]> git.sur5r.net Git - openldap/blobdiff - libraries/libmdb/mdb.c
In mdb_audit, change assert to fprintf
[openldap] / libraries / libmdb / mdb.c
index 1995ea82d53b099c63dd80a873e1e1e0a68e6add..a2d0cd2e0ab0ddbe11439c1974a5b34271682dd5 100644 (file)
@@ -5,7 +5,7 @@
  *     BerkeleyDB API, but much simplified.
  */
 /*
- * Copyright 2011 Howard Chu, Symas Corp.
+ * Copyright 2011-2012 Howard Chu, Symas Corp.
  * All rights reserved.
  *
  * Redistribution and use in source and binary forms, with or without
 #include <errno.h>
 #include <limits.h>
 #include <stddef.h>
-#include <stdint.h>
+#include <inttypes.h>
 #include <stdio.h>
 #include <stdlib.h>
 #include <string.h>
 #include <time.h>
 #include <unistd.h>
 
+#if !(defined(BYTE_ORDER) || defined(__BYTE_ORDER))
+#include <resolv.h>    /* defines BYTE_ORDER on HPUX and Solaris */
+#endif
+
+#if defined(__APPLE__) || defined (BSD)
+#define USE_POSIX_SEM
+#endif
+
 #ifndef _WIN32
 #include <pthread.h>
-#ifdef __APPLE__
+#ifdef USE_POSIX_SEM
 #include <semaphore.h>
 #endif
 #endif
 
+#ifdef USE_VALGRIND
+#include <valgrind/memcheck.h>
+#define VGMEMP_CREATE(h,r,z)    VALGRIND_CREATE_MEMPOOL(h,r,z)
+#define VGMEMP_ALLOC(h,a,s) VALGRIND_MEMPOOL_ALLOC(h,a,s)
+#define VGMEMP_FREE(h,a) VALGRIND_MEMPOOL_FREE(h,a)
+#define VGMEMP_DESTROY(h)      VALGRIND_DESTROY_MEMPOOL(h)
+#define VGMEMP_DEFINED(a,s)    VALGRIND_MAKE_MEM_DEFINED(a,s)
+#else
+#define VGMEMP_CREATE(h,r,z)
+#define VGMEMP_ALLOC(h,a,s)
+#define VGMEMP_FREE(h,a)
+#define VGMEMP_DESTROY(h)
+#define VGMEMP_DEFINED(a,s)
+#endif
+
 #ifndef BYTE_ORDER
-#define BYTE_ORDER     __BYTE_ORDER
+# if (defined(_LITTLE_ENDIAN) || defined(_BIG_ENDIAN)) && !(defined(_LITTLE_ENDIAN) && defined(_BIG_ENDIAN))
+/* Solaris just defines one or the other */
+#  define LITTLE_ENDIAN        1234
+#  define BIG_ENDIAN   4321
+#  ifdef _LITTLE_ENDIAN
+#   define BYTE_ORDER  LITTLE_ENDIAN
+#  else
+#   define BYTE_ORDER  BIG_ENDIAN
+#  endif
+# else
+#  define BYTE_ORDER   __BYTE_ORDER
+# endif
 #endif
+
 #ifndef LITTLE_ENDIAN
 #define LITTLE_ENDIAN  __LITTLE_ENDIAN
 #endif
 #define BIG_ENDIAN     __BIG_ENDIAN
 #endif
 
+#if defined(__i386) || defined(__x86_64)
+#define MISALIGNED_OK  1
+#endif
+
 #include "mdb.h"
 #include "midl.h"
 
 #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()
-#define        fdatasync(fd)   (!FlushFileBuffers(fd))
+#define        MDB_FDATASYNC(fd)       (!FlushFileBuffers(fd))
 #define        ErrCode()       GetLastError()
 #define GET_PAGESIZE(x) {SYSTEM_INFO si; GetSystemInfo(&si); (x) = si.dwPageSize;}
 #define        close(fd)       CloseHandle(fd)
 #define        munmap(ptr,len) UnmapViewOfFile(ptr)
 #else
-#ifdef __APPLE__
+#ifdef USE_POSIX_SEM
 #define LOCK_MUTEX_R(env)      sem_wait((env)->me_rmutex)
 #define UNLOCK_MUTEX_R(env)    sem_post((env)->me_rmutex)
 #define LOCK_MUTEX_W(env)      sem_wait((env)->me_wmutex)
 #define UNLOCK_MUTEX_W(env)    sem_post((env)->me_wmutex)
-#define fdatasync(fd)  fsync(fd)
+#define MDB_FDATASYNC(fd)      fsync(fd)
 #else
+#ifdef ANDROID
+#define MDB_FDATASYNC(fd)      fsync(fd)
+#endif
        /** Lock the reader mutex.
         */
 #define LOCK_MUTEX_R(env)      pthread_mutex_lock(&(env)->me_txns->mti_mutex)
        /** Unlock the writer mutex.
         */
 #define UNLOCK_MUTEX_W(env)    pthread_mutex_unlock(&(env)->me_txns->mti_wmutex)
-#endif /* __APPLE__ */
+#endif /* USE_POSIX_SEM */
 
        /** Get the error code for the last failed system function.
         */
 #define        GET_PAGESIZE(x) ((x) = sysconf(_SC_PAGE_SIZE))
 #endif
 
-#if defined(_WIN32) || defined(__APPLE__)
+#if defined(_WIN32) || defined(USE_POSIX_SEM)
 #define MNAME_LEN      32
+#else
+#define MNAME_LEN      (sizeof(pthread_mutex_t))
 #endif
 
 /** @} */
 #ifndef MDB_DSYNC
 # define MDB_DSYNC     O_DSYNC
 #endif
+#endif
+
+/** Function for flushing the data of a file. Define this to fsync
+ *     if fdatasync() is not supported.
+ */
+#ifndef MDB_FDATASYNC
+# define MDB_FDATASYNC fdatasync
 #endif
 
        /** A page number in the database.
         *      @note In the #MDB_node structure, we only store 48 bits of this value,
         *      which thus limits us to only 60 bits of addressable data.
         */
-typedef ID     pgno_t;
+typedef MDB_ID pgno_t;
 
        /** A transaction ID.
         *      See struct MDB_txn.mt_txnid for details.
         */
-typedef ID     txnid_t;
+typedef MDB_ID txnid_t;
 
 /** @defgroup debug    Debug Macros
  *     @{
  */
-#ifndef DEBUG
+#ifndef MDB_DEBUG
        /**     Enable debug output.
         *      Set this to 1 for copious tracing. Set to 2 to add dumps of all IDLs
         *      read from and written to the database (used for free space management).
         */
-#define DEBUG 0
+#define MDB_DEBUG 0
 #endif
 
 #if !(__STDC_VERSION__ >= 199901L || defined(__GNUC__))
 # define DPRINTF       (void)  /* Vararg macros may be unsupported */
-#elif DEBUG
+#elif MDB_DEBUG
+static int mdb_debug;
+static txnid_t mdb_debug_start;
+
        /**     Print a debug message with printf formatting. */
 # define DPRINTF(fmt, ...)     /**< Requires 2 or more args */ \
-       fprintf(stderr, "%s:%d " fmt "\n", __func__, __LINE__, __VA_ARGS__)
+       ((void) ((mdb_debug) && \
+        fprintf(stderr, "%s:%d " fmt "\n", __func__, __LINE__, __VA_ARGS__)))
 #else
 # define DPRINTF(fmt, ...)     ((void) 0)
 #endif
@@ -236,7 +291,7 @@ typedef ID  txnid_t;
         *      pressure from other processes is high. So until OSs have
         *      actual paging support for Huge pages, they're not viable.
         */
-#define PAGESIZE        4096
+#define MDB_PAGESIZE    4096
 
        /** The minimum number of keys required in a database page.
         *      Setting this to a larger value will place a smaller bound on the
@@ -264,11 +319,11 @@ typedef ID        txnid_t;
        /**     The maximum size of a key in the database.
         *      While data items have essentially unbounded size, we require that
         *      keys all fit onto a regular page. This limit could be raised a bit
-        *      further if needed; to something just under #PAGESIZE / #MDB_MINKEYS.
+        *      further if needed; to something just under #MDB_PAGESIZE / #MDB_MINKEYS.
         */
 #define MAXKEYSIZE      511
 
-#if DEBUG
+#if MDB_DEBUG
        /**     A key buffer.
         *      @ingroup debug
         *      This is used for printing a hex dump of a key's contents.
@@ -281,47 +336,8 @@ typedef ID txnid_t;
 #define        DKEY(x) mdb_dkey(x, kbuf)
 #else
 #define        DKBUF   typedef int dummy_kbuf  /* so we can put ';' after */
-#define DKEY(x)
-#endif
-
-/**    @defgroup lazylock      Lazy Locking
- *     Macros for locks that are't actually needed.
- *     The DB view is always consistent because all writes are wrapped in
- *     the wmutex. Finer-grained locks aren't necessary.
- *     @{
- */
-#ifndef        LAZY_LOCKS
-       /**     Use lazy locking. I.e., don't lock these accesses at all. */
-#define        LAZY_LOCKS      1
-#endif
-#if    LAZY_LOCKS
-       /** Grab the reader lock */
-#define        LAZY_MUTEX_LOCK(x)
-       /** Release the reader lock */
-#define        LAZY_MUTEX_UNLOCK(x)
-       /** Release the DB table reader/writer lock */
-#define        LAZY_RWLOCK_UNLOCK(x)
-       /** Grab the DB table write lock */
-#define        LAZY_RWLOCK_WRLOCK(x)
-       /** Grab the DB table read lock */
-#define        LAZY_RWLOCK_RDLOCK(x)
-       /** Declare the DB table rwlock.  Should not be followed by ';'. */
-#define        LAZY_RWLOCK_DEF(x)
-       /** Initialize the DB table rwlock */
-#define        LAZY_RWLOCK_INIT(x,y)
-       /**     Destroy the DB table rwlock */
-#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)
+#define DKEY(x)        0
 #endif
-/** @} */
 
        /** An invalid page number.
         *      Mainly used to denote an empty tree.
@@ -447,12 +463,12 @@ typedef struct MDB_reader {
         *      unlikely. If a collision occurs, the results are unpredictable.
         */
 typedef struct MDB_txbody {
-               /** Stamp identifying this as an MDB lock file. It must be set
+               /** Stamp identifying this as an MDB file. It must be set
                 *      to #MDB_MAGIC. */
        uint32_t        mtb_magic;
                /** Version number of this lock file. Must be set to #MDB_VERSION. */
        uint32_t        mtb_version;
-#if defined(_WIN32) || defined(__APPLE__)
+#if defined(_WIN32) || defined(USE_POSIX_SEM)
        char    mtb_rmname[MNAME_LEN];
 #else
                /** Mutex protecting access to this table.
@@ -470,11 +486,6 @@ typedef struct MDB_txbody {
                 *      when readers release their slots.
                 */
        unsigned        mtb_numreaders;
-               /**     The ID of the most recent meta page in the database.
-                *      This is recorded here only for convenience; the value can always
-                *      be determined by reading the main database meta pages.
-                */
-       uint32_t        mtb_me_toggle;
 } MDB_txbody;
 
        /** The actual reader table definition. */
@@ -487,18 +498,17 @@ typedef struct MDB_txninfo {
 #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 {
-#if defined(_WIN32) || defined(__APPLE__)
+#if defined(_WIN32) || defined(USE_POSIX_SEM)
                char mt2_wmname[MNAME_LEN];
 #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)];
+               char pad[(MNAME_LEN+CACHELINE-1) & ~(CACHELINE-1)];
        } mt2;
        MDB_reader      mti_readers[1];
 } MDB_txninfo;
@@ -650,6 +660,30 @@ typedef struct MDB_node {
        /** The size of a key in a node */
 #define NODEKSZ(node)   ((node)->mn_ksize)
 
+       /** Copy a page number from src to dst */
+#ifdef MISALIGNED_OK
+#define COPY_PGNO(dst,src)     dst = src
+#else
+#if SIZE_MAX > 4294967295UL
+#define COPY_PGNO(dst,src)     do { \
+       unsigned short *s, *d;  \
+       s = (unsigned short *)&(src);   \
+       d = (unsigned short *)&(dst);   \
+       *d++ = *s++;    \
+       *d++ = *s++;    \
+       *d++ = *s++;    \
+       *d = *s;        \
+} while (0)
+#else
+#define COPY_PGNO(dst,src)     do { \
+       unsigned short *s, *d;  \
+       s = (unsigned short *)&(src);   \
+       d = (unsigned short *)&(dst);   \
+       *d++ = *s++;    \
+       *d = *s;        \
+} while (0)
+#endif
+#endif
        /** The address of a key in a LEAF2 page.
         *      LEAF2 pages are used for #MDB_DUPFIXED sorted-duplicate sub-DBs.
         *      There are no node headers, keys are stored contiguously.
@@ -679,7 +713,7 @@ typedef struct MDB_db {
 
        /** Meta page content. */
 typedef struct MDB_meta {
-               /** Stamp identifying this as an MDB data file. It must be set
+               /** Stamp identifying this as an MDB file. It must be set
                 *      to #MDB_MAGIC. */
        uint32_t        mm_magic;
                /** Version number of this lock file. Must be set to #MDB_VERSION. */
@@ -695,6 +729,20 @@ typedef struct MDB_meta {
        txnid_t         mm_txnid;                       /**< txnid that committed this page */
 } MDB_meta;
 
+       /** Buffer for a stack-allocated dirty page.
+        *      The members define size and alignment, and silence type
+        *      aliasing warnings.  They are not used directly; that could
+        *      mean incorrectly using several union members in parallel.
+        */
+typedef union MDB_pagebuf {
+       char            mb_raw[MDB_PAGESIZE];
+       MDB_page        mb_page;
+       struct {
+               char            mm_pad[PAGEHDRSZ];
+               MDB_meta        mm_meta;
+       } mb_metabuf;
+} MDB_pagebuf;
+
        /** Auxiliary DB info.
         *      The information here is mostly static/read-only. There is
         *      only a single copy of this record in the environment.
@@ -722,9 +770,9 @@ struct MDB_txn {
        MDB_env         *mt_env;                /**< the DB environment */
        /** The list of pages that became unused during this transaction.
         */
-       IDL                     mt_free_pgs;
+       MDB_IDL         mt_free_pgs;
        union {
-               ID2L    dirty_list;     /**< modified pages */
+               MDB_ID2L        dirty_list;     /**< modified pages */
                MDB_reader      *reader;        /**< this thread's slot in the reader table */
        } mt_u;
        /** Array of records for each DB known in the environment. */
@@ -788,7 +836,7 @@ struct MDB_cursor {
        /** The @ref mt_dbflag for this database */
        unsigned char   *mc_dbflag;
        unsigned short  mc_snum;        /**< number of pushed pages */
-       unsigned short  mc_top;         /**< index of top page, mc_snum-1 */
+       unsigned short  mc_top;         /**< index of top page, normally mc_snum-1 */
 /** @defgroup mdb_cursor       Cursor Flags
  *     @ingroup internal
  *     Cursor state flags.
@@ -799,6 +847,7 @@ struct MDB_cursor {
 #define C_SUB  0x04                    /**< Cursor is a sub-cursor */
 #define C_SHADOW       0x08            /**< Cursor is a dup from a parent txn */
 #define C_ALLOCD       0x10            /**< Cursor was malloc'd */
+#define C_SPLITTING    0x20            /**< Cursor is in page_split */
 /** @} */
        unsigned int    mc_flags;       /**< @ref mdb_cursor */
        MDB_page        *mc_pg[CURSOR_STACK];   /**< stack of pushed pages */
@@ -829,7 +878,7 @@ typedef struct MDB_oldpages {
        struct MDB_oldpages *mo_next;
        /**     The ID of the transaction in which these pages were freed. */
        txnid_t         mo_txnid;
-       /** An #IDL of the pages */
+       /** An #MDB_IDL of the pages */
        pgno_t          mo_pages[1];    /* dynamic */
 } MDB_oldpages;
 
