]> git.sur5r.net Git - openldap/commitdiff
Checkpoint
authorHoward Chu <hyc@symas.com>
Tue, 28 Jun 2011 05:39:24 +0000 (22:39 -0700)
committerHoward Chu <hyc@symas.com>
Tue, 28 Jun 2011 05:39:24 +0000 (22:39 -0700)
libraries/libmdb/mdb.c [new file with mode: 0644]
libraries/libmdb/mdb.h [new file with mode: 0644]
libraries/libmdb/mtest.c [new file with mode: 0644]

diff --git a/libraries/libmdb/mdb.c b/libraries/libmdb/mdb.c
new file mode 100644 (file)
index 0000000..4b27da3
--- /dev/null
@@ -0,0 +1,2460 @@
+#include <sys/types.h>
+#include <sys/stat.h>
+#include <sys/queue.h>
+#include <sys/param.h>
+#include <sys/uio.h>
+#include <sys/mman.h>
+#ifdef HAVE_SYS_FILE_H
+#include <sys/file.h>
+#endif
+
+#include <assert.h>
+#include <err.h>
+#include <errno.h>
+#include <fcntl.h>
+#include <stddef.h>
+#include <stdint.h>
+#include <stdio.h>
+#include <stdlib.h>
+#include <string.h>
+#include <time.h>
+#include <unistd.h>
+
+#include <openssl/sha.h>
+
+#include "mdb.h"
+
+#define DEBUG
+
+#ifdef DEBUG
+# define DPRINTF(...)  do { fprintf(stderr, "%s:%d: ", __func__, __LINE__); \
+                            fprintf(stderr, __VA_ARGS__); \
+                            fprintf(stderr, "\n"); } while(0)
+#else
+# define DPRINTF(...)
+#endif
+
+#define PAGESIZE        4096
+#define MDB_MINKEYS     4
+#define MDB_MAGIC       0xBEEFC0DE
+#define MDB_VERSION     1
+#define MAXKEYSIZE      255
+
+#define P_INVALID       0xFFFFFFFF
+
+#define F_ISSET(w, f)   (((w) & (f)) == (f))
+
+typedef ulong           pgno_t;
+typedef uint16_t        indx_t;
+
+/* Common header for all page types. Overflow pages
+ * occupy a number of contiguous pages with no
+ * headers on any page after the first.
+ */
+typedef struct MDB_page {              /* represents a page of storage */
+       pgno_t          mp_pgno;                /* page number */
+#define        P_BRANCH         0x01           /* branch page */
+#define        P_LEAF           0x02           /* leaf page */
+#define        P_OVERFLOW       0x04           /* overflow page */
+#define        P_META           0x08           /* meta page */
+#define        P_HEAD           0x10           /* header page */
+#define        P_DIRTY          0x20           /* dirty page */
+       uint32_t        mp_flags;
+#define mp_lower       mp_pb.pb.pb_lower
+#define mp_upper       mp_pb.pb.pb_upper
+#define mp_pages       mp_pb.pb_pages
+       union page_bounds {
+               struct {
+                       indx_t          pb_lower;               /* lower bound of free space */
+                       indx_t          pb_upper;               /* upper bound of free space */
+               } pb;
+               uint32_t        pb_pages;       /* number of overflow pages */
+       } mp_pb;
+       indx_t          mp_ptrs[1];             /* dynamic size */
+} MDB_page;
+
+#define PAGEHDRSZ       offsetof(MDB_page, mp_ptrs)
+
+#define NUMKEYS(p)      (((p)->mp_lower - PAGEHDRSZ) >> 1)
+#define SIZELEFT(p)     (indx_t)((p)->mp_upper - (p)->mp_lower)
+#define PAGEFILL(env, p) (1000 * ((env)->me_head.mh_psize - PAGEHDRSZ - SIZELEFT(p)) / \
+                               ((env)->me_head.mh_psize - PAGEHDRSZ))
+#define IS_LEAF(p)      F_ISSET((p)->mp_flags, P_LEAF)
+#define IS_BRANCH(p)    F_ISSET((p)->mp_flags, P_BRANCH)
+#define IS_OVERFLOW(p)  F_ISSET((p)->mp_flags, P_OVERFLOW)
+
+typedef struct MDB_head {                      /* header page content */
+       uint32_t        mh_magic;
+       uint32_t        mh_version;
+       uint32_t        mh_flags;
+       uint32_t        mh_psize;                       /* page size */
+       void            *mh_address;            /* address for fixed mapping */
