV_DUP) {
-                       rc = mdb_cursor_next(&cursor->mc_xcursor->mx_cursor, data, NULL, MDB_PREV);
-                       if (op != MDB_PREV || rc == MDB_SUCCESS)
-                               return rc;
+                       if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+                               rc = mdb_cursor_prev(&cursor->mc_xcursor->mx_cursor, data, NULL, MDB_PREV);
+                               if (op != MDB_PREV || rc == MDB_SUCCESS)
+                                       return rc;
+                       } else {
+                               cursor->mc_xcursor->mx_cursor.mc_initialized = 0;
+                               if (op == MDB_PREV_DUP)
+                                       return MDB_NOTFOUND;
+                       }
                }
        }
 
-       top = CURSOR_TOP(cursor);
-       mp = top->mp_page;
-
        DPRINTF("cursor_prev: top page is %lu in cursor %p", mp->mp_pgno, (void *) cursor);
 
        if (top->mp_ki == 0)  {
-               DPRINTF("=====> move to prev sibling page");
+               DPUTS("=====> move to prev sibling page");
                if (mdb_sibling(cursor, 0) != MDB_SUCCESS) {
+                       cursor->mc_initialized = 0;
                        return MDB_NOTFOUND;
                }
                top = CURSOR_TOP(cursor);
@@ -1840,22 +2462,31 @@ mdb_cursor_prev(MDB_cursor *cursor, MDB_val *key, MDB_val *data, MDB_cursor_op o
        DPRINTF("==> cursor points to page %lu with %u keys, key index %u",
            mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
 
+       if (IS_LEAF2(mp)) {
+               key->mv_size = cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_pad;
+               key->mv_data = LEAF2KEY(mp, top->mp_ki, key->mv_size);
+               return MDB_SUCCESS;
+       }
+
        assert(IS_LEAF(mp));
        leaf = NODEPTR(mp, top->mp_ki);
 
+       if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+               mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, mp, leaf);
+       }
        if (data) {
                if ((rc = mdb_read_data(cursor->mc_txn, leaf, data) != MDB_SUCCESS))
                        return rc;
 
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, NODEDATA(leaf));
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
                        rc = mdb_cursor_last(&cursor->mc_xcursor->mx_cursor, data, NULL);
                        if (rc != MDB_SUCCESS)
                                return rc;
                }
        }
 
-       return mdb_set_key(leaf, key);
+       MDB_SET_KEY(leaf, key);
+       return MDB_SUCCESS;
 }
 
 static int
@@ -1866,20 +2497,44 @@ mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
        MDB_node        *leaf;
        MDB_ppage       *top;
        MDB_pageparent mpp;
+       DKBUF;
 
        assert(cursor);
        assert(key);
        assert(key->mv_size > 0);
 
-       while (CURSOR_TOP(cursor) != NULL)
-               cursor_pop_page(cursor);
+       /* See if we're already on the right page */
+       if (cursor->mc_initialized) {
+               MDB_val nodekey;
+               top = CURSOR_TOP(cursor);
+               /* Don't try this for LEAF2 pages. Maybe support that later. */
+               if ((top->mp_page->mp_flags & (P_LEAF|P_LEAF2)) == P_LEAF) {
+                       leaf = NODEPTR(top->mp_page, 0);
+                       MDB_SET_KEY(leaf, &nodekey);
+                       rc = mdb_cmp(cursor->mc_txn, cursor->mc_dbi, key, &nodekey);
+                       if (rc >= 0) {
+                               leaf = NODEPTR(top->mp_page, NUMKEYS(top->mp_page)-1);
+                               MDB_SET_KEY(leaf, &nodekey);
+                               rc = mdb_cmp(cursor->mc_txn, cursor->mc_dbi, key, &nodekey);
+                               if (rc <= 0) {
+                                       /* we're already on the right page */
+                                       mpp.mp_page = top->mp_page;
+                                       rc = 0;
+                                       goto set2;
+                               }
+                       }
+               }
+       }
+       cursor->mc_snum = 0;
 
        rc = mdb_search_page(cursor->mc_txn, cursor->mc_dbi, key, cursor, 0, &mpp);
        if (rc != MDB_SUCCESS)
                return rc;
+
        assert(IS_LEAF(mpp.mp_page));
 
        top = CURSOR_TOP(cursor);
+set2:
        leaf = mdb_search_node(cursor->mc_txn, cursor->mc_dbi, mpp.mp_page, key, exactp, &top->mp_ki);
        if (exactp != NULL && !*exactp) {
                /* MDB_SET specified and not an exact match. */
@@ -1887,7 +2542,7 @@ mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
        }
 
        if (leaf == NULL) {
-               DPRINTF("===> inexact leaf not found, goto sibling");
+               DPUTS("===> inexact leaf not found, goto sibling");
                if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
                        return rc;              /* no entries matched */
                top = CURSOR_TOP(cursor);
@@ -1900,37 +2555,50 @@ mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
        cursor->mc_initialized = 1;
        cursor->mc_eof = 0;
 
-       if (data) {
-               if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
-                       return rc;
+       if (IS_LEAF2(mpp.mp_page)) {
+               key->mv_size = cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_pad;
+               key->mv_data = LEAF2KEY(mpp.mp_page, top->mp_ki, key->mv_size);
+               return MDB_SUCCESS;
+       }
 
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, NODEDATA(leaf));
+       if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+               mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, mpp.mp_page, leaf);
+       }
+       if (data) {
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
                        if (op == MDB_SET || op == MDB_SET_RANGE) {
                                rc = mdb_cursor_first(&cursor->mc_xcursor->mx_cursor, data, NULL);
                        } else {
                                int ex2, *ex2p;
-                               MDB_cursor_op op2;
                                if (op == MDB_GET_BOTH) {
                                        ex2p = &ex2;
-                                       op2 = MDB_SET;
                                } else {
                                        ex2p = NULL;
-                                       op2 = MDB_SET_RANGE;
                                }
-                               rc = mdb_cursor_set(&cursor->mc_xcursor->mx_cursor, data, NULL, op2, ex2p);
+                               rc = mdb_cursor_set(&cursor->mc_xcursor->mx_cursor, data, NULL, MDB_SET_RANGE, ex2p);
                                if (rc != MDB_SUCCESS)
                                        return rc;
                        }
+               } else if (op == MDB_GET_BOTH || op == MDB_GET_BOTH_RANGE) {
+                       MDB_val d2;
+                       if ((rc = mdb_read_data(cursor->mc_txn, leaf, &d2)) != MDB_SUCCESS)
+                               return rc;
+                       rc = mdb_dcmp(cursor->mc_txn, cursor->mc_dbi, data, &d2);
+                       if (rc) {
+                               if (op == MDB_GET_BOTH || rc > 0)
+                                       return MDB_NOTFOUND;
+                       }
+
+               } else {
+                       if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
+                               return rc;
                }
        }
 
-       rc = mdb_set_key(leaf, key);
-       if (rc == MDB_SUCCESS) {
-               DPRINTF("==> cursor placed on key %.*s",
-                       (int)key->mv_size, (char *)key->mv_data);
-               ;
-       }
+       /* The key already matches in all other cases */
+       if (op == MDB_SET_RANGE)
+               MDB_SET_KEY(leaf, key);
+       DPRINTF("==> cursor placed on key [%s]", DKEY(key));
 
        return rc;
 }
@@ -1942,8 +2610,7 @@ mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
        MDB_pageparent  mpp;
        MDB_node        *leaf;
 
-       while (CURSOR_TOP(cursor) != NULL)
-               cursor_pop_page(cursor);
+       cursor->mc_snum = 0;
 
        rc = mdb_search_page(cursor->mc_txn, cursor->mc_dbi, NULL, cursor, 0, &mpp);
        if (rc != MDB_SUCCESS)
@@ -1954,18 +2621,27 @@ mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
        cursor->mc_initialized = 1;
        cursor->mc_eof = 0;
 
-       if (data) {
-               if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
-                       return rc;
+       if (IS_LEAF2(mpp.mp_page)) {
+               key->mv_size = cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_pad;
+               key->mv_data = LEAF2KEY(mpp.mp_page, 0, key->mv_size);
+               return MDB_SUCCESS;
+       }
 