@@ -841,7 +890,7 @@ struct MDB_env {
        /** Failed to update the meta page. Probably an I/O error. */
 #define        MDB_FATAL_ERROR 0x80000000U
        uint32_t        me_flags;               /**< @ref mdb_env */
-       uint32_t        me_extrapad;    /**< unused for now */
+       unsigned int    me_psize;       /**< size of a page, from #GET_PAGESIZE */
        unsigned int    me_maxreaders;  /**< size of the reader table */
        MDB_dbi         me_numdbs;              /**< number of DBs opened */
        MDB_dbi         me_maxdbs;              /**< size of the DB table */
@@ -853,31 +902,33 @@ struct MDB_env {
        size_t          me_mapsize;             /**< size of the data memory map */
        off_t           me_size;                /**< current file size */
        pgno_t          me_maxpg;               /**< me_mapsize / me_psize */
-       unsigned int    me_psize;       /**< size of a page, from #GET_PAGESIZE */
-       unsigned int    me_db_toggle;   /**< which DB table is current */
-       txnid_t         me_wtxnid;              /**< ID of last txn we committed */
+       txnid_t         me_pgfirst;             /**< ID of first old page record we used */
+       txnid_t         me_pglast;              /**< ID of last old page record we used */
        MDB_dbx         *me_dbxs;               /**< array of static DB info */
-       MDB_db          *me_dbs[2];             /**< two arrays of MDB_db info */
+       uint16_t        *me_dbflags;    /**< array of DB flags */
        MDB_oldpages *me_pghead;        /**< list of old page records */
+       MDB_oldpages *me_pgfree;        /**< list of page records to free */
        pthread_key_t   me_txkey;       /**< thread-key for readers */
        MDB_page        *me_dpages;             /**< list of malloc'd blocks for re-use */
        /** IDL of pages that became unused in a write txn */
-       IDL                     me_free_pgs;
+       MDB_IDL         me_free_pgs;
        /** ID2L of pages that were written during a write txn */
-       ID2                     me_dirty_list[MDB_IDL_UM_SIZE];
-       /** rwlock for the DB tables, if #LAZY_LOCKS is false */
-       LAZY_RWLOCK_DEF(me_dblock)
+       MDB_ID2         me_dirty_list[MDB_IDL_UM_SIZE];
 #ifdef _WIN32
        HANDLE          me_rmutex;              /* Windows mutexes don't reside in shared mem */
        HANDLE          me_wmutex;
 #endif
-#ifdef __APPLE__
+#ifdef USE_POSIX_SEM
        sem_t           *me_rmutex;             /* Apple doesn't support shared mutexes */
        sem_t           *me_wmutex;
 #endif
 };
        /** max number of pages to commit in one writev() call */
 #define MDB_COMMIT_PAGES        64
+#if defined(IOV_MAX) && IOV_MAX < MDB_COMMIT_PAGES
+#undef MDB_COMMIT_PAGES
+#define MDB_COMMIT_PAGES       IOV_MAX
+#endif
 
 static MDB_page *mdb_page_alloc(MDB_cursor *mc, int num);
 static MDB_page *mdb_page_new(MDB_cursor *mc, uint32_t flags, int num);
@@ -886,14 +937,18 @@ static int                mdb_page_touch(MDB_cursor *mc);
 static int  mdb_page_get(MDB_txn *txn, pgno_t pgno, MDB_page **mp);
 static int  mdb_page_search_root(MDB_cursor *mc,
                            MDB_val *key, int modify);
+#define MDB_PS_MODIFY  1
+#define MDB_PS_ROOTONLY        2
 static int  mdb_page_search(MDB_cursor *mc,
-                           MDB_val *key, int modify);
+                           MDB_val *key, int flags);
 static int     mdb_page_merge(MDB_cursor *csrc, MDB_cursor *cdst);
+
+#define MDB_SPLIT_REPLACE      MDB_APPENDDUP   /**< newkey is not new */
 static int     mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata,
                                pgno_t newpgno, unsigned int nflags);
 
 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_pick_meta(const MDB_env *env);
 static int  mdb_env_write_meta(MDB_txn *txn);
 
 static MDB_node *mdb_node_search(MDB_cursor *mc, MDB_val *key, int *exactp);
@@ -970,7 +1025,7 @@ mdb_strerror(int err)
        return strerror(err);
 }
 
-#if DEBUG
+#if MDB_DEBUG
 /** Display a key in hexadecimal and return the address of the result.
  * @param[in] key the key to display
  * @param[in] buf the buffer to write into. Should always be #DKBUF.
@@ -988,6 +1043,7 @@ mdb_dkey(MDB_val *key, char *buf)
         * printable characters, print it as-is instead of converting to hex.
         */
 #if 1
+       buf[0] = '\0';
        for (i=0; i<key->mv_size; i++)
                ptr += sprintf(ptr, "%02x", *c++);
 #else
@@ -995,6 +1051,97 @@ mdb_dkey(MDB_val *key, char *buf)
 #endif
        return buf;
 }
+
+/** Display all the keys in the page. */
+static void
+mdb_page_keys(MDB_page *mp)
+{
+       MDB_node *node;
+       unsigned int i, nkeys;
+       MDB_val key;
+       DKBUF;
+
+       nkeys = NUMKEYS(mp);
+       fprintf(stderr, "numkeys %d\n", nkeys);
+       for (i=0; i<nkeys; i++) {
+               node = NODEPTR(mp, i);
+               key.mv_size = node->mn_ksize;
+               key.mv_data = node->mn_data;
+               fprintf(stderr, "key %d: %s\n", i, DKEY(&key));
+       }
+}
+
+void
+mdb_cursor_chk(MDB_cursor *mc)
+{
+       unsigned int i;
+       MDB_node *node;
+       MDB_page *mp;
+
+       if (!mc->mc_snum && !(mc->mc_flags & C_INITIALIZED)) return;
+       for (i=0; i<mc->mc_top; i++) {
+               mp = mc->mc_pg[i];
+               node = NODEPTR(mp, mc->mc_ki[i]);
+               if (NODEPGNO(node) != mc->mc_pg[i+1]->mp_pgno)
+                       printf("oops!\n");
+       }
+       if (mc->mc_ki[i] >= NUMKEYS(mc->mc_pg[i]))
+               printf("ack!\n");
+}
+#endif
+
+#if MDB_DEBUG > 2
+/** Count all the pages in each DB and in the freelist
+ *  and make sure it matches the actual number of pages
+ *  being used.
+ */
+static void mdb_audit(MDB_txn *txn)
+{
+       MDB_cursor mc;
+       MDB_val key, data;
+       MDB_ID freecount, count;
+       MDB_dbi i;
+       int rc;
+
+       freecount = 0;
+       mdb_cursor_init(&mc, txn, FREE_DBI, NULL);
+       while ((rc = mdb_cursor_get(&mc, &key, &data, MDB_NEXT)) == 0)
+               freecount += *(MDB_ID *)data.mv_data;
+
+       count = 0;
+       for (i = 0; i<txn->mt_numdbs; i++) {
+               MDB_xcursor mx, *mxp;
+               mxp = (txn->mt_dbs[i].md_flags & MDB_DUPSORT) ? &mx : NULL;
+               mdb_cursor_init(&mc, txn, i, mxp);
+               if (txn->mt_dbs[i].md_root == P_INVALID)
+                       continue;
+               count += txn->mt_dbs[i].md_branch_pages +
+                       txn->mt_dbs[i].md_leaf_pages +
+                       txn->mt_dbs[i].md_overflow_pages;
+               if (txn->mt_dbs[i].md_flags & MDB_DUPSORT) {
+                       mdb_page_search(&mc, NULL, 0);
+                       do {
+                               unsigned j;
+                               MDB_page *mp;
+                               mp = mc.mc_pg[mc.mc_top];
+                               for (j=0; j<NUMKEYS(mp); j++) {
+                                       MDB_node *leaf = NODEPTR(mp, j);
+                                       if (leaf->mn_flags & F_SUBDATA) {
+                                               MDB_db db;
+                                               memcpy(&db, NODEDATA(leaf), sizeof(db));
+                                               count += db.md_branch_pages + db.md_leaf_pages +
+                                                       db.md_overflow_pages;
+                                       }
+                               }
+                       }
+                       while (mdb_cursor_sibling(&mc, 1) == 0);
+               }
+       }
+       if (freecount + count + 2 /* metapages */ != txn->mt_next_pgno) {
+               fprintf(stderr, "audit: %lu freecount: %lu count: %lu total: %lu next_pgno: %lu\n",
+                       txn->mt_txnid, freecount, count+2, freecount+count+2, txn->mt_next_pgno);
+       }
+}
 #endif
 
 int
@@ -1018,11 +1165,13 @@ mdb_dcmp(MDB_txn *txn, MDB_dbi dbi, const MDB_val *a, const MDB_val *b)
 static MDB_page *
 mdb_page_malloc(MDB_cursor *mc) {
        MDB_page *ret;
-       if (mc->mc_txn->mt_env->me_dpages) {
-               ret = mc->mc_txn->mt_env->me_dpages;
+       size_t sz = mc->mc_txn->mt_env->me_psize;
+       if ((ret = mc->mc_txn->mt_env->me_dpages) != NULL) {
+               VGMEMP_ALLOC(mc->mc_txn->mt_env, ret, sz);
+               VGMEMP_DEFINED(ret, sizeof(ret->mp_next));
                mc->mc_txn->mt_env->me_dpages = ret->mp_next;
-       } else {
-               ret = malloc(mc->mc_txn->mt_env->me_psize);
+       } else if ((ret = malloc(sz)) != NULL) {
+               VGMEMP_ALLOC(mc->mc_txn->mt_env, ret, sz);
        }
        return ret;
 }
@@ -1042,21 +1191,42 @@ mdb_page_alloc(MDB_cursor *mc, int num)
        MDB_txn *txn = mc->mc_txn;
        MDB_page *np;
        pgno_t pgno = P_INVALID;
-       ID2 mid;
+       MDB_ID2 mid;
 
-       if (txn->mt_txnid > 2) {
+       /* The free list won't have any content at all until txn 2 has
+        * committed. The pages freed by txn 2 will be unreferenced
+        * after txn 3 commits, and so will be safe to re-use in txn 4.
+        */
+       if (txn->mt_txnid > 3) {
 
-               if (!txn->mt_env->me_pghead && mc->mc_dbi != FREE_DBI &&
+               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_cursor m2;
                        MDB_node *leaf;
-                       txnid_t *kptr, oldest;
+                       MDB_val data;
+                       txnid_t *kptr, oldest, last;
 
                        mdb_cursor_init(&m2, txn, FREE_DBI, NULL);
-                       mdb_page_search(&m2, NULL, 0);
-                       leaf = NODEPTR(m2.mc_pg[m2.mc_top], 0);
-                       kptr = (txnid_t *)NODEKEY(leaf);
+                       if (!txn->mt_env->me_pgfirst) {
+                               mdb_page_search(&m2, NULL, 0);
+                               leaf = NODEPTR(m2.mc_pg[m2.mc_top], 0);
+                               kptr = (txnid_t *)NODEKEY(leaf);
+                               last = *kptr;
+                       } else {
+                               MDB_val key;
+                               int rc, exact;
+again:
+                               exact = 0;
+                               last = txn->mt_env->me_pglast + 1;
+                               leaf = NULL;
+                               key.mv_data = &last;
+                               key.mv_size = sizeof(last);
+                               rc = mdb_cursor_set(&m2, &key, &data, MDB_SET, &exact);
+                               if (rc)
+                                       goto none;
+                               last = *(txnid_t *)key.mv_data;
+                       }
 
                        {
                                unsigned int i;
@@ -1068,22 +1238,30 @@ mdb_page_alloc(MDB_cursor *mc, int num)
                                }
                        }
 
-                       if (oldest > *kptr) {
+                       if (oldest > last) {
                                /* It's usable, grab it.
                                 */
                                MDB_oldpages *mop;
-                               MDB_val data;
                                pgno_t *idl;
 
-                               mdb_node_read(txn, leaf, &data);
-                               idl = (ID *) data.mv_data;
+                               if (!txn->mt_env->me_pgfirst) {
+                                       mdb_node_read(txn, leaf, &data);
+                               }
+                               txn->mt_env->me_pglast = last;
+                               if (!txn->mt_env->me_pgfirst)
+                                       txn->mt_env->me_pgfirst = last;
+                               idl = (MDB_ID *) data.mv_data;
+                               /* We might have a zero-length IDL due to freelist growth
+                                * during a prior commit
+                                */
+                               if (!idl[0]) goto again;
                                mop = malloc(sizeof(MDB_oldpages) + MDB_IDL_SIZEOF(idl) - sizeof(pgno_t));
                                mop->mo_next = txn->mt_env->me_pghead;
-                               mop->mo_txnid = *kptr;
+                               mop->mo_txnid = last;
                                txn->mt_env->me_pghead = mop;
                                memcpy(mop->mo_pages, idl, MDB_IDL_SIZEOF(idl));
 
-#if DEBUG > 1
+#if MDB_DEBUG > 1
                                {
                                        unsigned int i;
                                        DPRINTF("IDL read txn %zu root %zu num %zu",
@@ -1093,12 +1271,9 @@ mdb_page_alloc(MDB_cursor *mc, int num)
                                        }
                                }
 #endif
-                               /* drop this IDL from the DB */
-                               m2.mc_ki[m2.mc_top] = 0;
-                               m2.mc_flags = C_INITIALIZED;
-                               mdb_cursor_del(&m2, 0);
                        }
                }
+none:
                if (txn->mt_env->me_pghead) {
                        MDB_oldpages *mop = txn->mt_env->me_pghead;
                        if (num > 1) {
@@ -1119,7 +1294,12 @@ mdb_page_alloc(MDB_cursor *mc, int num)
                                }
                                if (MDB_IDL_IS_ZERO(mop->mo_pages)) {
                                        txn->mt_env->me_pghead = mop->mo_next;
-                                       free(mop);
+                                       if (mc->mc_dbi == FREE_DBI) {
+                                               mop->mo_next = txn->mt_env->me_pgfree;
+                                               txn->mt_env->me_pgfree = mop;
+                                       } else {
+                                               free(mop);
+                                       }
                                }
                        }
                }
@@ -1128,16 +1308,20 @@ mdb_page_alloc(MDB_cursor *mc, int num)
        if (pgno == P_INVALID) {
                /* DB size is maxed out */
                if (txn->mt_next_pgno + num >= txn->mt_env->me_maxpg) {
-                       DPRINTF("DB size maxed out");
+                       DPUTS("DB size maxed out");
                        return NULL;
                }
        }
        if (txn->mt_env->me_dpages && num == 1) {
                np = txn->mt_env->me_dpages;
+               VGMEMP_ALLOC(txn->mt_env, np, txn->mt_env->me_psize);
+               VGMEMP_DEFINED(np, sizeof(np->mp_next));
                txn->mt_env->me_dpages = np->mp_next;
        } else {
-               if ((np = malloc(txn->mt_env->me_psize * num )) == NULL)
+               size_t sz = txn->mt_env->me_psize * num;
+               if ((np = malloc(sz)) == NULL)
                        return NULL;
+               VGMEMP_ALLOC(txn->mt_env, np, sz);
        }
        if (pgno == P_INVALID) {
                np->mp_pgno = txn->mt_next_pgno;
@@ -1152,6 +1336,27 @@ mdb_page_alloc(MDB_cursor *mc, int num)
        return np;
 }
 
+/** Copy a page: avoid copying unused portions of the page.
+ * @param[in] dst page to copy into
+ * @param[in] src page to copy from
+ */
+static void
+mdb_page_copy(MDB_page *dst, MDB_page *src, unsigned int psize)
+{
+       dst->mp_flags = src->mp_flags | P_DIRTY;
+       dst->mp_pages = src->mp_pages;
+
+       if (IS_LEAF2(src)) {
+               memcpy(dst->mp_ptrs, src->mp_ptrs, psize - PAGEHDRSZ - SIZELEFT(src));
+       } else {
+               unsigned int i, nkeys = NUMKEYS(src);
+               for (i=0; i<nkeys; i++)
+                       dst->mp_ptrs[i] = src->mp_ptrs[i];
+               memcpy((char *)dst+src->mp_upper, (char *)src+src->mp_upper,
+                       psize - src->mp_upper);
+       }
+}
+
 /** Touch a page: make it dirty and re-insert into tree with updated pgno.
  * @param[in] mc cursor pointing to the page to be touched
  * @return 0 on success, non-zero on failure.
@@ -1169,11 +1374,16 @@ mdb_page_touch(MDB_cursor *mc)
                DPRINTF("touched db %u page %zu -> %zu", mc->mc_dbi, mp->mp_pgno, np->mp_pgno);
                assert(mp->mp_pgno != np->mp_pgno);
                mdb_midl_append(&mc->mc_txn->mt_free_pgs, mp->mp_pgno);
-               pgno = np->mp_pgno;
-               memcpy(np, mp, mc->mc_txn->mt_env->me_psize);
+               if (SIZELEFT(mp)) {
+                       /* If page isn't full, just copy the used portion */
+                       mdb_page_copy(np, mp, mc->mc_txn->mt_env->me_psize);
+               } else {
+                       pgno = np->mp_pgno;
+                       memcpy(np, mp, mc->mc_txn->mt_env->me_psize);
+                       np->mp_pgno = pgno;
+                       np->mp_flags |= P_DIRTY;
+               }
                mp = np;
-               mp->mp_pgno = pgno;
-               mp->mp_flags |= P_DIRTY;
 
 finish:
                /* Adjust other cursors pointing to mp */
@@ -1184,6 +1394,7 @@ finish:
                        for (m2 = mc->mc_txn->mt_cursors[dbi]; m2; m2=m2->mc_next) {
                                if (m2 == mc) continue;
                                m3 = &m2->mc_xcursor->mx_cursor;
+                               if (m3->mc_snum < mc->mc_snum) continue;
                                if (m3->mc_pg[mc->mc_top] == mc->mc_pg[mc->mc_top]) {
                                        m3->mc_pg[mc->mc_top] = mp;
                                }
@@ -1192,7 +1403,7 @@ finish:
                        MDB_cursor *m2;
 