+       size_t          mh_mapsize;                     /* size of mmap region */
+} MDB_head;
+
+typedef struct MDB_rootstat {
+       pgno_t          mr_root;                        /* page number of root page */
+       MDB_stat        mr_stat;
+} MDB_rootstat;
+
+typedef struct MDB_meta {                      /* meta (footer) page content */
+       pgno_t          mm_root;                        /* page number of root page */
+       MDB_stat        mm_stat;
+       pgno_t          mm_prev_meta;           /* previous meta page number */
+#define MDB_TOMBSTONE   0x01           /* file is replaced */
+       uint32_t        mm_flags;
+#define mm_revisions mm_stat.ms_revisions
+#define mm_created_at mm_stat.ms_created_at
+       uint8_t         mm_hash[SHA_DIGEST_LENGTH];
+} MDB_meta;
+
+typedef struct MDB_dhead {                                     /* a dirty page */
+       SIMPLEQ_ENTRY(MDB_dpage)         md_next;       /* queue of dirty pages */
+       MDB_page        *md_parent;
+       int                     md_pi;                          /* parent index */
+       int                     md_num;
+} MDB_dhead;
+
+typedef struct MDB_dpage {
+       MDB_dhead       h;
+       MDB_page        p;
+} MDB_dpage;
+
+SIMPLEQ_HEAD(dirty_queue, MDB_dpage);
+
+typedef struct MDB_pageparent {
+       MDB_page *mp_page;
+       MDB_page *mp_parent;
+       int             mp_pi;
+} MDB_pageparent;
+
+static MDB_dpage *mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num);
+static int             mdb_touch(MDB_txn *txn, MDB_pageparent *mp);
+
+typedef struct MDB_ppage {                                     /* ordered list of pages */
+       SLIST_ENTRY(MDB_ppage)   mp_entry;
+       MDB_page                *mp_page;
+       unsigned int    mp_ki;          /* cursor index on page */
+} MDB_ppage;
+SLIST_HEAD(page_stack, MDB_ppage);
+
+#define CURSOR_EMPTY(c)                 SLIST_EMPTY(&(c)->mc_stack)
+#define CURSOR_TOP(c)           SLIST_FIRST(&(c)->mc_stack)
+#define CURSOR_POP(c)           SLIST_REMOVE_HEAD(&(c)->mc_stack, mp_entry)
+#define CURSOR_PUSH(c,p)        SLIST_INSERT_HEAD(&(c)->mc_stack, p, mp_entry)
+
+struct MDB_cursor {
+       MDB_db          *mc_db;
+       MDB_txn         *mc_txn;
+       struct page_stack        mc_stack;              /* stack of parent pages */
+       short           mc_initialized; /* 1 if initialized */
+       short           mc_eof;         /* 1 if end is reached */
+};
+
+#define METAHASHLEN     offsetof(MDB_meta, mm_hash)
+#define METADATA(p)     ((void *)((char *)p + PAGEHDRSZ))
+
+typedef struct MDB_node {
+#define mn_pgno                 mn_p.np_pgno
+#define mn_dsize        mn_p.np_dsize
+       union {
+               pgno_t           np_pgno;       /* child page number */
+               uint32_t         np_dsize;      /* leaf data size */
+       } mn_p;
+       uint16_t        mn_ksize;                       /* key size */
+#define F_BIGDATA       0x01                   /* data put on overflow page */
+       uint8_t         mn_flags;
+       char            mn_data[1];
+} MDB_node;
+
+struct MDB_txn {
+       pgno_t          mt_root;                /* current / new root page */
+       pgno_t          mt_next_pgno;   /* next unallocated page */
+       pgno_t          mt_first_pgno;
+       MDB_env         *mt_env;        
+       struct dirty_queue      *mt_dirty_queue;        /* modified pages */
+#define MDB_TXN_RDONLY          0x01           /* read-only transaction */
+#define MDB_TXN_ERROR           0x02           /* an error has occurred */
+       unsigned int             mt_flags;
+};
+
+/* Must be same as MDB_db, minus md_root/md_stat */
+typedef struct MDB_db0 {