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, NODEDATA(leaf));
+       if (data) {
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, mpp.mp_page, leaf);
                        rc = mdb_cursor_first(&cursor->mc_xcursor->mx_cursor, data, NULL);
                        if (rc)
                                return rc;
+               } else {
+                       if (cursor->mc_xcursor)
+                               cursor->mc_xcursor->mx_cursor.mc_initialized = 0;
+                       if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
+                               return rc;
                }
        }
-       return mdb_set_key(leaf, key);
+       MDB_SET_KEY(leaf, key);
+       return MDB_SUCCESS;
 }
 
 static int
@@ -1977,8 +2653,7 @@ mdb_cursor_last(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
        MDB_node        *leaf;
        MDB_val lkey;
 
-       while (CURSOR_TOP(cursor) != NULL)
-               cursor_pop_page(cursor);
+       cursor->mc_snum = 0;
 
        lkey.mv_size = MAXKEYSIZE+1;
        lkey.mv_data = NULL;
@@ -1995,19 +2670,26 @@ mdb_cursor_last(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
        top = CURSOR_TOP(cursor);
        top->mp_ki = NUMKEYS(top->mp_page) - 1;
 
-       if (data) {
-               if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
-                       return rc;
+       if (IS_LEAF2(mpp.mp_page)) {
+               key->mv_size = cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_pad;
+               key->mv_data = LEAF2KEY(mpp.mp_page, top->mp_ki, key->mv_size);
+               return MDB_SUCCESS;
+       }
 
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, NODEDATA(leaf));
+       if (data) {
+               if (F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+                       mdb_xcursor_init1(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor, mpp.mp_page, leaf);
                        rc = mdb_cursor_last(&cursor->mc_xcursor->mx_cursor, data, NULL);
                        if (rc)
                                return rc;
+               } else {
+                       if ((rc = mdb_read_data(cursor->mc_txn, leaf, data)) != MDB_SUCCESS)
+                               return rc;
                }
        }
 
-       return mdb_set_key(leaf, key);
+       MDB_SET_KEY(leaf, key);
+       return MDB_SUCCESS;
 }
 
 int
@@ -2022,7 +2704,7 @@ mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
        switch (op) {
        case MDB_GET_BOTH:
        case MDB_GET_BOTH_RANGE:
-               if (data == NULL) {
+               if (data == NULL || cursor->mc_xcursor == NULL) {
                        rc = EINVAL;
                        break;
                }
@@ -2031,11 +2713,46 @@ mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
        case MDB_SET_RANGE:
                if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
                        rc = EINVAL;
-               } else if (op != MDB_SET_RANGE)
+               } else if (op == MDB_SET_RANGE)
                        rc = mdb_cursor_set(cursor, key, data, op, NULL);
                else
                        rc = mdb_cursor_set(cursor, key, data, op, &exact);
                break;
+       case MDB_GET_MULTIPLE:
+               if (data == NULL ||
+                       !(cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPFIXED) ||
+                       !cursor->mc_initialized) {
+                       rc = EINVAL;
+                       break;
+               }
+               rc = MDB_SUCCESS;
+               if (!cursor->mc_xcursor->mx_cursor.mc_initialized || cursor->mc_xcursor->mx_cursor.mc_eof)
+                       break;
+               goto fetchm;
+       case MDB_NEXT_MULTIPLE:
+               if (data == NULL ||
+                       !(cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPFIXED)) {
+                       rc = EINVAL;
+                       break;
+               }
+               if (!cursor->mc_initialized)
+                       rc = mdb_cursor_first(cursor, key, data);
+               else
+                       rc = mdb_cursor_next(cursor, key, data, MDB_NEXT_DUP);
+               if (rc == MDB_SUCCESS) {
+                       if (cursor->mc_xcursor->mx_cursor.mc_initialized) {
+                               MDB_ppage       *top;
+fetchm:
+                               top = CURSOR_TOP(&cursor->mc_xcursor->mx_cursor);
+                               data->mv_size = NUMKEYS(top->mp_page) *
+                                       cursor->mc_xcursor->mx_txn.mt_dbs[cursor->mc_xcursor->mx_cursor.mc_dbi].md_pad;
+                               data->mv_data = METADATA(top->mp_page);
+                               top->mp_ki = NUMKEYS(top->mp_page)-1;
+                       } else {
+                               rc = MDB_NOTFOUND;
+                       }
+               }
+               break;
        case MDB_NEXT:
        case MDB_NEXT_DUP:
        case MDB_NEXT_NODUP:
@@ -2074,7 +2791,7 @@ mdb_new_page(MDB_txn *txn, MDB_dbi dbi, uint32_t flags, int num)
 {
        MDB_dpage       *dp;
 
-       if ((dp = mdb_alloc_page(txn, NULL, 0, num)) == NULL)
+       if ((dp = mdb_alloc_page(txn, dbi, NULL, 0, num)) == NULL)
                return NULL;
        DPRINTF("allocated new mpage %lu, page size %u",
            dp->p.mp_pgno, txn->mt_env->me_psize);
@@ -2132,13 +2849,30 @@ mdb_add_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, indx_t indx,
        indx_t           ofs;
        MDB_node        *node;
        MDB_dpage       *ofp = NULL;            /* overflow page */
+       DKBUF;
 
        assert(mp->mp_upper >= mp->mp_lower);
 
-       DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
-           key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
+       DPRINTF("add to %s page %lu index %i, data size %zu key size %zu [%s]",
            IS_LEAF(mp) ? "leaf" : "branch",
-           mp->mp_pgno, indx, key ? key->mv_size : 0);
+           mp->mp_pgno, indx, data ? data->mv_size : 0,
+               key ? key->mv_size : 0, key ? DKEY(key) : NULL);
+
+       if (IS_LEAF2(mp)) {
+               /* Move higher keys up one slot. */
+               int ksize = txn->mt_dbs[dbi].md_pad, dif;
+               char *ptr = LEAF2KEY(mp, indx, ksize);
+               dif = NUMKEYS(mp) - indx;
+               if (dif > 0)
+                       memmove(ptr+ksize, ptr, dif*ksize);
+               /* insert new key */
+               memcpy(ptr, key->mv_data, ksize);
+
+               /* Just using these for counting */
+               mp->mp_lower += sizeof(indx_t);
+               mp->mp_upper -= ksize - sizeof(indx_t);
+               return MDB_SUCCESS;
+       }
 
        if (key != NULL)
                node_size += key->mv_size;
@@ -2155,7 +2889,7 @@ mdb_add_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, indx_t indx,
                            data->mv_size);
                        node_size += sizeof(pgno_t);
                        if ((ofp = mdb_new_page(txn, dbi, P_OVERFLOW, ovpages)) == NULL)
-                               return MDB_FAIL;
+                               return ENOMEM;
                        DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
                        flags |= F_BIGDATA;
                } else {
@@ -2190,7 +2924,7 @@ mdb_add_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, indx_t indx,
        if (IS_LEAF(mp))
                node->mn_dsize = data->mv_size;
        else
-               node->mn_pgno = pgno;
+               NODEPGNO(node) = pgno;
 
        if (key)
                memcpy(NODEKEY(node), key->mv_data, key->mv_size);
@@ -2215,7 +2949,7 @@ mdb_add_node(MDB_txn *txn, MDB_dbi dbi, MDB_page *mp, indx_t indx,
 }
 
 static void
-mdb_del_node(MDB_page *mp, indx_t indx)
+mdb_del_node(MDB_page *mp, indx_t indx, int ksize)
 {
        unsigned int     sz;
        indx_t           i, j, numkeys, ptr;
@@ -2226,6 +2960,16 @@ mdb_del_node(MDB_page *mp, indx_t indx)
            IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
        assert(indx < NUMKEYS(mp));
 
+       if (IS_LEAF2(mp)) {
+               int x = NUMKEYS(mp) - 1 - indx;
+               base = LEAF2KEY(mp, indx, ksize);
+               if (x)
+                       memmove(base, base + ksize, x * ksize);
+               mp->mp_lower -= sizeof(indx_t);
+               mp->mp_upper += ksize - sizeof(indx_t);
+               return;
+       }
+
        node = NODEPTR(mp, indx);
        sz = NODESIZE + node->mn_ksize;
        if (IS_LEAF(mp)) {
@@ -2275,34 +3019,48 @@ mdb_xcursor_init0(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx)
        mx->mx_dbxs[dbn+1].md_dirty = 0;
        mx->mx_txn.mt_numdbs = dbn+2;
 