                        for (m2 = mc->mc_txn->mt_cursors[mc->mc_dbi]; m2; m2=m2->mc_next) {
-                               if (m2 == mc) continue;
+                               if (m2 == mc || m2->mc_snum < mc->mc_snum) continue;
                                if (m2->mc_pg[mc->mc_top] == mc->mc_pg[mc->mc_top]) {
                                        m2->mc_pg[mc->mc_top] = mp;
                                }
@@ -1208,7 +1419,7 @@ finish:
                        mc->mc_db->md_root = mp->mp_pgno;
        } else if (mc->mc_txn->mt_parent) {
                MDB_page *np;
-               ID2 mid;
+               MDB_ID2 mid;
                /* If txn has a parent, make sure the page is in our
                 * dirty list.
                 */
@@ -1240,7 +1451,7 @@ mdb_env_sync(MDB_env *env, int force)
 {
        int rc = 0;
        if (force || !F_ISSET(env->me_flags, MDB_NOSYNC)) {
-               if (fdatasync(env->me_fd))
+               if (MDB_FDATASYNC(env->me_fd))
                        rc = ErrCode();
        }
        return rc;
@@ -1346,12 +1557,15 @@ static int
 mdb_txn_renew0(MDB_txn *txn)
 {
        MDB_env *env = txn->mt_env;
-       char mt_dbflag = 0;
+       unsigned int i;
+
+       /* Setup db info */
+       txn->mt_numdbs = env->me_numdbs;
+       txn->mt_dbxs = env->me_dbxs;    /* mostly static anyway */
 
        if (txn->mt_flags & MDB_TXN_RDONLY) {
                MDB_reader *r = pthread_getspecific(env->me_txkey);
                if (!r) {
-                       unsigned int i;
                        pid_t pid = getpid();
                        pthread_t tid = pthread_self();
 
@@ -1371,42 +1585,35 @@ mdb_txn_renew0(MDB_txn *txn)
                        r = &env->me_txns->mti_readers[i];
                        pthread_setspecific(env->me_txkey, r);
                }
-               txn->mt_toggle = env->me_txns->mti_me_toggle;
-               txn->mt_txnid = env->me_txns->mti_txnid;
-               /* This happens if a different process was the
-                * last writer to the DB.
-                */
-               if (env->me_wtxnid < txn->mt_txnid)
-                       mt_dbflag = DB_STALE;
-               r->mr_txnid = txn->mt_txnid;
+               txn->mt_txnid = r->mr_txnid = env->me_txns->mti_txnid;
+               txn->mt_toggle = txn->mt_txnid & 1;
+               txn->mt_next_pgno = env->me_metas[txn->mt_toggle]->mm_last_pg+1;
                txn->mt_u.reader = r;
        } else {
                LOCK_MUTEX_W(env);
 
                txn->mt_txnid = env->me_txns->mti_txnid;
-               if (env->me_wtxnid < txn->mt_txnid)
-                       mt_dbflag = DB_STALE;
+               txn->mt_toggle = txn->mt_txnid & 1;
+               txn->mt_next_pgno = env->me_metas[txn->mt_toggle]->mm_last_pg+1;
                txn->mt_txnid++;
-               txn->mt_toggle = env->me_txns->mti_me_toggle;
+#if MDB_DEBUG
+               if (txn->mt_txnid == mdb_debug_start)
+                       mdb_debug = 1;
+#endif
                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 */
+       /* Copy the DB info and flags */
        memcpy(txn->mt_dbs, env->me_metas[txn->mt_toggle]->mm_dbs, 2 * sizeof(MDB_db));
+       for (i=2; i<txn->mt_numdbs; i++)
+               txn->mt_dbs[i].md_flags = env->me_dbflags[i];
+       txn->mt_dbflags[0] = txn->mt_dbflags[1] = 0;
        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);
-
-       memset(txn->mt_dbflags, mt_dbflag, env->me_numdbs);
+               memset(txn->mt_dbflags+2, DB_STALE, txn->mt_numdbs-2);
 
        return MDB_SUCCESS;
 }
@@ -1473,7 +1680,7 @@ mdb_txn_begin(MDB_env *env, MDB_txn *parent, unsigned int flags, MDB_txn **ret)
                        free(txn);
                        return ENOMEM;
                }
-               txn->mt_u.dirty_list = malloc(sizeof(ID2)*MDB_IDL_UM_SIZE);
+               txn->mt_u.dirty_list = malloc(sizeof(MDB_ID2)*MDB_IDL_UM_SIZE);
                if (!txn->mt_u.dirty_list) {
                        free(txn->mt_free_pgs);
                        free(txn);
@@ -1539,9 +1746,11 @@ mdb_txn_reset0(MDB_txn *txn)
                        dp = txn->mt_u.dirty_list[i].mptr;
                        if (!IS_OVERFLOW(dp) || dp->mp_pages == 1) {
                                dp->mp_next = txn->mt_env->me_dpages;
+                               VGMEMP_FREE(txn->mt_env, dp);
                                txn->mt_env->me_dpages = dp;
                        } else {
                                /* large pages just get freed directly */
+                               VGMEMP_FREE(txn->mt_env, dp);
                                free(dp);
                        }
                }
@@ -1560,6 +1769,8 @@ mdb_txn_reset0(MDB_txn *txn)
                        txn->mt_env->me_pghead = mop->mo_next;
                        free(mop);
                }
+               txn->mt_env->me_pgfirst = 0;
+               txn->mt_env->me_pglast = 0;
 
                env->me_txn = NULL;
                /* The writer mutex was locked in mdb_txn_begin. */
@@ -1606,7 +1817,7 @@ mdb_txn_commit(MDB_txn *txn)
        off_t            size;
        MDB_page        *dp;
        MDB_env *env;
-       pgno_t  next;
+       pgno_t  next, freecnt;
        MDB_cursor mc;
 
        assert(txn != NULL);
@@ -1621,21 +1832,11 @@ mdb_txn_commit(MDB_txn *txn)
 
        if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
                if (txn->mt_numdbs > env->me_numdbs) {
-                       /* update the DB tables */
-                       int toggle = !env->me_db_toggle;
-                       MDB_db *ip, *jp;
+                       /* update the DB flags */
                        MDB_dbi i;
-
-                       ip = &env->me_dbs[toggle][env->me_numdbs];
-                       jp = &txn->mt_dbs[env->me_numdbs];
-                       LAZY_RWLOCK_WRLOCK(&env->me_dblock);
-                       for (i = env->me_numdbs; i < txn->mt_numdbs; i++) {
-                               *ip++ = *jp++;
-                       }
-
-                       env->me_db_toggle = toggle;
-                       env->me_numdbs = txn->mt_numdbs;
-                       LAZY_RWLOCK_UNLOCK(&env->me_dblock);
+                       for (i = env->me_numdbs; i<txn->mt_numdbs; i++)
+                               env->me_dbflags[i] = txn->mt_dbs[i].md_flags;
+                       env->me_numdbs = i;
                }
                mdb_txn_abort(txn);
                return MDB_SUCCESS;
@@ -1656,7 +1857,7 @@ mdb_txn_commit(MDB_txn *txn)
                MDB_db *ip, *jp;
                MDB_dbi i;
                unsigned x, y;
-               ID2L dst, src;
+               MDB_ID2L dst, src;
 
                /* Update parent's DB table */
                ip = &txn->mt_parent->mt_dbs[2];
@@ -1686,8 +1887,10 @@ mdb_txn_commit(MDB_txn *txn)
                }
                x = dst[0].mid;
                for (; y<=src[0].mid; y++) {
-                       if (++x >= MDB_IDL_UM_MAX)
+                       if (++x >= MDB_IDL_UM_MAX) {
+                               mdb_txn_abort(txn);
                                return ENOMEM;
+                       }
                        dst[x] = src[y];
                }
                dst[0].mid = x;
@@ -1709,28 +1912,68 @@ mdb_txn_commit(MDB_txn *txn)
        DPRINTF("committing txn %zu %p on mdbenv %p, root page %zu",
            txn->mt_txnid, (void *)txn, (void *)env, txn->mt_dbs[MAIN_DBI].md_root);
 
+       /* Update DB root pointers. Their pages have already been
+        * touched so this is all in-place and cannot fail.
+        */
+       if (txn->mt_numdbs > 2) {
+               MDB_dbi i;
+               MDB_val data;
+               data.mv_size = sizeof(MDB_db);
+
+               mdb_cursor_init(&mc, txn, MAIN_DBI, NULL);
+               for (i = 2; i < txn->mt_numdbs; i++) {
+                       if (txn->mt_dbflags[i] & DB_DIRTY) {
+                               data.mv_data = &txn->mt_dbs[i];
+                               mdb_cursor_put(&mc, &txn->mt_dbxs[i].md_name, &data, 0);
+                       }
+               }
+       }
+
        mdb_cursor_init(&mc, txn, FREE_DBI, NULL);
 
        /* should only be one record now */
        if (env->me_pghead) {
                /* make sure first page of freeDB is touched and on freelist */
-               mdb_page_search(&mc, NULL, 1);
+               mdb_page_search(&mc, NULL, MDB_PS_MODIFY);
+       }
+
+       /* Delete IDLs we used from the free list */
+       if (env->me_pgfirst) {
+               txnid_t cur;
+               MDB_val key;
+               int exact = 0;
+
+               key.mv_size = sizeof(cur);
+               for (cur = env->me_pgfirst; cur <= env->me_pglast; cur++) {
+                       key.mv_data = &cur;
+
+                       mdb_cursor_set(&mc, &key, NULL, MDB_SET, &exact);
+                       rc = mdb_cursor_del(&mc, 0);
+                       if (rc) {
+                               mdb_txn_abort(txn);
+                               return rc;
+                       }
+               }
+               env->me_pgfirst = 0;
+               env->me_pglast = 0;
        }
+
        /* save to free list */
+free2:
+       freecnt = txn->mt_free_pgs[0];
        if (!MDB_IDL_IS_ZERO(txn->mt_free_pgs)) {
                MDB_val key, data;
-               pgno_t i;
 
                /* make sure last page of freeDB is touched and on freelist */
                key.mv_size = MAXKEYSIZE+1;
                key.mv_data = NULL;
-               mdb_page_search(&mc, &key, 1);
+               mdb_page_search(&mc, &key, MDB_PS_MODIFY);
 
                mdb_midl_sort(txn->mt_free_pgs);
-#if DEBUG > 1
+#if MDB_DEBUG > 1
                {
                        unsigned int i;
-                       ID *idl = txn->mt_free_pgs;
+                       MDB_IDL idl = txn->mt_free_pgs;
                        DPRINTF("IDL write txn %zu root %zu num %zu",
                                txn->mt_txnid, txn->mt_dbs[FREE_DBI].md_root, idl[0]);
                        for (i=0; i<idl[0]; i++) {
@@ -1747,49 +1990,73 @@ mdb_txn_commit(MDB_txn *txn)
                 * and make sure the entire thing got written.
                 */
                do {
-                       i = txn->mt_free_pgs[0];
+                       freecnt = txn->mt_free_pgs[0];
                        data.mv_size = MDB_IDL_SIZEOF(txn->mt_free_pgs);
                        rc = mdb_cursor_put(&mc, &key, &data, 0);
                        if (rc) {
                                mdb_txn_abort(txn);
                                return rc;
                        }
-               } while (i != txn->mt_free_pgs[0]);
-               if (mdb_midl_shrink(&txn->mt_free_pgs))
-                       env->me_free_pgs = txn->mt_free_pgs;
+               } while (freecnt != txn->mt_free_pgs[0]);
        }
        /* should only be one record now */
+again:
        if (env->me_pghead) {
                MDB_val key, data;
                MDB_oldpages *mop;
+               pgno_t orig;
+               txnid_t id;
 
                mop = env->me_pghead;
-               key.mv_size = sizeof(pgno_t);
-               key.mv_data = &mop->mo_txnid;
+               id = mop->mo_txnid;
+               key.mv_size = sizeof(id);
+               key.mv_data = &id;
                data.mv_size = MDB_IDL_SIZEOF(mop->mo_pages);
                data.mv_data = mop->mo_pages;
+               orig = mop->mo_pages[0];
+               /* These steps may grow the freelist again
+                * due to freed overflow pages...
+                */
                mdb_cursor_put(&mc, &key, &data, 0);
-               free(env->me_pghead);
-               env->me_pghead = NULL;
+               if (mop == env->me_pghead && env->me_pghead->mo_txnid == id) {
+                       /* could have been used again here */
+                       if (mop->mo_pages[0] != orig) {
+                               data.mv_size = MDB_IDL_SIZEOF(mop->mo_pages);
+                               data.mv_data = mop->mo_pages;
+                               id = mop->mo_txnid;
+                               mdb_cursor_put(&mc, &key, &data, 0);
+                       }
+                       env->me_pghead = NULL;
+                       free(mop);
+               } else {
+                       /* was completely used up */
+                       mdb_cursor_del(&mc, 0);
+                       if (env->me_pghead)
+                               goto again;
+               }
+               env->me_pgfirst = 0;
+               env->me_pglast = 0;
        }
 
-       /* Update DB root pointers. Their pages have already been
-        * touched so this is all in-place and cannot fail.
-        */
-       {
-               MDB_dbi i;
-               MDB_val data;
-               data.mv_size = sizeof(MDB_db);
+       while (env->me_pgfree) {
+               MDB_oldpages *mop = env->me_pgfree;
+               env->me_pgfree = mop->mo_next;
+               free(mop);;
+       }
 
-               mdb_cursor_init(&mc, txn, MAIN_DBI, NULL);
-               for (i = 2; i < txn->mt_numdbs; i++) {
-                       if (txn->mt_dbflags[i] & DB_DIRTY) {
-                               data.mv_data = &txn->mt_dbs[i];
-                               mdb_cursor_put(&mc, &txn->mt_dbxs[i].md_name, &data, 0);
-                       }
-               }
+       /* Check for growth of freelist again */
+       if (freecnt != txn->mt_free_pgs[0])
+               goto free2;
+
+       if (!MDB_IDL_IS_ZERO(txn->mt_free_pgs)) {
+               if (mdb_midl_shrink(&txn->mt_free_pgs))
+                       env->me_free_pgs = txn->mt_free_pgs;
        }
 
+#if MDB_DEBUG > 2
+       mdb_audit(txn);
+#endif
+
        /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
         */
        next = 0;
@@ -1835,7 +2102,6 @@ mdb_txn_commit(MDB_txn *txn)
                        dp = txn->mt_u.dirty_list[i].mptr;
                        if (dp->mp_pgno != next) {
                                if (n) {
-                                       DPRINTF("committing %u dirty pages", n);
                                        rc = writev(env->me_fd, iov, n);
                                        if (rc != size) {
                                                n = ErrCode();
@@ -1855,7 +2121,7 @@ mdb_txn_commit(MDB_txn *txn)
                        DPRINTF("committing page %zu", dp->mp_pgno);
                        iov[n].iov_len = env->me_psize;
                        if (IS_OVERFLOW(dp)) iov[n].iov_len *= dp->mp_pages;
-                       iov[n].iov_base = dp;
+                       iov[n].iov_base = (char *)dp;
                        size += iov[n].iov_len;
                        next = dp->mp_pgno + (IS_OVERFLOW(dp) ? dp->mp_pages : 1);
                        /* clear dirty flag */
@@ -1870,7 +2136,6 @@ mdb_txn_commit(MDB_txn *txn)
                if (n == 0)
                        break;
 
-               DPRINTF("committing %u dirty pages", n);
                rc = writev(env->me_fd, iov, n);
                if (rc != size) {
                        n = ErrCode();
@@ -1890,8 +2155,10 @@ mdb_txn_commit(MDB_txn *txn)
                dp = txn->mt_u.dirty_list[i].mptr;
                if (!IS_OVERFLOW(dp) || dp->mp_pages == 1) {
                        dp->mp_next = txn->mt_env->me_dpages;
+                       VGMEMP_FREE(txn->mt_env, dp);
                        txn->mt_env->me_dpages = dp;
                } else {
+                       VGMEMP_FREE(txn->mt_env, dp);
                        free(dp);
                }
                txn->mt_u.dirty_list[i].mid = 0;
@@ -1903,28 +2170,15 @@ mdb_txn_commit(MDB_txn *txn)
                mdb_txn_abort(txn);
                return n;
        }
-       env->me_wtxnid = txn->mt_txnid;
 
 done:
        env->me_txn = NULL;
-       /* update the DB tables */
-       {
-               int toggle = !env->me_db_toggle;
-               MDB_db *ip, *jp;
+       if (txn->mt_numdbs > env->me_numdbs) {
+               /* update the DB flags */
                MDB_dbi i;
-
-               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++;
-               }
-
-               env->me_db_toggle = toggle;
-               env->me_numdbs = txn->mt_numdbs;
-               LAZY_RWLOCK_UNLOCK(&env->me_dblock);
+               for (i = env->me_numdbs; i<txn->mt_numdbs; i++)
+                       env->me_dbflags[i] = txn->mt_dbs[i].md_flags;
+               env->me_numdbs = i;
        }
 