+       unsigned int    md_flags;
+       MDB_cmp_func    *md_cmp;                /* user compare function */
+       MDB_rel_func    *md_rel;                /* user relocate function */
+       MDB_db                  *md_parent;             /* parent tree */
+       MDB_env                 *md_env;
+} MDB_db0;
+
+struct MDB_db {
+       unsigned int    md_flags;
+       MDB_cmp_func    *md_cmp;                /* user compare function */
+       MDB_rel_func    *md_rel;                /* user relocate function */
+       MDB_db                  *md_parent;             /* parent tree */
+       MDB_env                 *md_env;
+       pgno_t                  md_root;                /* page number of root page */
+       MDB_stat                md_stat;
+};
+
+struct MDB_env {
+       int                     me_fd;
+#define MDB_FIXPADDING          0x01           /* internal */
+       uint32_t        me_flags;
+       char            *me_path;
+       char *me_map;
+       MDB_head        me_head;
+       MDB_db0         me_db;          /* first DB, overlaps with meta */
+       MDB_meta        me_meta;
+       MDB_txn *me_txn;                /* current write transaction */
+       size_t          me_mapsize;
+       off_t           me_size;                /* current file size */
+};
+
+#define NODESIZE        offsetof(MDB_node, mn_data)
+
+#define INDXSIZE(k)     (NODESIZE + ((k) == NULL ? 0 : (k)->mv_size))
+#define LEAFSIZE(k, d)  (NODESIZE + (k)->mv_size + (d)->mv_size)
+#define NODEPTR(p, i)   ((MDB_node *)((char *)(p) + (p)->mp_ptrs[i]))
+#define NODEKEY(node)   (void *)((node)->mn_data)
+#define NODEDATA(node)  (void *)((char *)(node)->mn_data + (node)->mn_ksize)
+#define NODEPGNO(node)  ((node)->mn_pgno)
+#define NODEDSZ(node)   ((node)->mn_dsize)
+
+#define MDB_COMMIT_PAGES        64     /* max number of pages to write in one commit */
+#define MDB_MAXCACHE_DEF        1024   /* max number of pages to keep in cache  */
+
+static int  mdb_search_page_root(MDB_db *db,
+                           MDB_val *key,
+                           MDB_cursor *cursor, int modify,
+                           MDB_pageparent *mpp);
+static int  mdb_search_page(MDB_db *db,
+                           MDB_txn *txn, MDB_val *key,
+                           MDB_cursor *cursor, int modify,
+                           MDB_pageparent *mpp);
+
+static int  mdbenv_write_header(MDB_env *env);
+static int  mdbenv_read_header(MDB_env *env);
+static int  mdb_check_meta_page(MDB_page *p);
+static int  mdbenv_read_meta(MDB_env *env, pgno_t *p_next);
+static int  mdbenv_write_meta(MDB_env *env, pgno_t root,
+                           unsigned int flags);
+static MDB_page *mdbenv_get_page(MDB_env *env, pgno_t pgno);
+
+static MDB_node *mdb_search_node(MDB_db *db, MDB_page *mp,
+                           MDB_val *key, int *exactp, unsigned int *kip);
+static int  mdb_add_node(MDB_db *bt, MDB_page *mp,
+                           indx_t indx, MDB_val *key, MDB_val *data,
+                           pgno_t pgno, uint8_t flags);
+static void mdb_del_node(MDB_db *bt, MDB_page *mp,
+                           indx_t indx);
+static int  mdb_read_data(MDB_db *bt, MDB_page *mp,
+                           MDB_node *leaf, MDB_val *data);
+
+static int              mdb_rebalance(MDB_db *bt, MDB_pageparent *mp);
+static int              mdb_update_key(MDB_db *bt, MDB_page *mp,
+                           indx_t indx, MDB_val *key);
+static int              mdb_move_node(MDB_db *bt, 
+                               MDB_pageparent *src, indx_t srcindx,
+                               MDB_pageparent *dst, indx_t dstindx);
+static int              mdb_merge(MDB_db *bt, MDB_pageparent *src,