-       SLIST_INIT(&mx->mx_cursor.mc_stack);
+       mx->mx_cursor.mc_snum = 0;
        mx->mx_cursor.mc_txn = &mx->mx_txn;
        mx->mx_cursor.mc_dbi = dbn+1;
 }
 
 static void
-mdb_xcursor_init1(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx, MDB_db *db)
+mdb_xcursor_init1(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx, MDB_page *mp, MDB_node *node)
 {
+       MDB_db *db = NODEDATA(node);
+       MDB_dbi dbn;
        mx->mx_dbs[0] = txn->mt_dbs[0];
        mx->mx_dbs[1] = txn->mt_dbs[1];
        if (dbi > 1) {
                mx->mx_dbs[2] = txn->mt_dbs[dbi];
-               mx->mx_dbs[3] = *db;
+               dbn = 3;
        } else {
-               mx->mx_dbs[2] = *db;
+               dbn = 2;
        }
+       DPRINTF("Sub-db %u for db %u root page %lu", dbn, dbi, db->md_root);
+       mx->mx_dbs[dbn] = *db;
+       if (F_ISSET(mp->mp_flags, P_DIRTY))
+               mx->mx_dbxs[dbn].md_dirty = 1;
+       mx->mx_dbxs[dbn].md_name.mv_data = NODEKEY(node);
+       mx->mx_dbxs[dbn].md_name.mv_size = node->mn_ksize;
+       mx->mx_txn.mt_next_pgno = txn->mt_next_pgno;
+       mx->mx_txn.mt_u = txn->mt_u;
+       mx->mx_cursor.mc_initialized = 0;
+       mx->mx_cursor.mc_eof = 0;
 }
 
 static void
 mdb_xcursor_fini(MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx)
 {
+       txn->mt_next_pgno = mx->mx_txn.mt_next_pgno;
+       txn->mt_u = mx->mx_txn.mt_u;
        txn->mt_dbs[0] = mx->mx_dbs[0];
        txn->mt_dbs[1] = mx->mx_dbs[1];
        txn->mt_dbxs[0].md_dirty = mx->mx_dbxs[0].md_dirty;
        txn->mt_dbxs[1].md_dirty = mx->mx_dbxs[1].md_dirty;
        if (dbi > 1) {
                txn->mt_dbs[dbi] = mx->mx_dbs[2];
-               txn->mt_dbxs[2].md_dirty = mx->mx_dbxs[2].md_dirty;
+               txn->mt_dbxs[dbi].md_dirty = mx->mx_dbxs[2].md_dirty;
        }
 }
 
@@ -2319,7 +3077,6 @@ mdb_cursor_open(MDB_txn *txn, MDB_dbi dbi, MDB_cursor **ret)
                size += sizeof(MDB_xcursor);
 
        if ((cursor = calloc(1, size)) != NULL) {
-               SLIST_INIT(&cursor->mc_stack);
                cursor->mc_dbi = dbi;
                cursor->mc_txn = txn;
                if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
@@ -2336,18 +3093,36 @@ mdb_cursor_open(MDB_txn *txn, MDB_dbi dbi, MDB_cursor **ret)
        return MDB_SUCCESS;
 }
 
+/* Return the count of duplicate data items for the current key */
+int
+mdb_cursor_count(MDB_cursor *mc, unsigned long *countp)
+{
+       MDB_ppage       *top;
+       MDB_node        *leaf;
+
+       if (mc == NULL || countp == NULL)
+               return EINVAL;
+
+       if (!(mc->mc_txn->mt_dbs[mc->mc_dbi].md_flags & MDB_DUPSORT))
+               return EINVAL;
+
+       top = CURSOR_TOP(mc);
+       leaf = NODEPTR(top->mp_page, top->mp_ki);
+       if (!F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+               *countp = 1;
+       } else {
+               if (!mc->mc_xcursor->mx_cursor.mc_initialized)
+                       return EINVAL;
+
+               *countp = mc->mc_xcursor->mx_txn.mt_dbs[mc->mc_xcursor->mx_cursor.mc_dbi].md_entries;
+       }
+       return MDB_SUCCESS;
+}
+
 void
 mdb_cursor_close(MDB_cursor *cursor)
 {
        if (cursor != NULL) {
-               while(!CURSOR_EMPTY(cursor))
-                       cursor_pop_page(cursor);
-               if (cursor->mc_txn->mt_dbs[cursor->mc_dbi].md_flags & MDB_DUPSORT) {
-                       mdb_xcursor_fini(cursor->mc_txn, cursor->mc_dbi, cursor->mc_xcursor);
-                       while(!CURSOR_EMPTY(&cursor->mc_xcursor->mx_cursor))
-                               cursor_pop_page(&cursor->mc_xcursor->mx_cursor);
-               }
-
                free(cursor);
        }
 }
@@ -2360,13 +3135,14 @@ mdb_update_key(MDB_page *mp, indx_t indx, MDB_val *key)
        size_t                   len;
        MDB_node                *node;
        char                    *base;
+       DKBUF;
 
        node = NODEPTR(mp, indx);
        ptr = mp->mp_ptrs[indx];
-       DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
+       DPRINTF("update key %u (ofs %u) [%.*s] to [%s] on page %lu",
            indx, ptr,
            (int)node->mn_ksize, (char *)NODEKEY(node),
-           (int)key->mv_size, (char *)key->mv_data,
+               DKEY(key),
            mp->mp_pgno);
 
        delta = key->mv_size - node->mn_ksize;
@@ -2405,26 +3181,35 @@ mdb_move_node(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *src, indx_t srcindx,
        int                      rc;
        MDB_node                *srcnode;
        MDB_val          key, data;
+       DKBUF;
 
-       srcnode = NODEPTR(src->mp_page, srcindx);
-       DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
+       /* Mark src and dst as dirty. */
+       if ((rc = mdb_touch(txn, dbi, src)) ||
+           (rc = mdb_touch(txn, dbi, dst)))
+               return rc;;
+
+       if (IS_LEAF2(src->mp_page)) {
+               srcnode = NODEPTR(src->mp_page, 0);     /* fake */
+               key.mv_size = txn->mt_dbs[dbi].md_pad;
+               key.mv_data = LEAF2KEY(src->mp_page, srcindx, key.mv_size);
+               data.mv_size = 0;
+               data.mv_data = NULL;
+       } else {
+               srcnode = NODEPTR(src->mp_page, srcindx);
+               key.mv_size = NODEKSZ(srcnode);
+               key.mv_data = NODEKEY(srcnode);
+               data.mv_size = NODEDSZ(srcnode);
+               data.mv_data = NODEDATA(srcnode);
+       }
+       DPRINTF("moving %s node %u [%s] on page %lu to node %u on page %lu",
            IS_LEAF(src->mp_page) ? "leaf" : "branch",
            srcindx,
-           (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
+               DKEY(&key),
            src->mp_page->mp_pgno,
            dstindx, dst->mp_page->mp_pgno);
 
-       /* Mark src and dst as dirty. */
-       if ((rc = mdb_touch(txn, src)) ||
-           (rc = mdb_touch(txn, dst)))
-               return rc;;
-
        /* Add the node to the destination page.
         */
-       key.mv_size = srcnode->mn_ksize;
-       key.mv_data = NODEKEY(srcnode);
-       data.mv_size = NODEDSZ(srcnode);
-       data.mv_data = NODEDATA(srcnode);
        rc = mdb_add_node(txn, dbi, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
            srcnode->mn_flags);
        if (rc != MDB_SUCCESS)
@@ -2432,36 +3217,45 @@ mdb_move_node(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *src, indx_t srcindx,
 
        /* Delete the node from the source page.
         */
-       mdb_del_node(src->mp_page, srcindx);
+       mdb_del_node(src->mp_page, srcindx, key.mv_size);
 