        UNLOCK_MUTEX_W(env);
@@ -1942,7 +2196,7 @@ done:
 static int
 mdb_env_read_header(MDB_env *env, MDB_meta *meta)
 {
-       char             page[PAGESIZE];
+       MDB_pagebuf     pbuf;
        MDB_page        *p;
        MDB_meta        *m;
        int              rc, err;
@@ -1951,14 +2205,14 @@ mdb_env_read_header(MDB_env *env, MDB_meta *meta)
         */
 
 #ifdef _WIN32
-       if (!ReadFile(env->me_fd, page, PAGESIZE, (DWORD *)&rc, NULL) || rc == 0)
+       if (!ReadFile(env->me_fd, &pbuf, MDB_PAGESIZE, (DWORD *)&rc, NULL) || rc == 0)
 #else
-       if ((rc = read(env->me_fd, page, PAGESIZE)) == 0)
+       if ((rc = read(env->me_fd, &pbuf, MDB_PAGESIZE)) == 0)
 #endif
        {
                return ENOENT;
        }
-       else if (rc != PAGESIZE) {
+       else if (rc != MDB_PAGESIZE) {
                err = ErrCode();
                if (rc > 0)
                        err = EINVAL;
@@ -1966,7 +2220,7 @@ mdb_env_read_header(MDB_env *env, MDB_meta *meta)
                return err;
        }
 
-       p = (MDB_page *)page;
+       p = (MDB_page *)&pbuf;
 
        if (!F_ISSET(p->mp_flags, P_META)) {
                DPRINTF("page %zu not a meta page", p->mp_pgno);
@@ -2120,33 +2374,19 @@ mdb_env_write_meta(MDB_txn *txn)
         * 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;
 }
 
 /** Check both meta pages to see which one is newer.
  * @param[in] env the environment handle
- * @param[out] which address of where to store the meta toggle ID
- * @return 0 on success, non-zero on failure.
+ * @return meta toggle (0 or 1).
  */
 static int
-mdb_env_read_meta(MDB_env *env, int *which)
+mdb_env_pick_meta(const MDB_env *env)
 {
-       int toggle = 0;
-
-       assert(env != NULL);
-
-       if (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid)
-               toggle = 1;
-
-       DPRINTF("Using meta page %d", toggle);
-       *which = toggle;
-
-       return MDB_SUCCESS;
+       return (env->me_metas[0]->mm_txnid < env->me_metas[1]->mm_txnid);
 }
 
 int
@@ -2168,6 +2408,7 @@ mdb_env_create(MDB_env **env)
        e->me_fd = INVALID_HANDLE_VALUE;
        e->me_lfd = INVALID_HANDLE_VALUE;
        e->me_mfd = INVALID_HANDLE_VALUE;
+       VGMEMP_CREATE(e,0,0);
        *env = e;
        return MDB_SUCCESS;
 }
@@ -2215,7 +2456,7 @@ mdb_env_get_maxreaders(MDB_env *env, unsigned int *readers)
 static int
 mdb_env_open2(MDB_env *env, unsigned int flags)
 {
-       int i, newenv = 0, toggle;
+       int i, newenv = 0;
        MDB_meta meta;
        MDB_page *p;
 
@@ -2266,8 +2507,10 @@ mdb_env_open2(MDB_env *env, unsigned int flags)
                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)
+       if (env->me_map == MAP_FAILED) {
+               env->me_map = NULL;
                return ErrCode();
+       }
 #endif
 
        if (newenv) {
@@ -2288,26 +2531,29 @@ mdb_env_open2(MDB_env *env, unsigned int flags)
        env->me_metas[0] = METADATA(p);
        env->me_metas[1] = (MDB_meta *)((char *)env->me_metas[0] + meta.mm_psize);
 
-       if ((i = mdb_env_read_meta(env, &toggle)) != 0)
-               return i;
-
-       DPRINTF("opened database version %u, pagesize %u",
-           env->me_metas[toggle]->mm_version, env->me_psize);
-       DPRINTF("depth: %u", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_depth);
-       DPRINTF("entries: %zu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_entries);
-       DPRINTF("branch pages: %zu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_branch_pages);
-       DPRINTF("leaf pages: %zu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_leaf_pages);
-       DPRINTF("overflow pages: %zu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_overflow_pages);
-       DPRINTF("root: %zu", env->me_metas[toggle]->mm_dbs[MAIN_DBI].md_root);
+#if MDB_DEBUG
+       {
+               int toggle = mdb_env_pick_meta(env);
+               MDB_db *db = &env->me_metas[toggle]->mm_dbs[MAIN_DBI];
+
+               DPRINTF("opened database version %u, pagesize %u",
+                       env->me_metas[0]->mm_version, env->me_psize);
+               DPRINTF("using meta page %d",  toggle);
+               DPRINTF("depth: %u",           db->md_depth);
+               DPRINTF("entries: %zu",        db->md_entries);
+               DPRINTF("branch pages: %zu",   db->md_branch_pages);
+               DPRINTF("leaf pages: %zu",     db->md_leaf_pages);
+               DPRINTF("overflow pages: %zu", db->md_overflow_pages);
+               DPRINTF("root: %zu",           db->md_root);
+       }
+#endif
 
        return MDB_SUCCESS;
 }
 
-#ifndef _WIN32
+
 /** Release a reader thread's slot in the reader lock table.
  *     This function is called automatically when a thread exits.
- *     Windows doesn't support destructor callbacks for thread-specific storage,
- *     so this function is not compiled there.
  * @param[in] ptr This points to the slot in the reader lock table.
  */
 static void
@@ -2319,17 +2565,68 @@ mdb_env_reader_dest(void *ptr)
        reader->mr_pid = 0;
        reader->mr_tid = 0;
 }
+
+#ifdef _WIN32
+/** Junk for arranging thread-specific callbacks on Windows. This is
+ *     necessarily platform and compiler-specific. Windows supports up
+ *     to 1088 keys. Let's assume nobody opens more than 64 environments
+ *     in a single process, for now. They can override this if needed.
+ */
+#ifndef MAX_TLS_KEYS
+#define MAX_TLS_KEYS   64
+#endif
+static pthread_key_t mdb_tls_keys[MAX_TLS_KEYS];
+static int mdb_tls_nkeys;
+
+static void NTAPI mdb_tls_callback(PVOID module, DWORD reason, PVOID ptr)
+{
+       int i;
+       switch(reason) {
+       case DLL_PROCESS_ATTACH: break;
+       case DLL_THREAD_ATTACH: break;
+       case DLL_THREAD_DETACH:
+               for (i=0; i<mdb_tls_nkeys; i++) {
+                       MDB_reader *r = pthread_getspecific(mdb_tls_keys[i]);
+                       mdb_env_reader_dest(r);
+               }
+               break;
+       case DLL_PROCESS_DETACH: break;
+       }
+}
+#ifdef __GNUC__
+#ifdef _WIN64
+const PIMAGE_TLS_CALLBACK mdb_tls_cbp __attribute__((section (".CRT$XLB"))) = mdb_tls_callback;
+#else
+PIMAGE_TLS_CALLBACK mdb_tls_cbp __attribute__((section (".CRT$XLB"))) = mdb_tls_callback;
+#endif
+#else
+#ifdef _WIN64
+/* Force some symbol references.
+ *     _tls_used forces the linker to create the TLS directory if not already done
+ *     mdb_tls_cbp prevents whole-program-optimizer from dropping the symbol.
+ */
+#pragma comment(linker, "/INCLUDE:_tls_used")
+#pragma comment(linker, "/INCLUDE:mdb_tls_cbp")
+#pragma const_seg(".CRT$XLB")
+extern const PIMAGE_TLS_CALLBACK mdb_tls_callback;
+const PIMAGE_TLS_CALLBACK mdb_tls_cbp = mdb_tls_callback;
+#pragma const_seg()
+#else  /* WIN32 */
+#pragma comment(linker, "/INCLUDE:__tls_used")
+#pragma comment(linker, "/INCLUDE:_mdb_tls_cbp")
+#pragma data_seg(".CRT$XLB")
+PIMAGE_TLS_CALLBACK mdb_tls_cbp = mdb_tls_callback;
+#pragma data_seg()
+#endif /* WIN 32/64 */
+#endif /* !__GNUC__ */
 #endif
 
 /** Downgrade the exclusive lock on the region back to shared */
 static void
 mdb_env_share_locks(MDB_env *env)
 {
-       int toggle = 0;
+       int toggle = mdb_env_pick_meta(env);
 
-       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;
 
 #ifdef _WIN32
@@ -2355,7 +2652,40 @@ mdb_env_share_locks(MDB_env *env)
        }
 #endif
 }
-#if defined(_WIN32) || defined(__APPLE__)
+
+static int
+mdb_env_excl_lock(MDB_env *env, int *excl)
+{
+#ifdef _WIN32
+       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)) {
+                       return ErrCode();
+               }
+       }
+#else
+       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;
+       if (!fcntl(env->me_lfd, F_SETLK, &lock_info)) {
+               *excl = 1;
+       } else {
+               lock_info.l_type = F_RDLCK;
+               if (fcntl(env->me_lfd, F_SETLKW, &lock_info)) {
+                       return ErrCode();
+               }
+       }
+#endif
+       return 0;
+}
+
+#if defined(_WIN32) || defined(USE_POSIX_SEM)
 /*
  * hash_64 - 64 bit Fowler/Noll/Vo-0 FNV-1a hash code
  *
@@ -2396,13 +2726,14 @@ typedef unsigned long long      mdb_hash_t;
  *      hval arg on the first call.
  */
 static mdb_hash_t
-mdb_hash_str(char *str, mdb_hash_t hval)
+mdb_hash_val(MDB_val *val, mdb_hash_t hval)
 {
-       unsigned char *s = (unsigned char *)str;        /* unsigned string */
+       unsigned char *s = (unsigned char *)val->mv_data;       /* unsigned string */
+       unsigned char *end = s + val->mv_size;
        /*
         * FNV-1a hash each octet of the string
         */
-       while (*s) {
+       while (s < end) {
                /* xor the bottom with the current octet */
                hval ^= (mdb_hash_t)*s++;
 
@@ -2419,10 +2750,10 @@ mdb_hash_str(char *str, mdb_hash_t hval)
  * @param[out] hexbuf an array of 17 chars to hold the hash
  */
 static void
-mdb_hash_hex(char *str, char *hexbuf)
+mdb_hash_hex(MDB_val *val, char *hexbuf)
 {
        int i;
-       mdb_hash_t h = mdb_hash_str(str, MDB_HASH_INIT);
+       mdb_hash_t h = mdb_hash_val(val, MDB_HASH_INIT);
        for (i=0; i<8; i++) {
                hexbuf += sprintf(hexbuf, "%02x", (unsigned int)h & 0xff);
                h >>= 8;
@@ -2455,46 +2786,29 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
        /* 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;
-                       }
-               }
-       }
+       if ((rc = mdb_env_excl_lock(env, excl))) goto fail;
        size = GetFileSize(env->me_lfd, NULL);
+
 #else
-       if ((env->me_lfd = open(lpath, O_RDWR|O_CREAT, mode)) == -1) {
-               rc = ErrCode();
-               return rc;
+#if !(O_CLOEXEC)
+       {
+               int fdflags;
+               if ((env->me_lfd = open(lpath, O_RDWR|O_CREAT, mode)) == -1)
+                       return ErrCode();
+               /* Lose record locks when exec*() */
+               if ((fdflags = fcntl(env->me_lfd, F_GETFD) | FD_CLOEXEC) >= 0)
+                       fcntl(env->me_lfd, F_SETFD, fdflags);
        }
+#else /* O_CLOEXEC on Linux: Open file and set FD_CLOEXEC atomically */
+       if ((env->me_lfd = open(lpath, O_RDWR|O_CREAT|O_CLOEXEC, mode)) == -1)
+               return ErrCode();
+#endif
+
        /* Try to get exclusive lock. If we succeed, then
         * nobody is using the lock region and we should initialize it.
         */
-       {
-               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 == 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;
-                       }
-               }
-       }
+       if ((rc = mdb_env_excl_lock(env, excl))) goto fail;
+
        size = lseek(env->me_lfd, 0, SEEK_END);
 #endif
        rsize = (env->me_maxreaders-1) * sizeof(MDB_reader) + sizeof(MDB_txninfo);
@@ -2516,8 +2830,8 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                size = rsize - sizeof(MDB_txninfo);
                env->me_maxreaders = size/sizeof(MDB_reader) + 1;
        }
-#ifdef _WIN32
        {
+#ifdef _WIN32
                HANDLE mh;
                mh = CreateFileMapping(env->me_lfd, NULL, PAGE_READWRITE,
                        0, 0, NULL);
@@ -2531,18 +2845,28 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        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 = ErrCode();
-               goto fail;
-       }
+               void *m = mmap(NULL, rsize, PROT_READ|PROT_WRITE, MAP_SHARED,
+                       env->me_lfd, 0);
+               if (m == MAP_FAILED) {
+                       env->me_txns = NULL;
+                       rc = ErrCode();
+                       goto fail;
+               }
+               env->me_txns = m;
 #endif
+       }
        if (*excl) {
 #ifdef _WIN32
+               BY_HANDLE_FILE_INFORMATION stbuf;
+               struct {
+                       DWORD volume;
+                       DWORD nhigh;
+                       DWORD nlow;
+               } idbuf;
+               MDB_val val;
                char hexbuf[17];
+
                if (!mdb_sec_inited) {
                        InitializeSecurityDescriptor(&mdb_null_sd,
                                SECURITY_DESCRIPTOR_REVISION);
@@ -2552,7 +2876,13 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        mdb_all_sa.lpSecurityDescriptor = &mdb_null_sd;
                        mdb_sec_inited = 1;
                }
-               mdb_hash_hex(lpath, hexbuf);
+               GetFileInformationByHandle(env->me_lfd, &stbuf);
+               idbuf.volume = stbuf.dwVolumeSerialNumber;
+               idbuf.nhigh  = stbuf.nFileIndexHigh;
+               idbuf.nlow   = stbuf.nFileIndexLow;
+               val.mv_data = &idbuf;
+               val.mv_size = sizeof(idbuf);
+               mdb_hash_hex(&val, hexbuf);
                sprintf(env->me_txns->mti_rmname, "Global\\MDBr%s", hexbuf);
                env->me_rmutex = CreateMutex(&mdb_all_sa, FALSE, env->me_txns->mti_rmname);
                if (!env->me_rmutex) {
@@ -2566,10 +2896,22 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        goto fail;
                }
 #else  /* _WIN32 */
-#ifdef __APPLE__
+#ifdef USE_POSIX_SEM
+               struct stat stbuf;
+               struct {
+                       dev_t dev;
+                       ino_t ino;
+               } idbuf;
+               MDB_val val;
                char hexbuf[17];
-               mdb_hash_hex(lpath, hexbuf);
-               sprintf(env->me_txns->mti_rmname, "MDBr%s", hexbuf);
+
+               fstat(env->me_lfd, &stbuf);
+               idbuf.dev = stbuf.st_dev;
+               idbuf.ino = stbuf.st_ino;
+               val.mv_data = &idbuf;
+               val.mv_size = sizeof(idbuf);
+               mdb_hash_hex(&val, hexbuf);
+               sprintf(env->me_txns->mti_rmname, "/MDBr%s", hexbuf);
                if (sem_unlink(env->me_txns->mti_rmname)) {
                        rc = ErrCode();
                        if (rc != ENOENT && rc != EINVAL)
@@ -2580,7 +2922,7 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        rc = ErrCode();
                        goto fail;
                }
-               sprintf(env->me_txns->mti_wmname, "MDBw%s", hexbuf);
+               sprintf(env->me_txns->mti_wmname, "/MDBw%s", hexbuf);
                if (sem_unlink(env->me_txns->mti_wmname)) {
                        rc = ErrCode();
                        if (rc != ENOENT && rc != EINVAL)
@@ -2591,7 +2933,7 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        rc = ErrCode();
                        goto fail;
                }
-#else  /* __APPLE__ */
+#else  /* USE_POSIX_SEM */
                pthread_mutexattr_t mattr;
 