+                           MDB_pageparent *dst);
+static int              mdb_split(MDB_db *bt, MDB_page **mpp,
+                           unsigned int *newindxp, MDB_val *newkey,
+                           MDB_val *newdata, pgno_t newpgno);
+static MDB_dpage *mdbenv_new_page(MDB_env *env, uint32_t flags, int num);
+
+static void             cursor_pop_page(MDB_cursor *cursor);
+static MDB_ppage *cursor_push_page(MDB_cursor *cursor,
+                           MDB_page *mp);
+
+static int              mdb_set_key(MDB_db *bt, MDB_page *mp,
+                           MDB_node *node, MDB_val *key);
+static int              mdb_sibling(MDB_cursor *cursor, int move_right);
+static int              mdb_cursor_next(MDB_cursor *cursor,
+                           MDB_val *key, MDB_val *data);
+static int              mdb_cursor_set(MDB_cursor *cursor,
+                           MDB_val *key, MDB_val *data, int *exactp);
+static int              mdb_cursor_first(MDB_cursor *cursor,
+                           MDB_val *key, MDB_val *data);
+
+static size_t           mdb_leaf_size(MDB_db *bt, MDB_val *key,
+                           MDB_val *data);
+static size_t           mdb_branch_size(MDB_db *bt, MDB_val *key);
+
+static pgno_t           mdbenv_compact_tree(MDB_env *env, pgno_t pgno,
+                           MDB_env *envc);
+
+static int              memncmp(const void *s1, size_t n1,
+                                const void *s2, size_t n2);
+static int              memnrcmp(const void *s1, size_t n1,
+                                 const void *s2, size_t n2);
+
+static int
+memncmp(const void *s1, size_t n1, const void *s2, size_t n2)
+{
+       if (n1 < n2) {
+               if (memcmp(s1, s2, n1) == 0)
+                       return -1;
+       }
+       else if (n1 > n2) {
+               if (memcmp(s1, s2, n2) == 0)
+                       return 1;
+       }
+       return memcmp(s1, s2, n1);
+}
+
+static int
+memnrcmp(const void *s1, size_t n1, const void *s2, size_t n2)
+{
+       const unsigned char     *p1;
+       const unsigned char     *p2;
+
+       if (n1 == 0)
+               return n2 == 0 ? 0 : -1;
+
+       if (n2 == 0)
+               return n1 == 0 ? 0 : 1;
+
+       p1 = (const unsigned char *)s1 + n1 - 1;
+       p2 = (const unsigned char *)s2 + n2 - 1;
+
+       while (*p1 == *p2) {
+               if (p1 == s1)
+                       return (p2 == s2) ? 0 : -1;
+               if (p2 == s2)
+                       return (p1 == p2) ? 0 : 1;
+               p1--;
+               p2--;
+       }
+       return *p1 - *p2;
+}
+
+int
+mdb_cmp(MDB_db *db, const MDB_val *a, const MDB_val *b)
+{
+       return db->md_cmp(a, b);
+}
+
+static int
+_mdb_cmp(MDB_db *db, const MDB_val *key1, const MDB_val *key2)
+{
+       if (F_ISSET(db->md_flags, MDB_REVERSEKEY))
+               return memnrcmp(key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
+       else
+               return memncmp((char *)key1->mv_data, key1->mv_size, key2->mv_data, key2->mv_size);
+}
+
+/* Allocate new page(s) for writing */
+static MDB_dpage *
+mdb_newpage(MDB_txn *txn, MDB_page *parent, int parent_idx, int num)
+{
+       MDB_dpage *dp;
+
+       if ((dp = malloc(txn->mt_env->me_head.mh_psize * num + sizeof(MDB_dhead))) == NULL)
+               return NULL;
+       dp->h.md_num = num;
+       dp->h.md_parent = parent;
+       dp->h.md_pi = parent_idx;
+       SIMPLEQ_INSERT_TAIL(txn->mt_dirty_queue, dp, h.md_next);
+       dp->p.mp_pgno = txn->mt_next_pgno;
+       txn->mt_next_pgno += num;
+
+       return dp;
+}
+
+/* Touch a page: make it dirty and re-insert into tree with updated pgno.