-       /* Update the parent separators.
+       /* The key value just changed due to del_node, find it again.
         */
-       if (srcindx == 0 && src->mp_pi != 0) {
-               DPRINTF("update separator for source page %lu to [%.*s]",
-                   src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
-               if ((rc = mdb_update_key(src->mp_parent, src->mp_pi,
-                   &key)) != MDB_SUCCESS)
-                       return rc;
-       }
-
-       if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
-               MDB_val  nullkey;
-               nullkey.mv_size = 0;
-               assert(mdb_update_key(src->mp_page, 0, &nullkey) == MDB_SUCCESS);
+       if (!IS_LEAF2(src->mp_page)) {
+               srcnode = NODEPTR(src->mp_page, srcindx);
+               key.mv_data = NODEKEY(srcnode);
        }
 
-       if (dstindx == 0 && dst->mp_pi != 0) {
-               DPRINTF("update separator for destination page %lu to [%.*s]",
-                   dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
-               if ((rc = mdb_update_key(dst->mp_parent, dst->mp_pi,
-                   &key)) != MDB_SUCCESS)
-                       return rc;
+       /* Update the parent separators.
+        */
+       if (srcindx == 0) {
+               if (src->mp_pi != 0) {
+                       DPRINTF("update separator for source page %lu to [%s]",
+                               src->mp_page->mp_pgno, DKEY(&key));
+                       if ((rc = mdb_update_key(src->mp_parent, src->mp_pi,
+                               &key)) != MDB_SUCCESS)
+                               return rc;
+               }
+               if (IS_BRANCH(src->mp_page)) {
+                       MDB_val  nullkey;
+                       nullkey.mv_size = 0;
+                       assert(mdb_update_key(src->mp_page, 0, &nullkey) == MDB_SUCCESS);
+               }
        }
 
-       if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
-               MDB_val  nullkey;
-               nullkey.mv_size = 0;
-               assert(mdb_update_key(dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
+       if (dstindx == 0) {
+               if (dst->mp_pi != 0) {
+                       DPRINTF("update separator for destination page %lu to [%s]",
+                               dst->mp_page->mp_pgno, DKEY(&key));
+                       if ((rc = mdb_update_key(dst->mp_parent, dst->mp_pi,
+                               &key)) != MDB_SUCCESS)
+                               return rc;
+               }
+               if (IS_BRANCH(dst->mp_page)) {
+                       MDB_val  nullkey;
+                       nullkey.mv_size = 0;
+                       assert(mdb_update_key(dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
+               }
        }
 
        return MDB_SUCCESS;
@@ -2484,23 +3278,35 @@ mdb_merge(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *src, MDB_pageparent *dst)
        assert(dst->mp_parent);
 
        /* Mark src and dst as dirty. */
-       if ((rc = mdb_touch(txn, src)) ||
-           (rc = mdb_touch(txn, dst)))
+       if ((rc = mdb_touch(txn, dbi, src)) ||
+           (rc = mdb_touch(txn, dbi, dst)))
                return rc;
 
        /* Move all nodes from src to dst.
         */
-       for (i = 0; i < NUMKEYS(src->mp_page); i++) {
-               srcnode = NODEPTR(src->mp_page, i);
-
-               key.mv_size = srcnode->mn_ksize;
-               key.mv_data = NODEKEY(srcnode);
-               data.mv_size = NODEDSZ(srcnode);
-               data.mv_data = NODEDATA(srcnode);
-               rc = mdb_add_node(txn, dbi, dst->mp_page, NUMKEYS(dst->mp_page), &key,
-                   &data, NODEPGNO(srcnode), srcnode->mn_flags);
-               if (rc != MDB_SUCCESS)
-                       return rc;
+       if (IS_LEAF2(src->mp_page)) {
+               key.mv_size = txn->mt_dbs[dbi].md_pad;
+               key.mv_data = METADATA(src->mp_page);
+               for (i = 0; i < NUMKEYS(src->mp_page); i++) {
+                       rc = mdb_add_node(txn, dbi, dst->mp_page, NUMKEYS(dst->mp_page), &key,
+                               NULL, 0, 0);
+                       if (rc != MDB_SUCCESS)
+                               return rc;
+                       key.mv_data = (char *)key.mv_data + key.mv_size;
+               }
+       } else {
+               for (i = 0; i < NUMKEYS(src->mp_page); i++) {
+                       srcnode = NODEPTR(src->mp_page, i);
+
+                       key.mv_size = srcnode->mn_ksize;
+                       key.mv_data = NODEKEY(srcnode);
+                       data.mv_size = NODEDSZ(srcnode);
+                       data.mv_data = NODEDATA(srcnode);
+                       rc = mdb_add_node(txn, dbi, dst->mp_page, NUMKEYS(dst->mp_page), &key,
+                               &data, NODEPGNO(srcnode), srcnode->mn_flags);
+                       if (rc != MDB_SUCCESS)
+                               return rc;
+               }
        }
 
        DPRINTF("dst page %lu now has %u keys (%.1f%% filled)",
@@ -2508,7 +3314,7 @@ mdb_merge(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *src, MDB_pageparent *dst)
 
        /* Unlink the src page from parent.
         */
-       mdb_del_node(src->mp_parent, src->mp_pi);
+       mdb_del_node(src->mp_parent, src->mp_pi, 0);
        if (src->mp_pi == 0) {
                key.mv_size = 0;
                if ((rc = mdb_update_key(src->mp_parent, 0, &key)) != MDB_SUCCESS)
@@ -2538,6 +3344,7 @@ mdb_rebalance(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *mpp)
        MDB_page        *root;
        MDB_pageparent npp;
        indx_t           si = 0, di = 0;
+       int rc;
 
        assert(txn != NULL);
        assert(mpp != NULL);
@@ -2554,19 +3361,19 @@ mdb_rebalance(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *mpp)
 
        if (mpp->mp_parent == NULL) {
                if (NUMKEYS(mpp->mp_page) == 0) {
-                       DPRINTF("tree is completely empty");
+                       DPUTS("tree is completely empty");
                        txn->mt_dbs[dbi].md_root = P_INVALID;
-                       txn->mt_dbs[dbi].md_depth--;
-                       txn->mt_dbs[dbi].md_leaf_pages--;
+                       txn->mt_dbs[dbi].md_depth = 0;
+                       txn->mt_dbs[dbi].md_leaf_pages = 0;
                } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
-                       DPRINTF("collapsing root page!");
+                       DPUTS("collapsing root page!");
                        txn->mt_dbs[dbi].md_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
-                       if ((root = mdb_get_page(txn, txn->mt_dbs[dbi].md_root)) == NULL)
-                               return MDB_FAIL;
+                       if ((rc = mdb_get_page(txn, txn->mt_dbs[dbi].md_root, &root)))
+                               return rc;
                        txn->mt_dbs[dbi].md_depth--;
                        txn->mt_dbs[dbi].md_branch_pages--;
                } else
-                       DPRINTF("root page doesn't need rebalancing");
+                       DPUTS("root page doesn't need rebalancing");
                return MDB_SUCCESS;
        }
 
@@ -2585,20 +3392,20 @@ mdb_rebalance(MDB_txn *txn, MDB_dbi dbi, MDB_pageparent *mpp)
        if (mpp->mp_pi == 0) {
                /* We're the leftmost leaf in our parent.
                 */
-               DPRINTF("reading right neighbor");
+               DPUTS("reading right neighbor");
                node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
-               if ((npp.mp_page = mdb_get_page(txn, NODEPGNO(node))) == NULL)
-                       return MDB_FAIL;
+               if ((rc = mdb_get_page(txn, NODEPGNO(node), &npp.mp_page)))
+                       return rc;
                npp.mp_pi = mpp->mp_pi + 1;
                si = 0;
                di = NUMKEYS(mpp->mp_page);
        } else {
                /* There is at least one neighbor to the left.
                 */
-               DPRINTF("reading left neighbor");
+               DPUTS("reading left neighbor");
                node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
-               if ((npp.mp_page = mdb_get_page(txn, NODEPGNO(node))) == NULL)
-                       return MDB_FAIL;
+               if ((rc = mdb_get_page(txn, NODEPGNO(node), &npp.mp_page)))
+                       return rc;
                npp.mp_pi = mpp->mp_pi - 1;
                si = NUMKEYS(npp.mp_page) - 1;
                di = 0;
@@ -2629,7 +3436,7 @@ mdb_del0(MDB_txn *txn, MDB_dbi dbi, unsigned int ki, MDB_pageparent *mpp, MDB_no
        int rc;
 