                pthread_mutexattr_init(&mattr);
@@ -2601,13 +2943,12 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                }
                pthread_mutex_init(&env->me_txns->mti_mutex, &mattr);
                pthread_mutex_init(&env->me_txns->mti_wmutex, &mattr);
-#endif /* __APPLE__ */
+#endif /* USE_POSIX_SEM */
 #endif /* _WIN32 */
                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->mti_magic != MDB_MAGIC) {
@@ -2637,7 +2978,7 @@ mdb_env_setup_locks(MDB_env *env, char *lpath, int mode, int *excl)
                        goto fail;
                }
 #endif
-#ifdef __APPLE__
+#ifdef USE_POSIX_SEM
                env->me_rmutex = sem_open(env->me_txns->mti_rmname, 0);
                if (!env->me_rmutex) {
                        rc = ErrCode();
@@ -2704,51 +3045,57 @@ mdb_env_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
                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;
-       }
+       env->me_fd = CreateFile(dpath, oflags, FILE_SHARE_READ|FILE_SHARE_WRITE,
+               NULL, len, mode, NULL);
 #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) {
+       env->me_fd = open(dpath, oflags, mode);
+#endif
+       if (env->me_fd == INVALID_HANDLE_VALUE) {
                rc = ErrCode();
                goto leave;
        }
-#endif
 
        if ((rc = mdb_env_open2(env, flags)) == MDB_SUCCESS) {
-               /* synchronous fd for meta writes */
+               if (flags & (MDB_RDONLY|MDB_NOSYNC|MDB_NOMETASYNC)) {
+                       env->me_mfd = env->me_fd;
+               } else {
+                       /* 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;
-               }
+                       env->me_mfd = CreateFile(dpath, oflags,
+                               FILE_SHARE_READ|FILE_SHARE_WRITE, NULL, len,
+                               mode | FILE_FLAG_WRITE_THROUGH, NULL);
 #else
-               if (!(flags & (MDB_RDONLY|MDB_NOSYNC)))
-                       oflags |= MDB_DSYNC;
-               if ((env->me_mfd = open(dpath, oflags, mode)) == -1) {
-                       rc = ErrCode();
-                       goto leave;
-               }
+                       env->me_mfd = open(dpath, oflags | MDB_DSYNC, mode);
 #endif
+                       if (env->me_mfd == INVALID_HANDLE_VALUE) {
+                               rc = ErrCode();
+                               goto leave;
+                       }
+               }
                env->me_path = strdup(path);
                DPRINTF("opened dbenv %p", (void *) env);
                pthread_key_create(&env->me_txkey, mdb_env_reader_dest);
-               LAZY_RWLOCK_INIT(&env->me_dblock, NULL);
+#ifdef _WIN32
+               /* Windows TLS callbacks need help finding their TLS info. */
+               if (mdb_tls_nkeys < MAX_TLS_KEYS)
+                       mdb_tls_keys[mdb_tls_nkeys++] = env->me_txkey;
+               else {
+                       rc = ENOMEM;
+                       goto leave;
+               }
+#endif
                if (excl)
                        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));
                env->me_numdbs = 2;
+               env->me_dbxs = calloc(env->me_maxdbs, sizeof(MDB_dbx));
+               env->me_dbflags = calloc(env->me_maxdbs, sizeof(uint16_t));
+               if (!env->me_dbxs || !env->me_dbflags)
+                       rc = ENOMEM;
        }
 
 leave:
@@ -2774,24 +3121,36 @@ mdb_env_close(MDB_env *env)
        if (env == NULL)
                return;
 
+       VGMEMP_DESTROY(env);
        while (env->me_dpages) {
                dp = env->me_dpages;
+               VGMEMP_DEFINED(&dp->mp_next, sizeof(dp->mp_next));
                env->me_dpages = dp->mp_next;
                free(dp);
        }
 
-       free(env->me_dbs[1]);
-       free(env->me_dbs[0]);
+       free(env->me_dbflags);
        free(env->me_dbxs);
        free(env->me_path);
 
-       LAZY_RWLOCK_DESTROY(&env->me_dblock);
        pthread_key_delete(env->me_txkey);
+#ifdef _WIN32
+       /* Delete our key from the global list */
+       { int i;
+               for (i=0; i<mdb_tls_nkeys; i++)
+                       if (mdb_tls_keys[i] == env->me_txkey) {
+                               mdb_tls_keys[i] = mdb_tls_keys[mdb_tls_nkeys-1];
+                               mdb_tls_nkeys--;
+                               break;
+                       }
+       }
+#endif
 
        if (env->me_map) {
                munmap(env->me_map, env->me_mapsize);
        }
-       close(env->me_mfd);
+       if (env->me_mfd != env->me_fd)
+               close(env->me_mfd);
        close(env->me_fd);
        if (env->me_txns) {
                pid_t pid = getpid();
@@ -2799,7 +3158,27 @@ mdb_env_close(MDB_env *env)
                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));
+#ifdef _WIN32
+               CloseHandle(env->me_rmutex);
+               CloseHandle(env->me_wmutex);
+               /* Windows automatically destroys the mutexes when
+                * the last handle closes.
+                */
+#else
+#ifdef USE_POSIX_SEM
+               sem_close(env->me_rmutex);
+               sem_close(env->me_wmutex);
+               { int excl = 0;
+                       if (!mdb_env_excl_lock(env, &excl) && excl) {
+                               /* we are the only remaining user of the environment.
+                                  clean up semaphores. */
+                               sem_unlink(env->me_txns->mti_rmname);
+                               sem_unlink(env->me_txns->mti_wmname);
+                       }
+               }
+#endif
+#endif
+               munmap((void *)env->me_txns, (env->me_maxreaders-1)*sizeof(MDB_reader)+sizeof(MDB_txninfo));
        }
        close(env->me_lfd);
        mdb_midl_free(env->me_free_pgs);
@@ -2909,9 +3288,15 @@ mdb_node_search(MDB_cursor *mc, MDB_val *key, int *exactp)
 
        nkeys = NUMKEYS(mp);
 
+#if MDB_DEBUG
+       {
+       pgno_t pgno;
+       COPY_PGNO(pgno, mp->mp_pgno);
        DPRINTF("searching %u keys in %s %spage %zu",
            nkeys, IS_LEAF(mp) ? "leaf" : "branch", IS_SUBP(mp) ? "sub-" : "",
-           mp->mp_pgno);
+           pgno);
+       }
+#endif
 
        assert(nkeys > 0);
 
@@ -2954,7 +3339,7 @@ mdb_node_search(MDB_cursor *mc, MDB_val *key, int *exactp)
                        nodekey.mv_data = NODEKEY(node);
 
                        rc = cmp(key, &nodekey);
-#if DEBUG
+#if MDB_DEBUG
                        if (IS_LEAF(mp))
                                DPRINTF("found leaf index %u [%s], rc = %i",
                                    i, DKEY(&nodekey), rc);
@@ -3006,10 +3391,10 @@ mdb_cursor_adjust(MDB_cursor *mc, func)
 static void
 mdb_cursor_pop(MDB_cursor *mc)
 {
-       MDB_page        *top;
-
        if (mc->mc_snum) {
-               top = mc->mc_pg[mc->mc_top];
+#if MDB_DEBUG
+               MDB_page        *top = mc->mc_pg[mc->mc_top];
+#endif
                mc->mc_snum--;
                if (mc->mc_snum)
                        mc->mc_top--;
@@ -3057,7 +3442,7 @@ mdb_page_get(MDB_txn *txn, pgno_t pgno, MDB_page **ret)
                }
        }
        if (!p) {
-               if (pgno <= txn->mt_env->me_metas[txn->mt_toggle]->mm_last_pg)
+               if (pgno < txn->mt_next_pgno)
                        p = (MDB_page *)(txn->mt_env->me_map + txn->mt_env->me_psize * pgno);
        }
        *ret = p;
@@ -3075,7 +3460,8 @@ mdb_page_get(MDB_txn *txn, pgno_t pgno, MDB_page **ret)
  * @param[in,out] mc the cursor for this operation.
  * @param[in] key the key to search for. If NULL, search for the lowest
  * page. (This is used by #mdb_cursor_first().)
- * @param[in] modify If true, visited pages are updated with new page numbers.
+ * @param[in] flags If MDB_PS_MODIFY set, visited pages are updated with new page numbers.
+ *   If MDB_PS_ROOTONLY set, just fetch root node, no further lookups.
  * @return 0 on success, non-zero on failure.
  */
 static int
@@ -3157,7 +3543,7 @@ mdb_page_search_root(MDB_cursor *mc, MDB_val *key, int modify)
  * @return 0 on success, non-zero on failure.
  */
 static int
-mdb_page_search(MDB_cursor *mc, MDB_val *key, int modify)
+mdb_page_search(MDB_cursor *mc, MDB_val *key, int flags)
 {
        int              rc;
        pgno_t           root;
@@ -3172,11 +3558,11 @@ mdb_page_search(MDB_cursor *mc, MDB_val *key, int modify)
                /* Make sure we're using an up-to-date root */
                if (mc->mc_dbi > MAIN_DBI) {
                        if ((*mc->mc_dbflag & DB_STALE) ||
-                       (modify && !(*mc->mc_dbflag & DB_DIRTY))) {
+                       ((flags & MDB_PS_MODIFY) && !(*mc->mc_dbflag & DB_DIRTY))) {
                                MDB_cursor mc2;
                                unsigned char dbflag = 0;
                                mdb_cursor_init(&mc2, mc->mc_txn, MAIN_DBI, NULL);
-                               rc = mdb_page_search(&mc2, &mc->mc_dbx->md_name, modify);
+                               rc = mdb_page_search(&mc2, &mc->mc_dbx->md_name, flags & MDB_PS_MODIFY);
                                if (rc)
                                        return rc;
                                if (*mc->mc_dbflag & DB_STALE) {
@@ -3189,7 +3575,7 @@ mdb_page_search(MDB_cursor *mc, MDB_val *key, int modify)
                                        mdb_node_read(mc->mc_txn, leaf, &data);
                                        memcpy(mc->mc_db, data.mv_data, sizeof(MDB_db));
                                }
-                               if (modify)
+                               if (flags & MDB_PS_MODIFY)
                                        dbflag = DB_DIRTY;
                                *mc->mc_dbflag = dbflag;
                        }
@@ -3202,8 +3588,10 @@ mdb_page_search(MDB_cursor *mc, MDB_val *key, int modify)
                }
        }
 
-       if ((rc = mdb_page_get(mc->mc_txn, root, &mc->mc_pg[0])))
-               return rc;
+       assert(root > 1);
+       if (!mc->mc_pg[0] || mc->mc_pg[0]->mp_pgno != root)
+               if ((rc = mdb_page_get(mc->mc_txn, root, &mc->mc_pg[0])))
+                       return rc;
 
        mc->mc_snum = 1;
        mc->mc_top = 0;
@@ -3211,12 +3599,15 @@ mdb_page_search(MDB_cursor *mc, MDB_val *key, int modify)
        DPRINTF("db %u root page %zu has flags 0x%X",
                mc->mc_dbi, root, mc->mc_pg[0]->mp_flags);
 
-       if (modify) {
+       if (flags & MDB_PS_MODIFY) {
                if ((rc = mdb_page_touch(mc)))
                        return rc;
        }
 
-       return mdb_page_search_root(mc, key, modify);
+       if (flags & MDB_PS_ROOTONLY)
+               return MDB_SUCCESS;
+
+       return mdb_page_search_root(mc, key, flags);
 }
 
 /** Return the data associated with a given node.
@@ -3348,7 +3739,7 @@ mdb_cursor_next(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op)
                                        return rc;
                        }
                } else {
-                       mc->mc_xcursor->mx_cursor.mc_flags = 0;
+                       mc->mc_xcursor->mx_cursor.mc_flags &= ~C_INITIALIZED;
                        if (op == MDB_NEXT_DUP)
                                return MDB_NOTFOUND;
                }
@@ -3418,7 +3809,7 @@ mdb_cursor_prev(MDB_cursor *mc, MDB_val *key, MDB_val *data, MDB_cursor_op op)
                                if (op != MDB_PREV || rc == MDB_SUCCESS)
                                        return rc;
                        } else {
-                               mc->mc_xcursor->mx_cursor.mc_flags = 0;
+                               mc->mc_xcursor->mx_cursor.mc_flags &= ~C_INITIALIZED;
                                if (op == MDB_PREV_DUP)
                                        return MDB_NOTFOUND;
                        }
@@ -3478,7 +3869,7 @@ mdb_cursor_set(MDB_cursor *mc, MDB_val *key, MDB_val *data,
 {
        int              rc;
        MDB_page        *mp;
-       MDB_node        *leaf;
+       MDB_node        *leaf = NULL;
        DKBUF;
 
        assert(mc);
@@ -3507,7 +3898,6 @@ mdb_cursor_set(MDB_cursor *mc, MDB_val *key, MDB_val *data,
                         * was the one we wanted.
                         */
                        mc->mc_ki[mc->mc_top] = 0;
-                       leaf = NODEPTR(mp, 0);
                        if (exactp)
                                *exactp = 1;
                        goto set1;
@@ -3527,13 +3917,28 @@ mdb_cursor_set(MDB_cursor *mc, MDB_val *key, MDB_val *data,
                                if (rc == 0) {
                                        /* last node was the one we wanted */
                                        mc->mc_ki[mc->mc_top] = nkeys-1;
-                                       leaf = NODEPTR(mp, nkeys-1);
                                        if (exactp)
                                                *exactp = 1;
                                        goto set1;
                                }
                                if (rc < 0) {
-                                       /* This is definitely the right page, skip search_page */
+                                       if (mc->mc_ki[mc->mc_top] < NUMKEYS(mp)) {
+                                               /* This is definitely the right page, skip search_page */
+                                               if (mp->mp_flags & P_LEAF2) {
+                                                       nodekey.mv_data = LEAF2KEY(mp,
+                                                                mc->mc_ki[mc->mc_top], nodekey.mv_size);
+                                               } else {
+                                                       leaf = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
+                                                       MDB_SET_KEY(leaf, &nodekey);
+                                               }
+                                               rc = mc->mc_dbx->md_cmp(key, &nodekey);
+                                               if (rc == 0) {
+                                                       /* current node was the one we wanted */
+                                                       if (exactp)
+                                                               *exactp = 1;
+                                                       goto set1;
+                                               }
+                                       }
                                        rc = 0;
                                        goto set2;
                                }
@@ -3622,7 +4027,7 @@ set1:
 
                } else {
                        if (mc->mc_xcursor)
-                               mc->mc_xcursor->mx_cursor.mc_flags = 0;
+                               mc->mc_xcursor->mx_cursor.mc_flags &= ~C_INITIALIZED;
                        if ((rc = mdb_node_read(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
                                return rc;
                }
@@ -3670,7 +4075,7 @@ mdb_cursor_first(MDB_cursor *mc, MDB_val *key, MDB_val *data)
                                return rc;
                } else {
                        if (mc->mc_xcursor)
-                               mc->mc_xcursor->mx_cursor.mc_flags = 0;
+                               mc->mc_xcursor->mx_cursor.mc_flags &= ~C_INITIALIZED;
                        if ((rc = mdb_node_read(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
                                return rc;
                }
@@ -3685,23 +4090,24 @@ mdb_cursor_last(MDB_cursor *mc, MDB_val *key, MDB_val *data)
 {
        int              rc;
        MDB_node        *leaf;
-       MDB_val lkey;
 
-       lkey.mv_size = MAXKEYSIZE+1;
-       lkey.mv_data = NULL;
+       if (!(mc->mc_flags & C_EOF)) {
 
        if (!(mc->mc_flags & C_INITIALIZED) || mc->mc_top) {
+               MDB_val lkey;
+
+               lkey.mv_size = MAXKEYSIZE+1;
+               lkey.mv_data = NULL;
                rc = mdb_page_search(mc, &lkey, 0);
                if (rc != MDB_SUCCESS)
                        return rc;
        }
        assert(IS_LEAF(mc->mc_pg[mc->mc_top]));
 