+ */
+static int
+mdb_touch(MDB_txn *txn, MDB_pageparent *pp)
+{
+       int rc;
+       MDB_page *mp = pp->mp_page;
+       pgno_t  pgno;
+       assert(txn != NULL);
+       assert(pp != NULL);
+
+       if (!F_ISSET(mp->mp_flags, P_DIRTY)) {
+               MDB_dpage *dp;
+               DPRINTF("touching page %lu -> %lu", mp->mp_pgno, txn->mt_next_pgno);
+               if ((dp = mdb_newpage(txn, pp->mp_parent, pp->mp_pi, 1)) == NULL)
+                       return ENOMEM;
+               pgno = dp->p.mp_pgno;
+               bcopy(mp, &dp->p, txn->mt_env->me_head.mh_psize);
+               mp = &dp->p;
+               mp->mp_pgno = pgno;
+               mp->mp_flags |= P_DIRTY;
+
+               /* Update the page number to new touched page. */
+               if (pp->mp_parent != NULL)
+                       NODEPGNO(NODEPTR(pp->mp_parent, pp->mp_pi)) = mp->mp_pgno;
+               pp->mp_page = mp;
+       }
+       return 0;
+}
+
+int
+mdbenv_sync(MDB_env *env)
+{
+       int rc = 0;
+       if (!F_ISSET(env->me_flags, MDB_NOSYNC)) {
+               if (fsync(env->me_fd))
+                       rc = errno;
+       }
+       return rc;
+}
+
+int
+mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **ret)
+{
+       MDB_txn *txn;
+       int rc;
+
+       if (!rdonly && env->me_txn != NULL) {
+               DPRINTF("write transaction already begun");
+               return EBUSY;
+       }
+
+       if ((txn = calloc(1, sizeof(*txn))) == NULL) {
+               DPRINTF("calloc: %s", strerror(errno));
+               return ENOMEM;
+       }
+
+       if (rdonly) {
+               txn->mt_flags |= MDB_TXN_RDONLY;
+       } else {
+               txn->mt_dirty_queue = calloc(1, sizeof(*txn->mt_dirty_queue));
+               if (txn->mt_dirty_queue == NULL) {
+                       free(txn);
+                       return ENOMEM;
+               }
+               SIMPLEQ_INIT(txn->mt_dirty_queue);
+
+#if 0
+               DPRINTF("taking write lock on txn %p", txn);
+               if (flock(bt->fd, LOCK_EX | LOCK_NB) != 0) {
+                       DPRINTF("flock: %s", strerror(errno));
+                       errno = EBUSY;
+                       free(txn->dirty_queue);
+                       free(txn);
+                       return NULL;
+               }
+#endif
+               env->me_txn = txn;
+       }
+
+       txn->mt_env = env;
+
+       if ((rc = mdbenv_read_meta(env, &txn->mt_next_pgno)) != MDB_SUCCESS) {
+               mdb_txn_abort(txn);
+               return rc;
+       }
+
+       txn->mt_first_pgno = txn->mt_next_pgno;
+       txn->mt_root = env->me_meta.mm_root;
+       DPRINTF("begin transaction on mdbenv %p, root page %lu", env, txn->mt_root);
+
+       *ret = txn;
+       return MDB_SUCCESS;
+}
+
+void
+mdb_txn_abort(MDB_txn *txn)
+{
+       MDB_dpage *dp;
+       MDB_env *env;
+
+       if (txn == NULL)
+               return;
+
+       env = txn->mt_env;
+       DPRINTF("abort transaction on mdbenv %p, root page %lu", env, txn->mt_root);
+
+       if (!F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
+               /* Discard all dirty pages.