        /* add overflow pages to free list */
-       if (F_ISSET(leaf->mn_flags, F_BIGDATA)) {
+       if (!IS_LEAF2(mpp->mp_page) && F_ISSET(leaf->mn_flags, F_BIGDATA)) {
                int i, ovpages;
                pgno_t pg;
 
@@ -2637,11 +3444,11 @@ mdb_del0(MDB_txn *txn, MDB_dbi dbi, unsigned int ki, MDB_pageparent *mpp, MDB_no
                ovpages = OVPAGES(NODEDSZ(leaf), txn->mt_env->me_psize);
                for (i=0; i<ovpages; i++) {
                        DPRINTF("freed ov page %lu", pg);
-                       mdb_idl_insert(txn->mt_free_pgs, pg);
+                       mdb_midl_insert(txn->mt_free_pgs, pg);
                        pg++;
                }
        }
-       mdb_del_node(mpp->mp_page, ki);
+       mdb_del_node(mpp->mp_page, ki, txn->mt_dbs[dbi].md_pad);
        txn->mt_dbs[dbi].md_entries--;
        rc = mdb_rebalance(txn, dbi, mpp);
        if (rc != MDB_SUCCESS)
@@ -2652,23 +3459,23 @@ mdb_del0(MDB_txn *txn, MDB_dbi dbi, unsigned int ki, MDB_pageparent *mpp, MDB_no
 
 int
 mdb_del(MDB_txn *txn, MDB_dbi dbi,
-    MDB_val *key, MDB_val *data,
-       unsigned int flags)
+    MDB_val *key, MDB_val *data)
 {
        int              rc, exact;
        unsigned int     ki;
        MDB_node        *leaf;
        MDB_pageparent  mpp;
-
-       DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
+       DKBUF;
 
        assert(key != NULL);
 
-       if (txn == NULL || dbi >= txn->mt_numdbs)
+       DPRINTF("====> delete db %u key [%s]", dbi, DKEY(key));
+
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
                return EINVAL;
 
        if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
-               return EINVAL;
+               return EACCES;
        }
 
        if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
@@ -2685,24 +3492,23 @@ mdb_del(MDB_txn *txn, MDB_dbi dbi,
                return MDB_NOTFOUND;
        }
 
-       if (data && (rc = mdb_read_data(txn, leaf, data)) != MDB_SUCCESS)
-               return rc;
-
-       if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
+       if (!IS_LEAF2(mpp.mp_page) && F_ISSET(leaf->mn_flags, F_DUPDATA)) {
                MDB_xcursor mx;
                MDB_pageparent mp2;
 
                mdb_xcursor_init0(txn, dbi, &mx);
-               mdb_xcursor_init1(txn, dbi, &mx, NODEDATA(leaf));
-               if (flags == MDB_DEL_DUP) {
-                       rc = mdb_del(&mx.mx_txn, mx.mx_cursor.mc_dbi, data, NULL, 0);
-                       if (rc != MDB_SUCCESS)
-                               return rc;
+               mdb_xcursor_init1(txn, dbi, &mx, mpp.mp_page, leaf);
+               if (data) {
+                       rc = mdb_del(&mx.mx_txn, mx.mx_cursor.mc_dbi, data, NULL);
                        mdb_xcursor_fini(txn, dbi, &mx);
                        /* If sub-DB still has entries, we're done */
-                       if (mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi].md_root != P_INVALID)
+                       if (mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi].md_root != P_INVALID) {
+                               memcpy(NODEDATA(leaf), &mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi],
+                                       sizeof(MDB_db));
+                               txn->mt_dbs[dbi].md_entries--;
                                return rc;
-                       /* otherwise fall thru and delete the sub-db */
+                       }
+                       /* otherwise fall thru and delete the sub-DB */
                } else {
                        /* add all the child DB's pages to the free list */
                        rc = mdb_search_page(&mx.mx_txn, mx.mx_cursor.mc_dbi,
@@ -2713,28 +3519,25 @@ mdb_del(MDB_txn *txn, MDB_dbi dbi,
                                unsigned int i;
 
                                cursor_pop_page(&mx.mx_cursor);
-                               top = CURSOR_TOP(&mx.mx_cursor);
-                               if (top != NULL) {
-                                       parent = SLIST_NEXT(top, mp_entry);
-                                       while (parent != NULL) {
+                               if (mx.mx_cursor.mc_snum) {
+                                       top = CURSOR_TOP(&mx.mx_cursor);
+                                       while (mx.mx_cursor.mc_snum > 1) {
+                                               parent = CURSOR_PARENT(&mx.mx_cursor);
                                                for (i=0; i<NUMKEYS(top->mp_page); i++) {
                                                        ni = NODEPTR(top->mp_page, i);
-                                                       mdb_idl_insert(txn->mt_free_pgs, ni->mn_pgno);
+                                                       mdb_midl_insert(txn->mt_free_pgs, NODEPGNO(ni));
                                                }
-                                               if (parent) {
-                                                       parent->mp_ki++;
-                                                       if (parent->mp_ki >= NUMKEYS(parent->mp_page)) {
-                                                               cursor_pop_page(&mx.mx_cursor);
-                                                               top = CURSOR_TOP(&mx.mx_cursor);
-                                                               parent = SLIST_NEXT(top, mp_entry);
-                                                       } else {
-                                                               ni = NODEPTR(parent->mp_page, parent->mp_ki);
-                                                               top->mp_page = mdb_get_page(&mx.mx_txn, ni->mn_pgno);
-                                                       }
+                                               parent->mp_ki++;
+                                               if (parent->mp_ki >= NUMKEYS(parent->mp_page)) {
+                                                       cursor_pop_page(&mx.mx_cursor);
+                                                       top = parent;
+                                               } else {
+                                                       ni = NODEPTR(parent->mp_page, parent->mp_ki);
+                                                       rc = mdb_get_page(&mx.mx_txn, NODEPGNO(ni), &top->mp_page);
                                                }
                                        }
                                }
-                               mdb_idl_insert(txn->mt_free_pgs, mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi].md_root);
+                               mdb_midl_insert(txn->mt_free_pgs, mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi].md_root);
                        }
                }
        }
@@ -2755,12 +3558,13 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
        int              rc = MDB_SUCCESS, ins_new = 0;
        indx_t           newindx;
        pgno_t           pgno = 0;
-       unsigned int     i, j, split_indx;
+       unsigned int     i, j, split_indx, nkeys, pmax;
        MDB_node        *node;
        MDB_val  sepkey, rkey, rdata;
-       MDB_page        *copy;
+       MDB_page        *copy, *cptr;
        MDB_dpage       *mdp, *rdp, *pdp;
        MDB_dhead *dh;
+       DKBUF;
 
        assert(txn != NULL);
 
@@ -2768,13 +3572,13 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
        mdp = (MDB_dpage *)dh;
        newindx = *newindxp;
 
-       DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
+       DPRINTF("-----> splitting %s page %lu and adding [%s] at index %i",
            IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
-           (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
+           DKEY(newkey), *newindxp);
 
        if (mdp->h.md_parent == NULL) {
                if ((pdp = mdb_new_page(txn, dbi, P_BRANCH, 1)) == NULL)
-                       return MDB_FAIL;
+                       return ENOMEM;
                mdp->h.md_pi = 0;
                mdp->h.md_parent = &pdp->p;
                txn->mt_dbs[dbi].md_root = pdp->p.mp_pgno;
@@ -2782,29 +3586,106 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
                txn->mt_dbs[dbi].md_depth++;
 
                /* Add left (implicit) pointer. */
-               if (mdb_add_node(txn, dbi, &pdp->p, 0, NULL, NULL,
-                   mdp->p.mp_pgno, 0) != MDB_SUCCESS)
-                       return MDB_FAIL;
+               if ((rc = mdb_add_node(txn, dbi, &pdp->p, 0, NULL, NULL,
+                   mdp->p.mp_pgno, 0)) != MDB_SUCCESS)
+                       return rc;
        } else {
                DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
        }
 