-       leaf = NODEPTR(mc->mc_pg[mc->mc_top], NUMKEYS(mc->mc_pg[mc->mc_top])-1);
-       mc->mc_flags |= C_INITIALIZED;
-       mc->mc_flags &= ~C_EOF;
-
        mc->mc_ki[mc->mc_top] = NUMKEYS(mc->mc_pg[mc->mc_top]) - 1;
+       mc->mc_flags |= C_INITIALIZED|C_EOF;
+       }
+       leaf = NODEPTR(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top]);
 
        if (IS_LEAF2(mc->mc_pg[mc->mc_top])) {
                key->mv_size = mc->mc_db->md_pad;
@@ -3717,7 +4123,7 @@ mdb_cursor_last(MDB_cursor *mc, MDB_val *key, MDB_val *data)
                                return rc;
                } else {
                        if (mc->mc_xcursor)
-                               mc->mc_xcursor->mx_cursor.mc_flags = 0;
+                               mc->mc_xcursor->mx_cursor.mc_flags &= ~C_INITIALIZED;
                        if ((rc = mdb_node_read(mc->mc_txn, leaf, data)) != MDB_SUCCESS)
                                return rc;
                }
@@ -3800,9 +4206,10 @@ fetchm:
        case MDB_PREV:
        case MDB_PREV_DUP:
        case MDB_PREV_NODUP:
-               if (!(mc->mc_flags & C_INITIALIZED) || (mc->mc_flags & C_EOF))
+               if (!(mc->mc_flags & C_INITIALIZED) || (mc->mc_flags & C_EOF)) {
                        rc = mdb_cursor_last(mc, key, data);
-               else
+                       mc->mc_flags &= ~C_EOF;
+               } else
                        rc = mdb_cursor_prev(mc, key, data, op);
                break;
        case MDB_FIRST:
@@ -3852,7 +4259,7 @@ mdb_cursor_touch(MDB_cursor *mc)
        if (mc->mc_dbi > MAIN_DBI && !(*mc->mc_dbflag & DB_DIRTY)) {
                MDB_cursor mc2;
                mdb_cursor_init(&mc2, mc->mc_txn, MAIN_DBI, NULL);
-               rc = mdb_page_search(&mc2, &mc->mc_dbx->md_name, 1);
+               rc = mdb_page_search(&mc2, &mc->mc_dbx->md_name, MDB_PS_MODIFY);
                if (rc)
                         return rc;
                *mc->mc_dbflag = DB_DIRTY;
@@ -3874,11 +4281,11 @@ mdb_cursor_put(MDB_cursor *mc, MDB_val *key, MDB_val *data,
        MDB_val xdata, *rdata, dkey;
        MDB_page        *fp;
        MDB_db dummy;
-       int do_sub = 0;
+       int do_sub = 0, insert = 0;
        unsigned int mcount = 0;
        size_t nsize;
        int rc, rc2;
-       char pbuf[PAGESIZE];
+       MDB_pagebuf pbuf;
        char dbuf[MAXKEYSIZE+1];
        unsigned int nflags;
        DKBUF;
@@ -3916,8 +4323,22 @@ mdb_cursor_put(MDB_cursor *mc, MDB_val *key, MDB_val *data,
        } else {
                int exact = 0;
                MDB_val d2;
+               if (flags & MDB_APPEND) {
+                       MDB_val k2;
+                       rc = mdb_cursor_last(mc, &k2, &d2);
+                       if (rc == 0) {
+                               rc = mc->mc_dbx->md_cmp(key, &k2);
+                               if (rc > 0) {
+                                       rc = MDB_NOTFOUND;
+                                       mc->mc_ki[mc->mc_top]++;
+                               } else {
+                                       rc = 0;
+                               }
+                       }
+               } else {
                rc = mdb_cursor_set(mc, key, &d2, MDB_SET, &exact);
-               if (flags == MDB_NOOVERWRITE && rc == 0) {
+               }
+               if ((flags & MDB_NOOVERWRITE) && rc == 0) {
                        DPRINTF("duplicate key [%s]", DKEY(key));
                        *data = d2;
                        return MDB_KEYEXIST;
@@ -3959,14 +4380,22 @@ more:
 
                                dkey.mv_size = NODEDSZ(leaf);
                                dkey.mv_data = NODEDATA(leaf);
-                               /* data matches, ignore it */
+#if UINT_MAX < SIZE_MAX
+                               if (mc->mc_dbx->md_dcmp == mdb_cmp_int && dkey.mv_size == sizeof(size_t))
+#ifdef MISALIGNED_OK
+                                       mc->mc_dbx->md_dcmp = mdb_cmp_long;
+#else
+                                       mc->mc_dbx->md_dcmp = mdb_cmp_cint;
+#endif
+#endif
+                               /* if data matches, ignore it */
                                if (!mc->mc_dbx->md_dcmp(data, &dkey))
                                        return (flags == MDB_NODUPDATA) ? MDB_KEYEXIST : MDB_SUCCESS;
 
                                /* create a fake page for the dup items */
                                memcpy(dbuf, dkey.mv_data, dkey.mv_size);
                                dkey.mv_data = dbuf;
-                               fp = (MDB_page *)pbuf;
+                               fp = (MDB_page *)&pbuf;
                                fp->mp_pgno = mc->mc_pg[mc->mc_top]->mp_pgno;
                                fp->mp_flags = P_LEAF|P_DIRTY|P_SUBP;
                                fp->mp_lower = PAGEHDRSZ;
@@ -3974,6 +4403,7 @@ more:
                                if (mc->mc_db->md_flags & MDB_DUPFIXED) {
                                        fp->mp_flags |= P_LEAF2;
                                        fp->mp_pad = data->mv_size;
+                                       fp->mp_upper += 2 * data->mv_size;      /* leave space for 2 more */
                                } else {
                                        fp->mp_upper += 2 * sizeof(indx_t) + 2 * NODESIZE +
                                                (dkey.mv_size & 1) + (data->mv_size & 1);
@@ -3982,7 +4412,7 @@ more:
                                do_sub = 1;
                                rdata = &xdata;
                                xdata.mv_size = fp->mp_upper;
-                               xdata.mv_data = pbuf;
+                               xdata.mv_data = fp;
                                flags |= F_DUPDATA;
                                goto new_sub;
                        }
@@ -3994,14 +4424,18 @@ more:
 
                                fp = NODEDATA(leaf);
                                if (flags == MDB_CURRENT) {
+reuse:
                                        fp->mp_flags |= P_DIRTY;
-                                       fp->mp_pgno = mc->mc_pg[mc->mc_top]->mp_pgno;
+                                       COPY_PGNO(fp->mp_pgno, mc->mc_pg[mc->mc_top]->mp_pgno);
                                        mc->mc_xcursor->mx_cursor.mc_pg[0] = fp;
                                        flags |= F_DUPDATA;
                                        goto put_sub;
                                }
                                if (mc->mc_db->md_flags & MDB_DUPFIXED) {
                                        offset = fp->mp_pad;
+                                       if (SIZELEFT(fp) >= offset)
+                                               goto reuse;
+                                       offset *= 4;    /* space for 4 more */
                                } else {
                                        offset = NODESIZE + sizeof(indx_t) + data->mv_size;
                                }
@@ -4035,8 +4469,8 @@ more:
                                        /* no, just grow it */
                                        rdata = &xdata;
                                        xdata.mv_size = NODEDSZ(leaf) + offset;
-                                       xdata.mv_data = pbuf;
-                                       mp = (MDB_page *)pbuf;
+                                       xdata.mv_data = &pbuf;
+                                       mp = (MDB_page *)&pbuf;
                                        mp->mp_pgno = mc->mc_pg[mc->mc_top]->mp_pgno;
                                        flags |= F_DUPDATA;
                                }
@@ -4061,9 +4495,42 @@ more:
                        goto put_sub;
                }
 current:
-               /* same size, just replace it */
-               if (!F_ISSET(leaf->mn_flags, F_BIGDATA) &&
-                       NODEDSZ(leaf) == data->mv_size) {
+               /* overflow page overwrites need special handling */
+               if (F_ISSET(leaf->mn_flags, F_BIGDATA)) {
+                       MDB_page *omp;
+                       pgno_t pg;
+                       int ovpages, dpages;
+
+                       ovpages = OVPAGES(NODEDSZ(leaf), mc->mc_txn->mt_env->me_psize);
+                       dpages = OVPAGES(data->mv_size, mc->mc_txn->mt_env->me_psize);
+                       memcpy(&pg, NODEDATA(leaf), sizeof(pg));
+                       mdb_page_get(mc->mc_txn, pg, &omp);
+                       /* Is the ov page writable and large enough? */
+                       if ((omp->mp_flags & P_DIRTY) && ovpages >= dpages) {
+                               /* yes, overwrite it. Note in this case we don't
+                                * bother to try shrinking the node if the new data
+                                * is smaller than the overflow threshold.
+                                */
+                               if (F_ISSET(flags, MDB_RESERVE))
+                                       data->mv_data = METADATA(omp);
+                               else
+                                       memcpy(METADATA(omp), data->mv_data, data->mv_size);
+                               goto done;
+                       } else {
+                               /* no, free ovpages */
+                               int i;
+                               mc->mc_db->md_overflow_pages -= ovpages;
+                               for (i=0; i<ovpages; i++) {
+                                       DPRINTF("freed ov page %zu", pg);
+                                       mdb_midl_append(&mc->mc_txn->mt_free_pgs, pg);
+                                       pg++;
+                               }
+                       }
+               } else if (NODEDSZ(leaf) == data->mv_size) {
+                       /* same size, just replace it. Note that we could
+                        * also reuse this node if the new data is smaller,
+                        * but instead we opt to shrink the node in that case.
+                        */
                        if (F_ISSET(flags, MDB_RESERVE))
                                data->mv_data = NODEDATA(leaf);
                        else
@@ -4071,8 +4538,10 @@ current:
                        goto done;
                }
                mdb_node_del(mc->mc_pg[mc->mc_top], mc->mc_ki[mc->mc_top], 0);
+               mc->mc_db->md_entries--;
        } else {
                DPRINTF("inserting key at index %i", mc->mc_ki[mc->mc_top]);
+               insert = 1;
        }
 
        rdata = data;
@@ -4081,11 +4550,15 @@ new_sub:
        nflags = flags & NODE_ADD_FLAGS;
        nsize = IS_LEAF2(mc->mc_pg[mc->mc_top]) ? key->mv_size : mdb_leaf_size(mc->mc_txn->mt_env, key, rdata);
        if (SIZELEFT(mc->mc_pg[mc->mc_top]) < nsize) {
+               if (( flags & (F_DUPDATA|F_SUBDATA)) == F_DUPDATA )
+                       nflags &= ~MDB_APPEND;
+               if (!insert)
+                       nflags |= MDB_SPLIT_REPLACE;
                rc = mdb_page_split(mc, key, rdata, P_INVALID, nflags);
        } else {
                /* There is room already in this leaf page. */
                rc = mdb_node_add(mc, mc->mc_ki[mc->mc_top], key, rdata, 0, nflags);
-               if (rc == 0 && !do_sub) {
+               if (rc == 0 && !do_sub && insert) {
                        /* Adjust other cursors pointing to mp */
                        MDB_cursor *m2, *m3;
                        MDB_dbi dbi = mc->mc_dbi;
@@ -4100,7 +4573,7 @@ new_sub:
                                        m3 = &m2->mc_xcursor->mx_cursor;
                                else
                                        m3 = m2;
-                               if (m3 == mc) continue;
+                               if (m3 == mc || m3->mc_snum < mc->mc_snum) continue;
                                if (m3->mc_pg[i] == mp && m3->mc_ki[i] >= mc->mc_ki[i]) {
                                        m3->mc_ki[i]++;
                                }
@@ -4117,7 +4590,6 @@ new_sub:
                 * DB are all zero size.
                 */
                if (do_sub) {
-                       MDB_db *db;
                        int xflags;
 put_sub:
                        xdata.mv_size = 0;
@@ -4141,17 +4613,18 @@ put_sub:
                                        MDB_page *mp = mc->mc_pg[i];
 
                                        for (m2 = mc->mc_txn->mt_cursors[mc->mc_dbi]; m2; m2=m2->mc_next) {
-                                               if (m2 == mc) continue;
+                                               if (m2 == mc || m2->mc_snum < mc->mc_snum) continue;
                                                if (m2->mc_pg[i] == mp && m2->mc_ki[i] == mc->mc_ki[i]) {
                                                        mdb_xcursor_init1(m2, leaf);
                                                }
                                        }
                                }
                        }
-                       xflags |= (flags & MDB_APPEND);
+                       if (flags & MDB_APPENDDUP)
+                               xflags |= MDB_APPEND;
                        rc = mdb_cursor_put(&mc->mc_xcursor->mx_cursor, data, &xdata, xflags);
                        if (flags & F_SUBDATA) {
-                               db = NODEDATA(leaf);
+                               void *db = NODEDATA(leaf);
                                memcpy(db, &mc->mc_xcursor->mx_db, sizeof(MDB_db));
                        }
                }
@@ -4201,7 +4674,7 @@ mdb_cursor_del(MDB_cursor *mc, unsigned int flags)
                        if (mc->mc_xcursor->mx_db.md_entries) {
                                if (leaf->mn_flags & F_SUBDATA) {
                                        /* update subDB info */
-                                       MDB_db *db = NODEDATA(leaf);
+                                       void *db = NODEDATA(leaf);
                                        memcpy(db, &mc->mc_xcursor->mx_db, sizeof(MDB_db));
                                } else {
                                        /* shrink fake page */
@@ -4275,7 +4748,7 @@ mdb_leaf_size(MDB_env *env, MDB_val *key, MDB_val *data)
        size_t           sz;
 
        sz = LEAFSIZE(key, data);
-       if (data->mv_size >= env->me_psize / MDB_MINKEYS) {
+       if (sz >= env->me_psize / MDB_MINKEYS) {
                /* put on overflow page */
                sz -= data->mv_size - sizeof(pgno_t);
        }
@@ -4368,11 +4841,11 @@ mdb_node_add(MDB_cursor *mc, indx_t indx,
                if (F_ISSET(flags, F_BIGDATA)) {
                        /* Data already on overflow page. */
                        node_size += sizeof(pgno_t);
-               } else if (data->mv_size >= mc->mc_txn->mt_env->me_psize / MDB_MINKEYS) {
+               } else if (node_size + data->mv_size >= mc->mc_txn->mt_env->me_psize / MDB_MINKEYS) {
                        int ovpages = OVPAGES(data->mv_size, mc->mc_txn->mt_env->me_psize);
                        /* Put data on overflow page. */
-                       DPRINTF("data size is %zu, put on overflow page",
-                           data->mv_size);
+                       DPRINTF("data size is %zu, node would be %zu, put data on overflow page",
+                           data->mv_size, node_size+data->mv_size);
                        node_size += sizeof(pgno_t);
                        if ((ofp = mdb_page_new(mc, P_OVERFLOW, ovpages)) == NULL)
                                return ENOMEM;
@@ -4454,8 +4927,14 @@ mdb_node_del(MDB_page *mp, indx_t indx, int ksize)
        MDB_node        *node;
        char            *base;
 
+#if MDB_DEBUG
+       {
+       pgno_t pgno;
+       COPY_PGNO(pgno, mp->mp_pgno);
        DPRINTF("delete node %u on %s page %zu", indx,
-           IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
+           IS_LEAF(mp) ? "leaf" : "branch", pgno);
+       }
+#endif
        assert(indx < NUMKEYS(mp));
 
        if (IS_LEAF2(mp)) {
@@ -4533,7 +5012,7 @@ mdb_node_shrink(MDB_page *mp, indx_t indx)
        xp->mp_lower = sp->mp_lower;
        xp->mp_flags = sp->mp_flags;
        xp->mp_pad = sp->mp_pad;
-       xp->mp_pgno = mp->mp_pgno;
+       COPY_PGNO(xp->mp_pgno, mp->mp_pgno);
 
        /* shift lower nodes upward */
        ptr = mp->mp_ptrs[indx];
@@ -4568,6 +5047,9 @@ mdb_xcursor_init0(MDB_cursor *mc)
        mx->mx_cursor.mc_dbx = &mx->mx_dbx;
        mx->mx_cursor.mc_dbi = mc->mc_dbi+1;
        mx->mx_cursor.mc_dbflag = &mx->mx_dbflag;
+       mx->mx_cursor.mc_snum = 0;
+       mx->mx_cursor.mc_top = 0;
+       mx->mx_cursor.mc_flags = C_SUB;
        mx->mx_dbx.md_cmp = mc->mc_dbx->md_dcmp;
        mx->mx_dbx.md_dcmp = NULL;
        mx->mx_dbx.md_rel = mc->mc_dbx->md_rel;
@@ -4585,8 +5067,8 @@ mdb_xcursor_init1(MDB_cursor *mc, MDB_node *node)
        MDB_xcursor *mx = mc->mc_xcursor;
 
        if (node->mn_flags & F_SUBDATA) {
-               MDB_db *db = NODEDATA(node);
-               mx->mx_db = *db;
+               memcpy(&mx->mx_db, NODEDATA(node), sizeof(MDB_db));
+               mx->mx_cursor.mc_pg[0] = 0;
                mx->mx_cursor.mc_snum = 0;
                mx->mx_cursor.mc_flags = C_SUB;
        } else {
@@ -4598,7 +5080,7 @@ mdb_xcursor_init1(MDB_cursor *mc, MDB_node *node)
                mx->mx_db.md_leaf_pages = 1;
                mx->mx_db.md_overflow_pages = 0;
                mx->mx_db.md_entries = NUMKEYS(fp);
-               mx->mx_db.md_root = fp->mp_pgno;
+               COPY_PGNO(mx->mx_db.md_root, fp->mp_pgno);
                mx->mx_cursor.mc_snum = 1;
                mx->mx_cursor.mc_flags = C_INITIALIZED|C_SUB;
                mx->mx_cursor.mc_top = 0;
@@ -4617,8 +5099,14 @@ mdb_xcursor_init1(MDB_cursor *mc, MDB_node *node)
                DB_DIRTY : 0;
        mx->mx_dbx.md_name.mv_data = NODEKEY(node);
        mx->mx_dbx.md_name.mv_size = node->mn_ksize;
+#if UINT_MAX < SIZE_MAX
        if (mx->mx_dbx.md_cmp == mdb_cmp_int && mx->mx_db.md_pad == sizeof(size_t))
+#ifdef MISALIGNED_OK
                mx->mx_dbx.md_cmp = mdb_cmp_long;
+#else
+               mx->mx_dbx.md_cmp = mdb_cmp_cint;
+#endif
+#endif
 }
 