+                */
+               while (!SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
+                       dp = SIMPLEQ_FIRST(txn->mt_dirty_queue);
+                       SIMPLEQ_REMOVE_HEAD(txn->mt_dirty_queue, h.md_next);
+                       free(dp);
+               }
+
+#if 0
+               DPRINTF("releasing write lock on txn %p", txn);
+               txn->bt->txn = NULL;
+               if (flock(txn->bt->fd, LOCK_UN) != 0) {
+                       DPRINTF("failed to unlock fd %d: %s",
+                           txn->bt->fd, strerror(errno));
+               }
+#endif
+               free(txn->mt_dirty_queue);
+       }
+
+       if (txn == env->me_txn)
+               env->me_txn = NULL;
+       free(txn);
+}
+
+int
+mdb_txn_commit(MDB_txn *txn)
+{
+       int              n, done;
+       ssize_t          rc;
+       off_t            size;
+       MDB_dpage       *dp;
+       MDB_env *env;
+       struct iovec     iov[MDB_COMMIT_PAGES];
+
+       assert(txn != NULL);
+       assert(txn->mt_env != NULL);
+
+       env = txn->mt_env;
+
+       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
+               DPRINTF("attempt to commit read-only transaction");
+               mdb_txn_abort(txn);
+               return EPERM;
+       }
+
+       if (txn != env->me_txn) {
+               DPRINTF("attempt to commit unknown transaction");
+               mdb_txn_abort(txn);
+               return EINVAL;
+       }
+
+       if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
+               DPRINTF("error flag is set, can't commit");
+               mdb_txn_abort(txn);
+               return EINVAL;
+       }
+
+       if (SIMPLEQ_EMPTY(txn->mt_dirty_queue))
+               goto done;
+
+       if (F_ISSET(env->me_flags, MDB_FIXPADDING)) {
+               size = lseek(env->me_fd, 0, SEEK_END);
+               size += env->me_head.mh_psize - (size % env->me_head.mh_psize);
+               DPRINTF("extending to multiple of page size: %lu", size);
+               if (ftruncate(env->me_fd, size) != 0) {
+                       n = errno;
+                       DPRINTF("ftruncate: %s", strerror(errno));
+                       mdb_txn_abort(txn);
+                       return n;
+               }
+               env->me_flags ^= MDB_FIXPADDING;
+       }
+
+       DPRINTF("committing transaction on mdbenv %p, root page %lu",
+           env, txn->mt_root);
+
+       /* Commit up to MDB_COMMIT_PAGES dirty pages to disk until done.
+        */
+       do {
+               n = 0;
+               done = 1;
+               SIMPLEQ_FOREACH(dp, txn->mt_dirty_queue, h.md_next) {
+                       DPRINTF("committing page %lu", dp->p.mp_pgno);
+                       iov[n].iov_len = env->me_head.mh_psize * dp->h.md_num;
+                       iov[n].iov_base = &dp->p;
+                       /* clear dirty flag */
+                       dp->p.mp_flags &= ~P_DIRTY;
+                       if (++n >= MDB_COMMIT_PAGES) {
+                               done = 0;
+                               break;
+                       }
+               }
+
+               if (n == 0)
+                       break;
+
+               DPRINTF("committing %u dirty pages", n);
+               rc = writev(env->me_fd, iov, n);
+               if (rc != (ssize_t)env->me_head.mh_psize*n) {
+                       n = errno;
+                       if (rc > 0)
+                               DPRINTF("short write, filesystem full?");
+                       else
+                               DPRINTF("writev: %s", strerror(errno));
+                       mdb_txn_abort(txn);
+                       return n;
+               }
+
+               /* Drop the dirty pages.
+                */
+               while (!SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
+                       dp = SIMPLEQ_FIRST(txn->mt_dirty_queue);
+                       SIMPLEQ_REMOVE_HEAD(txn->mt_dirty_queue, h.md_next);
+                       free(dp);
+                       if (--n == 0)
+                               break;
+               }
+       } while (!done);
+
+       if ((n = mdbenv_sync(env)) != 0 ||
+           (n = mdbenv_write_meta(env, txn->mt_root, 0)) != MDB_SUCCESS ||
+           (n = mdbenv_sync(env)) != 0) {
+               mdb_txn_abort(txn);
+               return n;
+       }
+       txn = NULL;
+       env->me_txn = NULL;
+
+done:
+       mdb_txn_abort(txn);
+
+       return MDB_SUCCESS;
+}
+
+static int
+mdbenv_write_header(MDB_env *env)
+{
+       struct stat      sb;
+       MDB_head        *h;
+       MDB_page        *p;
+       ssize_t          rc;
+       unsigned int     psize;
+
+       DPRINTF("writing header page");
+       assert(env != NULL);
+
+       psize = sysconf(_SC_PAGE_SIZE);
+
+       if ((p = calloc(1, psize)) == NULL)
+               return ENOMEM;
+       p->mp_flags = P_HEAD;
+
+       env->me_head.mh_psize = psize;
+       env->me_head.mh_flags = env->me_flags & 0xffff;
+
+       h = METADATA(p);
+       bcopy(&env->me_head, h, sizeof(*h));
+
+       rc = write(env->me_fd, p, env->me_head.mh_psize);
+       free(p);
+       if (rc != (ssize_t)env->me_head.mh_psize) {
+               int err = errno;
+               if (rc > 0)
+                       DPRINTF("short write, filesystem full?");
+               return err;
+       }
+
+       return MDB_SUCCESS;
+}
+
+static int
+mdbenv_read_header(MDB_env *env)
+{
+       char             page[PAGESIZE];
+       MDB_page        *p;
+       MDB_head        *h;
+       int              rc;
+
+       assert(env != NULL);
+
+       /* We don't know the page size yet, so use a minimum value.