        /* Create a right sibling. */
        if ((rdp = mdb_new_page(txn, dbi, mdp->p.mp_flags, 1)) == NULL)
-               return MDB_FAIL;
+               return ENOMEM;
        rdp->h.md_parent = mdp->h.md_parent;
        rdp->h.md_pi = mdp->h.md_pi + 1;
        DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
 
-       /* Move half of the keys to the right sibling. */
-       if ((copy = malloc(txn->mt_env->me_psize)) == NULL)
-               return MDB_FAIL;
-       memcpy(copy, &mdp->p, txn->mt_env->me_psize);
-       memset(&mdp->p.mp_ptrs, 0, txn->mt_env->me_psize - PAGEHDRSZ);
-       mdp->p.mp_lower = PAGEHDRSZ;
-       mdp->p.mp_upper = txn->mt_env->me_psize;
+       nkeys = NUMKEYS(&mdp->p);
+       split_indx = nkeys / 2 + 1;
+
+       if (IS_LEAF2(&rdp->p)) {
+               char *split, *ins;
+               int x;
+               unsigned int lsize, rsize, ksize;
+               /* Move half of the keys to the right sibling */
+               copy = NULL;
+               x = *newindxp - split_indx;
+               ksize = txn->mt_dbs[dbi].md_pad;
+               split = LEAF2KEY(&mdp->p, split_indx, ksize);
+               rsize = (nkeys - split_indx) * ksize;
+               lsize = (nkeys - split_indx) * sizeof(indx_t);
+               mdp->p.mp_lower -= lsize;
+               rdp->p.mp_lower += lsize;
+               mdp->p.mp_upper += rsize - lsize;
+               rdp->p.mp_upper -= rsize - lsize;
+               sepkey.mv_size = ksize;
+               if (newindx == split_indx) {
+                       sepkey.mv_data = newkey->mv_data;
+               } else {
+                       sepkey.mv_data = split;
+               }
+               if (x<0) {
+                       ins = LEAF2KEY(&mdp->p, *newindxp, ksize);
+                       memcpy(&rdp->p.mp_ptrs, split, rsize);
+                       sepkey.mv_data = &rdp->p.mp_ptrs;
+                       memmove(ins+ksize, ins, (split_indx - *newindxp) * ksize);
+                       memcpy(ins, newkey->mv_data, ksize);
+                       mdp->p.mp_lower += sizeof(indx_t);
+                       mdp->p.mp_upper -= ksize - sizeof(indx_t);
+               } else {
+                       if (x)
+                               memcpy(&rdp->p.mp_ptrs, split, x * ksize);
+                       ins = LEAF2KEY(&rdp->p, x, ksize);
+                       memcpy(ins, newkey->mv_data, ksize);
+                       memcpy(ins+ksize, split + x * ksize, rsize - x * ksize);
+                       rdp->p.mp_lower += sizeof(indx_t);
+                       rdp->p.mp_upper -= ksize - sizeof(indx_t);
+                       *newindxp = x;
+                       *mpp = &rdp->p;
+               }
+               goto newsep;
+       }
 
-       split_indx = NUMKEYS(copy) / 2 + 1;
+       /* For leaf pages, check the split point based on what
+        * fits where, since otherwise add_node can fail.
+        */
+       if (IS_LEAF(&mdp->p)) {
+               unsigned int psize, nsize;
+               /* Maximum free space in an empty page */
+               pmax = txn->mt_env->me_psize - PAGEHDRSZ;
+               nsize = mdb_leaf_size(txn->mt_env, newkey, newdata);
+               if (newindx <= split_indx) {
+split1:
+                       psize = nsize;
+                       for (i=0; i<split_indx; i++) {
+                               node = NODEPTR(&mdp->p, i);
+                               psize += NODESIZE + NODEKSZ(node);
+                               if (F_ISSET(node->mn_flags, F_BIGDATA))
+                                       psize += sizeof(pgno_t);
+                               else
+                                       psize += NODEDSZ(node);
+                               if (psize > pmax) {
+                                       split_indx--;
+                                       goto split1;
+                               }
+                       }
+               } else {
+split2:
+                       psize = nsize;
+                       for (i=split_indx; i<nkeys; i++) {
+                               node = NODEPTR(&mdp->p, i);
+                               psize += NODESIZE + NODEKSZ(node);
+                               if (F_ISSET(node->mn_flags, F_BIGDATA))
+                                       psize += sizeof(pgno_t);
+                               else
+                                       psize += NODEDSZ(node);
+                               if (psize > pmax) {
+                                       split_indx++;
+                                       goto split2;
+                               }
+                       }
+               }
+       }
 
        /* First find the separating key between the split pages.
         */
@@ -2813,12 +3694,13 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
                sepkey.mv_size = newkey->mv_size;
                sepkey.mv_data = newkey->mv_data;
        } else {
-               node = NODEPTR(copy, split_indx);
+               node = NODEPTR(&mdp->p, split_indx);
                sepkey.mv_size = node->mn_ksize;
                sepkey.mv_data = NODEKEY(node);
        }
 
-       DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
+newsep:
+       DPRINTF("separator is [%s]", DKEY(&sepkey));
 
        /* Copy separator key to the parent.
         */
@@ -2838,21 +3720,28 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
                rc = mdb_add_node(txn, dbi, rdp->h.md_parent, rdp->h.md_pi,
                    &sepkey, NULL, rdp->p.mp_pgno, 0);
        }
+       if (IS_LEAF2(&rdp->p)) {
+               return rc;
+       }
        if (rc != MDB_SUCCESS) {
-               free(copy);
-               return MDB_FAIL;
+               return rc;
        }
 
-       for (i = j = 0; i <= NUMKEYS(copy); j++) {
-               if (i < split_indx) {
-                       /* Re-insert in left sibling. */
-                       pdp = mdp;
-               } else {
-                       /* Insert in right sibling. */
-                       if (i == split_indx)
-                               /* Reset insert index for right sibling. */
-                               j = (i == newindx && ins_new);
-                       pdp = rdp;
+       /* Move half of the keys to the right sibling. */
+       if ((copy = malloc(txn->mt_env->me_psize)) == NULL)
+               return ENOMEM;
+
+       copy->mp_pgno  = mdp->p.mp_pgno;
+       copy->mp_flags = mdp->p.mp_flags;
+       copy->mp_lower = PAGEHDRSZ;
+       copy->mp_upper = txn->mt_env->me_psize;
+       cptr = copy;
+       for (i = j = 0; i <= nkeys; j++) {
+               if (i == split_indx) {
+               /* Insert in right sibling. */
+               /* Reset insert index for right sibling. */
+                       j = (i == newindx && ins_new);
+                       cptr = &rdp->p;
                }
 
                if (i == newindx && !ins_new) {
@@ -2870,18 +3759,19 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
 
                        /* Update page and index for the new key. */
                        *newindxp = j;
-                       *mpp = &pdp->p;
-               } else if (i == NUMKEYS(copy)) {
+                       if (cptr == &rdp->p)
+                               *mpp = cptr;
+               } else if (i == nkeys) {
                        break;
                } else {
-                       node = NODEPTR(copy, i);
+                       node = NODEPTR(&mdp->p, i);
                        rkey.mv_data = NODEKEY(node);
                        rkey.mv_size = node->mn_ksize;
                        if (IS_LEAF(&mdp->p)) {
                                rdata.mv_data = NODEDATA(node);
                                rdata.mv_size = node->mn_dsize;
                        } else
-                               pgno = node->mn_pgno;
+                               pgno = NODEPGNO(node);
                        flags = node->mn_flags;
 
                        i++;
@@ -2892,61 +3782,90 @@ mdb_split(MDB_txn *txn, MDB_dbi dbi, MDB_page **mpp, unsigned int *newindxp,
                        rkey.mv_size = 0;
                }
 