 /** Initialize a cursor for a given transaction and database. */
@@ -4632,6 +5120,8 @@ mdb_cursor_init(MDB_cursor *mc, MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx)
        mc->mc_dbx = &txn->mt_dbxs[dbi];
        mc->mc_dbflag = &txn->mt_dbflags[dbi];
        mc->mc_snum = 0;
+       mc->mc_top = 0;
+       mc->mc_pg[0] = 0;
        mc->mc_flags = 0;
        if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
                assert(mx != NULL);
@@ -4640,6 +5130,9 @@ mdb_cursor_init(MDB_cursor *mc, MDB_txn *txn, MDB_dbi dbi, MDB_xcursor *mx)
        } else {
                mc->mc_xcursor = NULL;
        }
+       if (*mc->mc_dbflag & DB_STALE) {
+               mdb_page_search(mc, NULL, MDB_PS_ROOTONLY);
+       }
 }
 
 int
@@ -4649,7 +5142,11 @@ mdb_cursor_open(MDB_txn *txn, MDB_dbi dbi, MDB_cursor **ret)
        MDB_xcursor     *mx = NULL;
        size_t size = sizeof(MDB_cursor);
 
-       if (txn == NULL || ret == NULL || !dbi || dbi >= txn->mt_numdbs)
+       if (txn == NULL || ret == NULL || dbi >= txn->mt_numdbs)
+               return EINVAL;
+
+       /* Allow read access to the freelist */
+       if (!dbi && !F_ISSET(txn->mt_flags, MDB_TXN_RDONLY))
                return EINVAL;
 
        if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT)
@@ -4737,22 +5234,35 @@ mdb_cursor_dbi(MDB_cursor *mc)
 static int
 mdb_update_key(MDB_page *mp, indx_t indx, MDB_val *key)
 {
-       indx_t                   ptr, i, numkeys;
-       int                      delta;
-       size_t                   len;
        MDB_node                *node;
        char                    *base;
+       size_t                   len;
+       int                      delta, delta0;
+       indx_t                   ptr, i, numkeys;
        DKBUF;
 
        node = NODEPTR(mp, indx);
        ptr = mp->mp_ptrs[indx];
-       DPRINTF("update key %u (ofs %u) [%.*s] to [%s] on page %zu",
-           indx, ptr,
-           (int)node->mn_ksize, (char *)NODEKEY(node),
-               DKEY(key),
-           mp->mp_pgno);
+#if MDB_DEBUG
+       {
+               MDB_val k2;
+               char kbuf2[(MAXKEYSIZE*2+1)];
+               k2.mv_data = NODEKEY(node);
+               k2.mv_size = node->mn_ksize;
+               DPRINTF("update key %u (ofs %u) [%s] to [%s] on page %zu",
+                       indx, ptr,
+                       mdb_dkey(&k2, kbuf2),
+                       DKEY(key),
+                       mp->mp_pgno);
+       }
+#endif
+
+       delta0 = delta = key->mv_size - node->mn_ksize;
 
-       delta = key->mv_size - node->mn_ksize;
+       /* Must be 2-byte aligned. If new key is
+        * shorter by 1, the shift will be skipped.
+        */
+       delta += (delta & 1);
        if (delta) {
                if (delta > 0 && SIZELEFT(mp) < delta) {
                        DPRINTF("OUCH! Not enough room, delta = %d", delta);
@@ -4771,10 +5281,14 @@ mdb_update_key(MDB_page *mp, indx_t indx, MDB_val *key)
                mp->mp_upper -= delta;
 
                node = NODEPTR(mp, indx);
-               node->mn_ksize = key->mv_size;
        }
 
-       memcpy(NODEKEY(node), key->mv_data, key->mv_size);
+       /* But even if no shift was needed, update ksize */
+       if (delta0)
+               node->mn_ksize = key->mv_size;
+
+       if (key->mv_size)
+               memcpy(NODEKEY(node), key->mv_data, key->mv_size);
 
        return MDB_SUCCESS;
 }
@@ -4787,6 +5301,9 @@ mdb_node_move(MDB_cursor *csrc, MDB_cursor *cdst)
        int                      rc;
        MDB_node                *srcnode;
        MDB_val          key, data;
+       pgno_t  srcpg;
+       unsigned short flags;
+
        DKBUF;
 
        /* Mark src and dst as dirty. */
@@ -4800,16 +5317,26 @@ mdb_node_move(MDB_cursor *csrc, MDB_cursor *cdst)
                key.mv_data = LEAF2KEY(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top], key.mv_size);
                data.mv_size = 0;
                data.mv_data = NULL;
+               srcpg = 0;
+               flags = 0;
        } else {
                srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], csrc->mc_ki[csrc->mc_top]);
+               assert(!((long)srcnode&1));
+               srcpg = NODEPGNO(srcnode);
+               flags = srcnode->mn_flags;
                if (csrc->mc_ki[csrc->mc_top] == 0 && IS_BRANCH(csrc->mc_pg[csrc->mc_top])) {
                        unsigned int snum = csrc->mc_snum;
                        MDB_node *s2;
                        /* must find the lowest key below src */
                        mdb_page_search_root(csrc, NULL, 0);
-                       s2 = NODEPTR(csrc->mc_pg[csrc->mc_top], 0);
-                       key.mv_size = NODEKSZ(s2);
-                       key.mv_data = NODEKEY(s2);
+                       if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
+                               key.mv_size = csrc->mc_db->md_pad;
+                               key.mv_data = LEAF2KEY(csrc->mc_pg[csrc->mc_top], 0, key.mv_size);
+                       } else {
+                               s2 = NODEPTR(csrc->mc_pg[csrc->mc_top], 0);
+                               key.mv_size = NODEKSZ(s2);
+                               key.mv_data = NODEKEY(s2);
+                       }
                        csrc->mc_snum = snum--;
                        csrc->mc_top = snum;
                } else {
@@ -4819,6 +5346,25 @@ mdb_node_move(MDB_cursor *csrc, MDB_cursor *cdst)
                data.mv_size = NODEDSZ(srcnode);
                data.mv_data = NODEDATA(srcnode);
        }
+       if (IS_BRANCH(cdst->mc_pg[cdst->mc_top]) && cdst->mc_ki[cdst->mc_top] == 0) {
+               unsigned int snum = cdst->mc_snum;
+               MDB_node *s2;
+               MDB_val bkey;
+               /* must find the lowest key below dst */
+               mdb_page_search_root(cdst, NULL, 0);
+               if (IS_LEAF2(cdst->mc_pg[cdst->mc_top])) {
+                       bkey.mv_size = cdst->mc_db->md_pad;
+                       bkey.mv_data = LEAF2KEY(cdst->mc_pg[cdst->mc_top], 0, bkey.mv_size);
+               } else {
+                       s2 = NODEPTR(cdst->mc_pg[cdst->mc_top], 0);
+                       bkey.mv_size = NODEKSZ(s2);
+                       bkey.mv_data = NODEKEY(s2);
+               }
+               cdst->mc_snum = snum--;
+               cdst->mc_top = snum;
+               rc = mdb_update_key(cdst->mc_pg[cdst->mc_top], 0, &bkey);
+       }
+
        DPRINTF("moving %s node %u [%s] on page %zu to node %u on page %zu",
            IS_LEAF(csrc->mc_pg[csrc->mc_top]) ? "leaf" : "branch",
            csrc->mc_ki[csrc->mc_top],
@@ -4828,8 +5374,7 @@ mdb_node_move(MDB_cursor *csrc, MDB_cursor *cdst)
 
        /* Add the node to the destination page.
         */
-       rc = mdb_node_add(cdst, cdst->mc_ki[cdst->mc_top], &key, &data, NODEPGNO(srcnode),
-           srcnode->mn_flags);
+       rc = mdb_node_add(cdst, cdst->mc_ki[cdst->mc_top], &key, &data, srcpg, flags);
        if (rc != MDB_SUCCESS)
                return rc;
 
@@ -4952,9 +5497,26 @@ mdb_page_merge(MDB_cursor *csrc, MDB_cursor *cdst)
        } else {
                for (i = 0; i < NUMKEYS(csrc->mc_pg[csrc->mc_top]); i++, j++) {
                        srcnode = NODEPTR(csrc->mc_pg[csrc->mc_top], i);
+                       if (i == 0 && IS_BRANCH(csrc->mc_pg[csrc->mc_top])) {
+                               unsigned int snum = csrc->mc_snum;
+                               MDB_node *s2;
+                               /* must find the lowest key below src */
+                               mdb_page_search_root(csrc, NULL, 0);
+                               if (IS_LEAF2(csrc->mc_pg[csrc->mc_top])) {
+                                       key.mv_size = csrc->mc_db->md_pad;
+                                       key.mv_data = LEAF2KEY(csrc->mc_pg[csrc->mc_top], 0, key.mv_size);
+                               } else {
+                                       s2 = NODEPTR(csrc->mc_pg[csrc->mc_top], 0);
+                                       key.mv_size = NODEKSZ(s2);
+                                       key.mv_data = NODEKEY(s2);
+                               }
+                               csrc->mc_snum = snum--;
+                               csrc->mc_top = snum;
+                       } else {
+                               key.mv_size = srcnode->mn_ksize;
+                               key.mv_data = NODEKEY(srcnode);
+                       }
 
-                       key.mv_size = srcnode->mn_ksize;
-                       key.mv_data = NODEKEY(srcnode);
                        data.mv_size = NODEDSZ(srcnode);
                        data.mv_data = NODEDATA(srcnode);
                        rc = mdb_node_add(cdst, j, &key, &data, NODEPGNO(srcnode), srcnode->mn_flags);
@@ -4990,11 +5552,12 @@ mdb_page_merge(MDB_cursor *csrc, MDB_cursor *cdst)
                        dbi--;
 
                for (m2 = csrc->mc_txn->mt_cursors[dbi]; m2; m2=m2->mc_next) {
-                       if (m2 == csrc) continue;
                        if (csrc->mc_flags & C_SUB)
                                m3 = &m2->mc_xcursor->mx_cursor;
                        else
                                m3 = m2;
+                       if (m3 == csrc) continue;
+                       if (m3->mc_snum < csrc->mc_snum) continue;
                        if (m3->mc_pg[csrc->mc_top] == csrc->mc_pg[csrc->mc_top]) {
                                m3->mc_pg[csrc->mc_top] = mp;
                                m3->mc_ki[csrc->mc_top] += nkeys;
@@ -5042,13 +5605,23 @@ mdb_rebalance(MDB_cursor *mc)
        unsigned int ptop;
        MDB_cursor      mn;
 
+#if MDB_DEBUG
+       {
+       pgno_t pgno;
+       COPY_PGNO(pgno, mc->mc_pg[mc->mc_top]->mp_pgno);
        DPRINTF("rebalancing %s page %zu (has %u keys, %.1f%% full)",
            IS_LEAF(mc->mc_pg[mc->mc_top]) ? "leaf" : "branch",
-           mc->mc_pg[mc->mc_top]->mp_pgno, NUMKEYS(mc->mc_pg[mc->mc_top]), (float)PAGEFILL(mc->mc_txn->mt_env, mc->mc_pg[mc->mc_top]) / 10);
+           pgno, NUMKEYS(mc->mc_pg[mc->mc_top]), (float)PAGEFILL(mc->mc_txn->mt_env, mc->mc_pg[mc->mc_top]) / 10);
+       }
+#endif
 
        if (PAGEFILL(mc->mc_txn->mt_env, mc->mc_pg[mc->mc_top]) >= FILL_THRESHOLD) {
+#if MDB_DEBUG
+               pgno_t pgno;
+               COPY_PGNO(pgno, mc->mc_pg[mc->mc_top]->mp_pgno);
                DPRINTF("no need to rebalance page %zu, above fill threshold",
-                   mc->mc_pg[mc->mc_top]->mp_pgno);
+                   pgno);
+#endif
                return MDB_SUCCESS;
        }
 
@@ -5076,6 +5649,7 @@ mdb_rebalance(MDB_cursor *mc)
                                                m3 = &m2->mc_xcursor->mx_cursor;
                                        else
                                                m3 = m2;
+                                       if (m3->mc_snum < mc->mc_snum) continue;
                                        if (m3->mc_pg[0] == mp) {
                                                m3->mc_snum = 0;
                                                m3->mc_top = 0;
@@ -5105,6 +5679,7 @@ mdb_rebalance(MDB_cursor *mc)
                                                m3 = &m2->mc_xcursor->mx_cursor;
                                        else
                                                m3 = m2;
+                                       if (m3->mc_snum < mc->mc_snum) continue;
                                        if (m3->mc_pg[0] == mp) {
                                                m3->mc_pg[0] = mc->mc_pg[0];
                                        }
@@ -5185,6 +5760,7 @@ mdb_cursor_del0(MDB_cursor *mc, MDB_node *leaf)
 
                memcpy(&pg, NODEDATA(leaf), sizeof(pg));
                ovpages = OVPAGES(NODEDSZ(leaf), mc->mc_txn->mt_env->me_psize);
+               mc->mc_db->md_overflow_pages -= ovpages;
                for (i=0; i<ovpages; i++) {
                        DPRINTF("freed ov page %zu", pg);
                        mdb_midl_append(&mc->mc_txn->mt_free_pgs, pg);
@@ -5250,6 +5826,7 @@ mdb_del(MDB_txn *txn, MDB_dbi dbi,
  * @param[in] newkey The key for the newly inserted node.
  * @param[in] newdata The data for the newly inserted node.
  * @param[in] newpgno The page number, if the new node is a branch node.
+ * @param[in] nflags The #NODE_ADD_FLAGS for the new node.
  * @return 0 on success, non-zero on failure.
  */
 static int
@@ -5257,7 +5834,7 @@ mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno
        unsigned int nflags)
 {
        unsigned int flags;
-       int              rc = MDB_SUCCESS, ins_new = 0, new_root = 0;
+       int              rc = MDB_SUCCESS, ins_new = 0, new_root = 0, newpos = 1, did_split = 0;
        indx_t           newindx;
        pgno_t           pgno = 0;
        unsigned int     i, j, split_indx, nkeys, pmax;
@@ -5276,6 +5853,11 @@ mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno
            IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno,
            DKEY(newkey), mc->mc_ki[mc->mc_top]);
 
+       /* Create a right sibling. */
+       if ((rp = mdb_page_new(mc, mp->mp_flags, 1)) == NULL)
+               return ENOMEM;
+       DPRINTF("new right sibling: page %zu", rp->mp_pgno);
+
        if (mc->mc_snum < 2) {
                if ((pp = mdb_page_new(mc, P_BRANCH, 1)) == NULL)
                        return ENOMEM;
@@ -5306,11 +5888,7 @@ mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno
                DPRINTF("parent branch page is %zu", mc->mc_pg[ptop]->mp_pgno);
        }
 
-       /* Create a right sibling. */
-       if ((rp = mdb_page_new(mc, mp->mp_flags, 1)) == NULL)
-               return ENOMEM;
-       DPRINTF("new right sibling: page %zu", rp->mp_pgno);
-
+       mc->mc_flags |= C_SPLITTING;
        mdb_cursor_copy(mc, &mn);
        mn.mc_pg[mn.mc_top] = rp;
        mn.mc_ki[ptop] = mc->mc_ki[ptop]+1;
@@ -5318,13 +5896,15 @@ mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno
        if (nflags & MDB_APPEND) {
                mn.mc_ki[mn.mc_top] = 0;
                sepkey = *newkey;
+               split_indx = newindx;
                nkeys = 0;
-               split_indx = 0;
                goto newsep;
        }
 
        nkeys = NUMKEYS(mp);
-       split_indx = nkeys / 2 + 1;
+       split_indx = (nkeys + 1) / 2;
+       if (newindx < split_indx)
+               newpos = 0;
 
        if (IS_LEAF2(rp)) {
                char *split, *ins;
@@ -5370,49 +5950,64 @@ mdb_page_split(MDB_cursor *mc, MDB_val *newkey, MDB_val *newdata, pgno_t newpgno
        }
 