+        */
+
+       if ((rc = pread(env->me_fd, page, PAGESIZE, 0)) == 0) {
+               return ENOENT;
+       } else if (rc != PAGESIZE) {
+               if (rc > 0)
+                       errno = EINVAL;
+               DPRINTF("read: %s", strerror(errno));
+               return errno;
+       }
+
+       p = (MDB_page *)page;
+
+       if (!F_ISSET(p->mp_flags, P_HEAD)) {
+               DPRINTF("page %lu not a header page", p->mp_pgno);
+               return EINVAL;
+       }
+
+       h = METADATA(p);
+       if (h->mh_magic != MDB_MAGIC) {
+               DPRINTF("header has invalid magic");
+               return EINVAL;
+       }
+
+       if (h->mh_version != MDB_VERSION) {
+               DPRINTF("database is version %u, expected version %u",
+                   h->mh_version, MDB_VERSION);
+               return EINVAL;
+       }
+
+       bcopy(h, &env->me_head, sizeof(*h));
+       return 0;
+}
+
+static int
+mdbenv_write_meta(MDB_env *env, pgno_t root, unsigned int flags)
+{
+       MDB_dpage       *dp;
+       MDB_meta        *meta;
+       ssize_t          rc;
+
+       DPRINTF("writing meta page for root page %lu", root);
+
+       assert(env != NULL);
+       assert(env->me_txn != NULL);
+
+       if ((dp = mdbenv_new_page(env, P_META, 1)) == NULL)
+               return ENOMEM;
+
+       env->me_meta.mm_prev_meta = env->me_meta.mm_root;
+       env->me_meta.mm_root = root;
+       env->me_meta.mm_flags = flags;
+       env->me_meta.mm_created_at = time(0);
+       env->me_meta.mm_revisions++;
+       SHA1((unsigned char *)&env->me_meta, METAHASHLEN, env->me_meta.mm_hash);
+
+       /* Copy the meta data changes to the new meta page. */
+       meta = METADATA(&dp->p);
+       bcopy(&env->me_meta, meta, sizeof(*meta));
+
+       rc = write(env->me_fd, &dp->p, env->me_head.mh_psize);
+       SIMPLEQ_REMOVE_HEAD(env->me_txn->mt_dirty_queue, h.md_next);
+       free(dp);
+       if (rc != (ssize_t)env->me_head.mh_psize) {
+               int err = errno;
+               if (rc > 0)
+                       DPRINTF("short write, filesystem full?");
+               return err;
+       }
+
+       if ((env->me_size = lseek(env->me_fd, 0, SEEK_END)) == -1) {
+               DPRINTF("failed to update file size: %s", strerror(errno));
+               env->me_size = 0;
+       }
+
+       return MDB_SUCCESS;
+}
+
+/* Returns true if page p is a valid meta page, false otherwise.