-               rc = mdb_add_node(txn, dbi, &pdp->p, j, &rkey, &rdata, pgno,flags);
+               rc = mdb_add_node(txn, dbi, cptr, j, &rkey, &rdata, pgno, flags);
        }
+       nkeys = NUMKEYS(copy);
+       for (i=0; i<nkeys; i++)
+               mdp->p.mp_ptrs[i] = copy->mp_ptrs[i];
+       mdp->p.mp_lower = copy->mp_lower;
+       mdp->p.mp_upper = copy->mp_upper;
+       memcpy(NODEPTR(&mdp->p, nkeys-1), NODEPTR(copy, nkeys-1),
+               txn->mt_env->me_psize - copy->mp_upper);
 
        free(copy);
        return rc;
 }
 
-int
-mdb_put(MDB_txn *txn, MDB_dbi dbi,
+static int
+mdb_put0(MDB_txn *txn, MDB_dbi dbi,
     MDB_val *key, MDB_val *data, unsigned int flags)
 {
        int              rc = MDB_SUCCESS, exact;
        unsigned int     ki;
        MDB_node        *leaf;
        MDB_pageparent  mpp;
-       MDB_val xdata, *rdata;
+       MDB_val xdata, *rdata, dkey;
        MDB_db dummy;
+       char dbuf[PAGESIZE];
+       int do_sub = 0;
+       size_t nsize;
+       DKBUF;
 
-       assert(key != NULL);
-       assert(data != NULL);
-
-       if (txn == NULL)
-               return EINVAL;
-
-       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
-               return EINVAL;
-       }
-
-       if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
-               return EINVAL;
-       }
-
-       DPRINTF("==> put key %.*s, size %zu, data size %zu",
-               (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
+       DPRINTF("==> put db %u key [%s], size %zu, data size %zu",
+               dbi, DKEY(key), key->mv_size, data->mv_size);
 
+       dkey.mv_size = 0;
        mpp.mp_parent = NULL;
        mpp.mp_pi = 0;
        rc = mdb_search_page(txn, dbi, key, NULL, 1, &mpp);
        if (rc == MDB_SUCCESS) {
                leaf = mdb_search_node(txn, dbi, mpp.mp_page, key, &exact, &ki);
                if (leaf && exact) {
-                       if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
-                               goto put_sub;
-                       }
                        if (flags == MDB_NOOVERWRITE) {
-                               DPRINTF("duplicate key %.*s",
-                                   (int)key->mv_size, (char *)key->mv_data);
+                               DPRINTF("duplicate key [%s]", DKEY(key));
                                return MDB_KEYEXIST;
                        }
+                       /* there's only a key anyway, so this is a no-op */
+                       if (IS_LEAF2(mpp.mp_page))
+                               return MDB_SUCCESS;
+
+                       if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
+                               /* Was a single item before, must convert now */
+                               if (!F_ISSET(leaf->mn_flags, F_DUPDATA)) {
+                                       dkey.mv_size = NODEDSZ(leaf);
+                                       dkey.mv_data = dbuf;
+                                       memcpy(dbuf, NODEDATA(leaf), dkey.mv_size);
+                                       /* data matches, ignore it */
+                                       if (!mdb_dcmp(txn, dbi, data, &dkey))
+                                               return (flags == MDB_NODUPDATA) ? MDB_KEYEXIST : MDB_SUCCESS;
+                                       memset(&dummy, 0, sizeof(dummy));
+                                       if (txn->mt_dbs[dbi].md_flags & MDB_DUPFIXED) {
+                                               dummy.md_pad = data->mv_size;
+                                               dummy.md_flags = MDB_DUPFIXED;
+                                               if (txn->mt_dbs[dbi].md_flags & MDB_INTEGERDUP)
+                                                       dummy.md_flags |= MDB_INTEGERKEY;
+                                       }
+                                       dummy.md_root = P_INVALID;
+                                       if (dkey.mv_size == sizeof(MDB_db)) {
+                                               memcpy(NODEDATA(leaf), &dummy, sizeof(dummy));
+                                               goto put_sub;
+                                       }
+                                       mdb_del_node(mpp.mp_page, ki, 0);
+                                       do_sub = 1;
+                                       rdata = &xdata;
+                                       xdata.mv_size = sizeof(MDB_db);
+                                       xdata.mv_data = &dummy;
+                                       goto new_sub;
+                               }
+                               goto put_sub;
+                       }
                        /* same size, just replace it */
-                       if (NODEDSZ(leaf) == data->mv_size) {
+                       if (!F_ISSET(leaf->mn_flags, F_BIGDATA) &&
+                               NODEDSZ(leaf) == data->mv_size) {
                                memcpy(NODEDATA(leaf), data->mv_data, data->mv_size);
                                goto done;
                        }
-                       mdb_del_node(mpp.mp_page, ki);
+                       mdb_del_node(mpp.mp_page, ki, 0);
                }
                if (leaf == NULL) {             /* append if not found */
                        ki = NUMKEYS(mpp.mp_page);
@@ -2955,13 +3874,16 @@ mdb_put(MDB_txn *txn, MDB_dbi dbi,
        } else if (rc == MDB_NOTFOUND) {
                MDB_dpage *dp;
                /* new file, just write a root leaf page */
-               DPRINTF("allocating new root leaf page");
+               DPUTS("allocating new root leaf page");
                if ((dp = mdb_new_page(txn, dbi, P_LEAF, 1)) == NULL) {
                        return ENOMEM;
                }
                mpp.mp_page = &dp->p;
                txn->mt_dbs[dbi].md_root = mpp.mp_page->mp_pgno;
                txn->mt_dbs[dbi].md_depth++;
+               txn->mt_dbxs[dbi].md_dirty = 1;
+               if ((txn->mt_dbs[dbi].md_flags & (MDB_DUPSORT|MDB_DUPFIXED)) == MDB_DUPFIXED)
+                       mpp.mp_page->mp_flags |= P_LEAF2;
                ki = 0;
        }
        else
@@ -2971,50 +3893,54 @@ mdb_put(MDB_txn *txn, MDB_dbi dbi,
        DPRINTF("there are %u keys, should insert new key at index %i",
                NUMKEYS(mpp.mp_page), ki);
 
-       /* For sorted dups, the data item at this level is a DB record
-        * for a child DB; the actual data elements are stored as keys
-        * in the child DB.
-        */
-       if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
-               rdata = &xdata;
-               xdata.mv_size = sizeof(MDB_db);
-               xdata.mv_data = &dummy;
-               memset(&dummy, 0, sizeof(dummy));
-               dummy.md_root = P_INVALID;
-       } else {
-               rdata = data;
-       }
+       rdata = data;
 
-       if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(txn->mt_env, key, data)) {
-               rc = mdb_split(txn, dbi, &mpp.mp_page, &ki, key, data, P_INVALID);
+new_sub:
+       nsize = IS_LEAF2(mpp.mp_page) ? key->mv_size : mdb_leaf_size(txn->mt_env, key, rdata);
+       if (SIZELEFT(mpp.mp_page) < nsize) {
+               rc = mdb_split(txn, dbi, &mpp.mp_page, &ki, key, rdata, P_INVALID);
        } else {
                /* There is room already in this leaf page. */
-               rc = mdb_add_node(txn, dbi, mpp.mp_page, ki, key, data, 0, 0);
+               rc = mdb_add_node(txn, dbi, mpp.mp_page, ki, key, rdata, 0, 0);
        }
 
        if (rc != MDB_SUCCESS)
                txn->mt_flags |= MDB_TXN_ERROR;
        else {
-               txn->mt_dbs[dbi].md_entries++;
+               /* Remember if we just added a subdatabase */
+               if (flags & F_SUBDATA) {
+                       leaf = NODEPTR(mpp.mp_page, ki);
+                       leaf->mn_flags |= F_SUBDATA;
+               }
+
                /* Now store the actual data in the child DB. Note that we're
                 * storing the user data in the keys field, so there are strict
                 * size limits on dupdata. The actual data fields of the child
                 * DB are all zero size.
                 */
-               if (F_ISSET(txn->mt_dbs[dbi].md_flags, MDB_DUPSORT)) {
+               if (do_sub) {
                        MDB_xcursor mx;
 