        /* For leaf pages, check the split point based on what
-        * fits where, since otherwise add_node can fail.
+        * fits where, since otherwise mdb_node_add can fail.
+        *
+        * This check is only needed when the data items are
+        * relatively large, such that being off by one will
+        * make the difference between success or failure.
+        * When the size of the data items is much smaller than
+        * one-half of a page, this check is irrelevant.
         */
        if (IS_LEAF(mp)) {
                unsigned int psize, nsize;
                /* Maximum free space in an empty page */
                pmax = mc->mc_txn->mt_env->me_psize - PAGEHDRSZ;
                nsize = mdb_leaf_size(mc->mc_txn->mt_env, newkey, newdata);
-               if (newindx < split_indx) {
-                       psize = nsize;
-                       for (i=0; i<split_indx; i++) {
-                               node = NODEPTR(mp, i);
-                               psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
-                               if (F_ISSET(node->mn_flags, F_BIGDATA))
-                                       psize += sizeof(pgno_t);
-                               else
-                                       psize += NODEDSZ(node);
-                               psize += psize & 1;
-                               if (psize > pmax) {
-                                       split_indx = i;
-                                       break;
+               if ((nkeys < 20) || (nsize > pmax/4)) {
+                       if (newindx <= split_indx) {
+                               psize = nsize;
+                               newpos = 0;
+                               for (i=0; i<split_indx; i++) {
+                                       node = NODEPTR(mp, i);
+                                       psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
+                                       if (F_ISSET(node->mn_flags, F_BIGDATA))
+                                               psize += sizeof(pgno_t);
+                                       else
+                                               psize += NODEDSZ(node);
+                                       psize += psize & 1;
+                                       if (psize > pmax) {
+                                               if (i == split_indx - 1 && newindx == split_indx)
+                                                       newpos = 1;
+                                               else
+                                                       split_indx = i;
+                                               break;
+                                       }
                                }
-                       }
-               } else {
-                       psize = nsize;
-                       for (i=nkeys-1; i>=split_indx; i--) {
-                               node = NODEPTR(mp, i);
-                               psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
-                               if (F_ISSET(node->mn_flags, F_BIGDATA))
-                                       psize += sizeof(pgno_t);
-                               else
-                                       psize += NODEDSZ(node);
-                               psize += psize & 1;
-                               if (psize > pmax) {
-                                       split_indx = i+1;
-                                       break;
+                       } else {
+                               psize = nsize;
+                               for (i=nkeys-1; i>=split_indx; i--) {
+                                       node = NODEPTR(mp, i);
+                                       psize += NODESIZE + NODEKSZ(node) + sizeof(indx_t);
+                                       if (F_ISSET(node->mn_flags, F_BIGDATA))
+                                               psize += sizeof(pgno_t);
+                                       else
+                                               psize += NODEDSZ(node);
+                                       psize += psize & 1;
+                                       if (psize > pmax) {
+                                               split_indx = i+1;
+                                               break;
+                                       }
                                }
                        }
                }
        }
 
        /* First find the separating key between the split pages.
+        * The case where newindx == split_indx is ambiguous; the
+        * new item could go to the new page or stay on the original
+        * page. If newpos == 1 it goes to the new page.
         */
-       if (newindx == split_indx) {
+       if (newindx == split_indx && newpos) {
                sepkey.mv_size = newkey->mv_size;
                sepkey.mv_data = newkey->mv_data;
        } else {
@@ -5429,13 +6024,28 @@ newsep:
        if (SIZELEFT(mn.mc_pg[ptop]) < mdb_branch_size(mc->mc_txn->mt_env, &sepkey)) {
                mn.mc_snum--;
                mn.mc_top--;
+               did_split = 1;
                rc = mdb_page_split(&mn, &sepkey, NULL, rp->mp_pgno, 0);
 
+               /* root split? */
+               if (mn.mc_snum == mc->mc_snum) {
+                       mc->mc_pg[mc->mc_snum] = mc->mc_pg[mc->mc_top];
+                       mc->mc_ki[mc->mc_snum] = mc->mc_ki[mc->mc_top];
+                       mc->mc_pg[mc->mc_top] = mc->mc_pg[ptop];
+                       mc->mc_ki[mc->mc_top] = mc->mc_ki[ptop];
+                       mc->mc_snum++;
+                       mc->mc_top++;
+                       ptop++;
+               }
                /* Right page might now have changed parent.
                 * Check if left page also changed parent.
                 */
                if (mn.mc_pg[ptop] != mc->mc_pg[ptop] &&
                    mc->mc_ki[ptop] >= NUMKEYS(mc->mc_pg[ptop])) {
+                       for (i=0; i<ptop; i++) {
+                               mc->mc_pg[i] = mn.mc_pg[i];
+                               mc->mc_ki[i] = mn.mc_ki[i];
+                       }
                        mc->mc_pg[ptop] = mn.mc_pg[ptop];
                        mc->mc_ki[ptop] = mn.mc_ki[ptop] - 1;
                }
@@ -5444,13 +6054,19 @@ newsep:
                rc = mdb_node_add(&mn, mn.mc_ki[ptop], &sepkey, NULL, rp->mp_pgno, 0);
                mn.mc_top++;
        }
+       mc->mc_flags ^= C_SPLITTING;
        if (rc != MDB_SUCCESS) {
                return rc;
        }
        if (nflags & MDB_APPEND) {
                mc->mc_pg[mc->mc_top] = rp;
                mc->mc_ki[mc->mc_top] = 0;
-               return mdb_node_add(mc, 0, newkey, newdata, newpgno, nflags);
+               rc = mdb_node_add(mc, 0, newkey, newdata, newpgno, nflags);
+               if (rc)
+                       return rc;
+               for (i=0; i<mc->mc_top; i++)
+                       mc->mc_ki[i] = mn.mc_ki[i];
+               goto done;
        }
        if (IS_LEAF2(rp)) {
                goto done;
@@ -5472,8 +6088,10 @@ newsep:
                if (i == split_indx) {
                /* Insert in right sibling. */
                /* Reset insert index for right sibling. */
-                       j = (i == newindx && ins_new);
-                       mc->mc_pg[mc->mc_top] = rp;
+                       if (i != newindx || (newpos ^ ins_new)) {
+                               j = 0;
+                               mc->mc_pg[mc->mc_top] = rp;
+                       }
                }
 
                if (i == newindx && !ins_new) {
@@ -5488,7 +6106,7 @@ newsep:
 
                        ins_new = 1;
 
-                       /* Update page and index for the new key. */
+                       /* Update index for the new key. */
                        mc->mc_ki[mc->mc_top] = j;
                } else if (i == nkeys) {
                        break;
@@ -5513,12 +6131,9 @@ newsep:
                }
 
                rc = mdb_node_add(mc, j, &rkey, rdata, pgno, flags);
+               if (rc) break;
        }
 
-       /* reset back to original page */
-       if (newindx < split_indx)
-               mc->mc_pg[mc->mc_top] = mp;
-
        nkeys = NUMKEYS(copy);
        for (i=0; i<nkeys; i++)
                mp->mp_ptrs[i] = copy->mp_ptrs[i];
@@ -5527,14 +6142,28 @@ newsep:
        memcpy(NODEPTR(mp, nkeys-1), NODEPTR(copy, nkeys-1),
                mc->mc_txn->mt_env->me_psize - copy->mp_upper);
 
+       /* reset back to original page */
+       if (newindx < split_indx || (!newpos && newindx == split_indx)) {
+               mc->mc_pg[mc->mc_top] = mp;
+               if (nflags & MDB_RESERVE) {
+                       node = NODEPTR(mp, mc->mc_ki[mc->mc_top]);
+                       if (!(node->mn_flags & F_BIGDATA))
+                               newdata->mv_data = NODEDATA(node);
+               }
+       } else {
+               mc->mc_ki[ptop]++;
+       }
+
        /* return tmp page to freelist */
        copy->mp_next = mc->mc_txn->mt_env->me_dpages;
+       VGMEMP_FREE(mc->mc_txn->mt_env, copy);
        mc->mc_txn->mt_env->me_dpages = copy;
 done:
        {
                /* Adjust other cursors pointing to mp */
                MDB_cursor *m2, *m3;
                MDB_dbi dbi = mc->mc_dbi;
+               int fixup = NUMKEYS(mp);
 
                if (mc->mc_flags & C_SUB)
                        dbi--;
@@ -5545,22 +6174,37 @@ done:
                                m3 = &m2->mc_xcursor->mx_cursor;
                        else
                                m3 = m2;
+                       if (!(m3->mc_flags & C_INITIALIZED))
+                               continue;
+                       if (m3->mc_flags & C_SPLITTING)
+                               continue;
                        if (new_root) {
+                               int k;
                                /* root split */
-                               for (i=m3->mc_top; i>0; i--) {
-                                       m3->mc_ki[i+1] = m3->mc_ki[i];
-                                       m3->mc_pg[i+1] = m3->mc_pg[i];
+                               for (k=m3->mc_top; k>=0; k--) {
+                                       m3->mc_ki[k+1] = m3->mc_ki[k];
+                                       m3->mc_pg[k+1] = m3->mc_pg[k];
+                               }
+                               if (m3->mc_ki[0] >= split_indx) {
+                                       m3->mc_ki[0] = 1;
+                               } else {
+                                       m3->mc_ki[0] = 0;
                                }
-                               m3->mc_ki[0] = mc->mc_ki[0];
                                m3->mc_pg[0] = mc->mc_pg[0];
                                m3->mc_snum++;
                                m3->mc_top++;
                        }
                        if (m3->mc_pg[mc->mc_top] == mp) {
-                               if (m3->mc_ki[m3->mc_top] >= split_indx) {
-                                       m3->mc_pg[m3->mc_top] = rp;
-                                       m3->mc_ki[m3->mc_top] -= split_indx;
+                               if (m3->mc_ki[mc->mc_top] >= newindx && !(nflags & MDB_SPLIT_REPLACE))
+                                       m3->mc_ki[mc->mc_top]++;
+                               if (m3->mc_ki[mc->mc_top] >= fixup) {
+                                       m3->mc_pg[mc->mc_top] = rp;
+                                       m3->mc_ki[mc->mc_top] -= fixup;
+                                       m3->mc_ki[ptop] = mn.mc_ki[ptop];
                                }
+                       } else if (!did_split && m3->mc_pg[ptop] == mc->mc_pg[ptop] &&
+                               m3->mc_ki[ptop] >= mc->mc_ki[ptop]) {
+                               m3->mc_ki[ptop]++;
                        }
                }
        }
@@ -5599,7 +6243,7 @@ mdb_put(MDB_txn *txn, MDB_dbi dbi,
  *     at runtime. Changing other flags requires closing the environment
  *     and re-opening it with the new flags.
  */
-#define        CHANGEABLE      (MDB_NOSYNC)
+#define        CHANGEABLE      (MDB_NOSYNC|MDB_NOMETASYNC)
 int
 mdb_env_set_flags(MDB_env *env, unsigned int flag, int onoff)
 {
@@ -5658,7 +6302,7 @@ mdb_env_stat(MDB_env *env, MDB_stat *arg)
        if (env == NULL || arg == NULL)
                return EINVAL;
 
-       mdb_env_read_meta(env, &toggle);
+       toggle = mdb_env_pick_meta(env);
 
        return mdb_stat0(env, &env->me_metas[toggle]->mm_dbs[MAIN_DBI], arg);
 }
@@ -5673,27 +6317,17 @@ mdb_env_stat(MDB_env *env, MDB_stat *arg)
 static void
 mdb_default_cmp(MDB_txn *txn, MDB_dbi dbi)
 {
-       if (txn->mt_dbs[dbi].md_flags & MDB_REVERSEKEY)
-               txn->mt_dbxs[dbi].md_cmp = mdb_cmp_memnr;
-       else if (txn->mt_dbs[dbi].md_flags & MDB_INTEGERKEY)
-               txn->mt_dbxs[dbi].md_cmp = mdb_cmp_cint;
-       else
-               txn->mt_dbxs[dbi].md_cmp = mdb_cmp_memn;
+       uint16_t f = txn->mt_dbs[dbi].md_flags;
 
-       if (txn->mt_dbs[dbi].md_flags & MDB_DUPSORT) {
-               if (txn->mt_dbs[dbi].md_flags & MDB_INTEGERDUP) {
-                       if (txn->mt_dbs[dbi].md_flags & MDB_DUPFIXED)
-                               txn->mt_dbxs[dbi].md_dcmp = mdb_cmp_int;
-                       else
-                               txn->mt_dbxs[dbi].md_dcmp = mdb_cmp_cint;
-               } else if (txn->mt_dbs[dbi].md_flags & MDB_REVERSEDUP) {
-                       txn->mt_dbxs[dbi].md_dcmp = mdb_cmp_memnr;
-               } else {
-                       txn->mt_dbxs[dbi].md_dcmp = mdb_cmp_memn;
-               }
-       } else {
-               txn->mt_dbxs[dbi].md_dcmp = NULL;
-       }
+       txn->mt_dbxs[dbi].md_cmp =
+               (f & MDB_REVERSEKEY) ? mdb_cmp_memnr :
+               (f & MDB_INTEGERKEY) ? mdb_cmp_cint  : mdb_cmp_memn;
+
+       txn->mt_dbxs[dbi].md_dcmp =
+               !(f & MDB_DUPSORT) ? 0 :
+               ((f & MDB_INTEGERDUP)
+                ? ((f & MDB_DUPFIXED)   ? mdb_cmp_int   : mdb_cmp_cint)
+                : ((f & MDB_REVERSEDUP) ? mdb_cmp_memnr : mdb_cmp_memn));
 }
 
 int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
@@ -5702,6 +6336,7 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
        MDB_dbi i;
        MDB_cursor mc;
        int rc, dbflag, exact;
+       unsigned int unused = 0;
        size_t len;
 
        if (txn->mt_dbxs[FREE_DBI].md_cmp == NULL) {
@@ -5724,6 +6359,11 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
        /* Is the DB already open? */
        len = strlen(name);
        for (i=2; i<txn->mt_numdbs; i++) {
+               if (!txn->mt_dbxs[i].md_name.mv_size) {
+                       /* Remember this free slot */
+                       if (!unused) unused = i;
+                       continue;
+               }
                if (len == txn->mt_dbxs[i].md_name.mv_size &&
                        !strncmp(name, txn->mt_dbxs[i].md_name.mv_data, len)) {
                        *dbi = i;
@@ -5731,7 +6371,8 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
                }
        }
 
-       if (txn->mt_numdbs >= txn->mt_env->me_maxdbs - 1)
+       /* If no free slot and max hit, fail */
+       if (!unused && txn->mt_numdbs >= txn->mt_env->me_maxdbs - 1)
                return ENFILE;
 
        /* Find the DB info */
@@ -5760,16 +6401,19 @@ int mdb_open(MDB_txn *txn, const char *name, unsigned int flags, MDB_dbi *dbi)
 
        /* OK, got info, add to table */
        if (rc == MDB_SUCCESS) {
-               txn->mt_dbxs[txn->mt_numdbs].md_name.mv_data = strdup(name);
-               txn->mt_dbxs[txn->mt_numdbs].md_name.mv_size = len;
-               txn->mt_dbxs[txn->mt_numdbs].md_rel = NULL;
-               txn->mt_dbflags[txn->mt_numdbs] = dbflag;
-               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];
-               mdb_default_cmp(txn, txn->mt_numdbs);
-               txn->mt_numdbs++;
+               unsigned int slot = unused ? unused : txn->mt_numdbs;
+               txn->mt_dbxs[slot].md_name.mv_data = strdup(name);
+               txn->mt_dbxs[slot].md_name.mv_size = len;
+               txn->mt_dbxs[slot].md_rel = NULL;
+               txn->mt_dbflags[slot] = dbflag;
+               memcpy(&txn->mt_dbs[slot], data.mv_data, sizeof(MDB_db));
+               *dbi = slot;
+               txn->mt_env->me_dbflags[slot] = txn->mt_dbs[slot].md_flags;
+               mdb_default_cmp(txn, slot);
+               if (!unused) {
+                       txn->mt_numdbs++;
+                       txn->mt_env->me_numdbs++;
+               }
        }
 
        return rc;
@@ -5862,14 +6506,16 @@ int mdb_drop(MDB_txn *txn, MDB_dbi dbi, int del)
        if (!txn || !dbi || dbi >= txn->mt_numdbs)
                return EINVAL;
 
+       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY))
+               return EACCES;
+
        rc = mdb_cursor_open(txn, dbi, &mc);
        if (rc)
                return rc;
 
        rc = mdb_drop0(mc, mc->mc_db->md_flags & MDB_DUPSORT);
        if (rc)
-               mdb_cursor_close(mc);
-               return rc;
+               goto leave;
 
        /* Can't delete the main DB */
        if (del && dbi > MAIN_DBI) {
@@ -5885,6 +6531,7 @@ int mdb_drop(MDB_txn *txn, MDB_dbi dbi, int del)
                txn->mt_dbs[dbi].md_entries = 0;
                txn->mt_dbs[dbi].md_root = P_INVALID;
        }
+leave:
        mdb_cursor_close(mc);
        return rc;
 }