                        leaf = NODEPTR(mpp.mp_page, ki);
 put_sub:
                        mdb_xcursor_init0(txn, dbi, &mx);
-                       mdb_xcursor_init1(txn, dbi, &mx, NODEDATA(leaf));
+                       mdb_xcursor_init1(txn, dbi, &mx, mpp.mp_page, leaf);
                        xdata.mv_size = 0;
                        xdata.mv_data = "";
                        if (flags == MDB_NODUPDATA)
                                flags = MDB_NOOVERWRITE;
-                       rc = mdb_put(&mx.mx_txn, mx.mx_txn.mt_numdbs-1, data, &xdata, flags);
+                       /* converted, write the original data first */
+                       if (dkey.mv_size) {
+                               rc = mdb_put0(&mx.mx_txn, mx.mx_cursor.mc_dbi, &dkey, &xdata, flags);
+                               if (rc) return rc;
+                               leaf->mn_flags |= F_DUPDATA;
+                       }
+                       rc = mdb_put0(&mx.mx_txn, mx.mx_cursor.mc_dbi, data, &xdata, flags);
                        mdb_xcursor_fini(txn, dbi, &mx);
+                       memcpy(NODEDATA(leaf), &mx.mx_txn.mt_dbs[mx.mx_cursor.mc_dbi],
+                               sizeof(MDB_db));
                }
+               txn->mt_dbs[dbi].md_entries++;
        }
 
 done:
@@ -3022,7 +3948,44 @@ done:
 }
 
 int
-mdbenv_get_flags(MDB_env *env, unsigned int *arg)
+mdb_put(MDB_txn *txn, MDB_dbi dbi,
+    MDB_val *key, MDB_val *data, unsigned int flags)
+{
+       assert(key != NULL);
+       assert(data != NULL);
+
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
+               return EINVAL;
+
+       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
+               return EACCES;
+       }
+
+       if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
+               return EINVAL;
+       }
+
+       if ((flags & (MDB_NOOVERWRITE|MDB_NODUPDATA)) != flags)
+               return EINVAL;
+
+       return mdb_put0(txn, dbi, key, data, flags);
+}
+
+int
+mdb_env_set_flags(MDB_env *env, unsigned int flag, int onoff)
+{
+#define        CHANGEABLE      (MDB_NOSYNC)
+       if ((flag & CHANGEABLE) != flag)
+               return EINVAL;
+       if (onoff)
+               env->me_flags |= flag;
+       else
+               env->me_flags &= ~flag;
+       return MDB_SUCCESS;
+}
+
+int
+mdb_env_get_flags(MDB_env *env, unsigned int *arg)
 {
        if (!env || !arg)
                return EINVAL;
@@ -3032,7 +3995,7 @@ mdbenv_get_flags(MDB_env *env, unsigned int *arg)
 }
 
 int
-mdbenv_get_path(MDB_env *env, const char **arg)
+mdb_env_get_path(MDB_env *env, const char **arg)
 {
        if (!env || !arg)
                return EINVAL;
@@ -3041,32 +4004,43 @@ mdbenv_get_path(MDB_env *env, const char **arg)
        return MDB_SUCCESS;
 }
 
+static int
+mdb_stat0(MDB_env *env, MDB_db *db, MDB_stat *arg)
+{
+       arg->ms_psize = env->me_psize;
+       arg->ms_depth = db->md_depth;
+       arg->ms_branch_pages = db->md_branch_pages;
+       arg->ms_leaf_pages = db->md_leaf_pages;
+       arg->ms_overflow_pages = db->md_overflow_pages;
+       arg->ms_entries = db->md_entries;
+
+       return MDB_SUCCESS;
+}
 int
-mdbenv_stat(MDB_env *env, MDB_stat *arg)
+mdb_env_stat(MDB_env *env, MDB_stat *arg)
 {
+       int toggle;
+
        if (env == NULL || arg == NULL)
                return EINVAL;
 
-       arg->ms_psize = env->me_psize;
-       arg->ms_depth = env->me_meta->mm_dbs[MAIN_DBI].md_depth;
-       arg->ms_branch_pages = env->me_meta->mm_dbs[MAIN_DBI].md_branch_pages;
-       arg->ms_leaf_pages = env->me_meta->mm_dbs[MAIN_DBI].md_leaf_pages;
-       arg->ms_overflow_pages = env->me_meta->mm_dbs[MAIN_DBI].md_overflow_pages;
-       arg->ms_entries = env->me_meta->mm_dbs[MAIN_DBI].md_entries;
+       mdb_env_read_meta(env, &toggle);
 
-       return MDB_SUCCESS;
+       return mdb_stat0(env, &env->me_metas[toggle]->mm_dbs[MAIN_DBI], arg);
 }
 
 int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
 {
        MDB_val key, data;
        MDB_dbi i;
-       int rc;
+       int rc, dirty = 0;
        size_t len;
 
        /* main DB? */
        if (!name) {
                *dbi = MAIN_DBI;
+               if (flags & (MDB_DUPSORT|MDB_REVERSEKEY|MDB_INTEGERKEY))
+                       txn->mt_dbs[MAIN_DBI].md_flags |= (flags & (MDB_DUPSORT|MDB_REVERSEKEY|MDB_INTEGERKEY));
                return MDB_SUCCESS;
        }
 
@@ -3096,7 +4070,8 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
                memset(&dummy, 0, sizeof(dummy));
                dummy.md_root = P_INVALID;
                dummy.md_flags = flags & 0xffff;
-               rc = mdb_put(txn, 0, &key, &data, 0);
+               rc = mdb_put0(txn, MAIN_DBI, &key, &data, F_SUBDATA);
+               dirty = 1;
        }
 
        /* OK, got info, add to table */
@@ -3107,9 +4082,11 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
                txn->mt_dbxs[txn->mt_numdbs].md_dcmp = NULL;
                txn->mt_dbxs[txn->mt_numdbs].md_rel = NULL;
                txn->mt_dbxs[txn->mt_numdbs].md_parent = MAIN_DBI;
-               txn->mt_dbxs[txn->mt_numdbs].md_dirty = 0;
+               txn->mt_dbxs[txn->mt_numdbs].md_dirty = dirty;
                memcpy(&txn->mt_dbs[txn->mt_numdbs], data.mv_data, sizeof(MDB_db));
                *dbi = txn->mt_numdbs;
+               txn->mt_env->me_dbs[0][txn->mt_numdbs] = txn->mt_dbs[txn->mt_numdbs];
+               txn->mt_env->me_dbs[1][txn->mt_numdbs] = txn->mt_dbs[txn->mt_numdbs];
                txn->mt_numdbs++;
        }
 
@@ -3118,17 +4095,10 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
 
 int mdb_stat(MDB_txn *txn, MDB_dbi dbi, MDB_stat *arg)
 {
-       if (txn == NULL || arg == NULL)
+       if (txn == NULL || arg == NULL || dbi >= txn->mt_numdbs)
                return EINVAL;
 
-       arg->ms_psize = txn->mt_env->me_psize;
-       arg->ms_depth = txn->mt_dbs[dbi].md_depth;
-       arg->ms_branch_pages = txn->mt_dbs[dbi].md_branch_pages;
-       arg->ms_leaf_pages = txn->mt_dbs[dbi].md_leaf_pages;
-       arg->ms_overflow_pages = txn->mt_dbs[dbi].md_overflow_pages;
-       arg->ms_entries = txn->mt_dbs[dbi].md_entries;
-
-       return MDB_SUCCESS;
+       return mdb_stat0(txn->mt_env, &txn->mt_dbs[dbi], arg);
 }
 
 void mdb_close(MDB_txn *txn, MDB_dbi dbi)
@@ -3141,3 +4111,30 @@ void mdb_close(MDB_txn *txn, MDB_dbi dbi)
        txn->mt_dbxs[dbi].md_name.mv_size = 0;
        free(ptr);
 }
+
+int mdb_set_compare(MDB_txn *txn, MDB_dbi dbi, MDB_cmp_func *cmp)
+{
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
+               return EINVAL;
+
+       txn->mt_dbxs[dbi].md_cmp = cmp;
+       return MDB_SUCCESS;
+}
+
+int mdb_set_dupsort(MDB_txn *txn, MDB_dbi dbi, MDB_cmp_func *cmp)
+{
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
+               return EINVAL;
+
+       txn->mt_dbxs[dbi].md_dcmp = cmp;
+       return MDB_SUCCESS;
+}
+
+int mdb_set_relfunc(MDB_txn *txn, MDB_dbi dbi, MDB_rel_func *rel)
+{
+       if (txn == NULL || !dbi || dbi >= txn->mt_numdbs)
+               return EINVAL;
+
+       txn->mt_dbxs[dbi].md_rel = rel;
+       return MDB_SUCCESS;
+}