+ */
+static int
+mdb_check_meta_page(MDB_page *p)
+{
+       MDB_meta        *m;
+       unsigned char    hash[SHA_DIGEST_LENGTH];
+
+       m = METADATA(p);
+       if (!F_ISSET(p->mp_flags, P_META)) {
+               DPRINTF("page %lu not a meta page", p->mp_pgno);
+               return EINVAL;
+       }
+
+       if (m->mm_root >= p->mp_pgno && m->mm_root != P_INVALID) {
+               DPRINTF("page %lu points to an invalid root page", p->mp_pgno);
+               return EINVAL;
+       }
+
+       SHA1((unsigned char *)m, METAHASHLEN, hash);
+       if (bcmp(hash, m->mm_hash, SHA_DIGEST_LENGTH) != 0) {
+               DPRINTF("page %lu has an invalid digest", p->mp_pgno);
+               return EINVAL;
+       }
+
+       return 0;
+}
+
+static int
+mdbenv_read_meta(MDB_env *env, pgno_t *p_next)
+{
+       MDB_page        *mp;
+       MDB_meta        *meta;
+       pgno_t           meta_pgno, next_pgno;
+       off_t            size;
+
+       assert(env != NULL);
+
+       if ((size = lseek(env->me_fd, 0, SEEK_END)) == -1)
+               goto fail;
+
+       DPRINTF("mdbenv_read_meta: size = %lu", size);
+
+       if (size < env->me_size) {
+               DPRINTF("file has shrunk!");
+               errno = EIO;
+               goto fail;
+       }
+
+       if (size == env->me_head.mh_psize) {            /* there is only the header */
+               if (p_next != NULL)
+                       *p_next = 1;
+               return MDB_SUCCESS;             /* new file */
+       }
+
+       next_pgno = size / env->me_head.mh_psize;
+       if (next_pgno == 0) {
+               DPRINTF("corrupt file");
+               errno = EIO;
+               goto fail;
+       }
+
+       meta_pgno = next_pgno - 1;
+
+       if (size % env->me_head.mh_psize != 0) {
+               DPRINTF("filesize not a multiple of the page size!");
+               env->me_flags |= MDB_FIXPADDING;
+               next_pgno++;
+       }
+
+       if (p_next != NULL)
+               *p_next = next_pgno;
+
+       if (size == env->me_size) {
+               DPRINTF("size unchanged, keeping current meta page");
+               if (F_ISSET(env->me_meta.mm_flags, MDB_TOMBSTONE)) {
+                       DPRINTF("file is dead");
+                       errno = ESTALE;
+                       return MDB_FAIL;
+               } else
+                       return MDB_SUCCESS;
+       } else {
+               env->me_size = size;
+       }
+
+       while (meta_pgno > 0) {
+               if ((mp = mdbenv_get_page(env, meta_pgno)) == NULL)
+                       break;
+               if (!mdb_check_meta_page(mp)) {
+                       meta = METADATA(mp);
+                       DPRINTF("flags = 0x%x", meta->mm_flags);
+                       if (F_ISSET(meta->mm_flags, MDB_TOMBSTONE)) {
+                               DPRINTF("file is dead");
+                               errno = ESTALE;
+                               return MDB_FAIL;
+                       } else {
+                               /* Make copy of last meta page. */
+                               bcopy(meta, &env->me_meta, sizeof(env->me_meta));
+                               return MDB_SUCCESS;
+                       }
+               }
+               --meta_pgno;    /* scan backwards to first valid meta page */
+       }
+
+       errno = EIO;
+fail:
+       if (p_next != NULL)
+               *p_next = P_INVALID;
+       return MDB_FAIL;
+}
+
+int
+mdbenv_create(MDB_env **env, size_t size)
+{
+       MDB_env *e;
+
+       if (!size) return EINVAL;
+
+       e = calloc(1, sizeof(*e));
+       if (!e) return ENOMEM;
+
+       e->me_head.mh_magic = MDB_MAGIC;
+       e->me_head.mh_version = MDB_VERSION;
+       e->me_mapsize = e->me_head.mh_mapsize = size;
+       e->me_db.md_env = e;
+       *env = e;
+       return MDB_SUCCESS;
+}
+
+int
+mdbenv_open2(MDB_env *env, unsigned int flags)
+{
+       int i, newenv = 0;
+
+       i = fcntl(env->me_fd, F_GETFL, 0);
+       if (fcntl(env->me_fd, F_SETFL, i | O_APPEND) == -1)
+               return errno;
+
+       env->me_flags = flags;
+       env->me_flags &= ~MDB_FIXPADDING;
+       env->me_meta.mm_root = P_INVALID;
+
+       if ((i = mdbenv_read_header(env)) != 0) {
+               if (i != ENOENT)
+                       return i;
+               DPRINTF("new mdbenv");
+               newenv = 1;
+       }
+
+       i = MAP_SHARED;
+       if (env->me_head.mh_address && (flags & MDB_FIXEDMAP))
+               i |= MAP_FIXED;
+       env->me_map = mmap(env->me_head.mh_address, env->me_mapsize, PROT_READ, i,
+               env->me_fd, 0);
+       if (env->me_map == MAP_FAILED)
+               return errno;
+
+       if (newenv) {
+               env->me_head.mh_mapsize = env->me_mapsize;
+               if (flags & MDB_FIXEDMAP)
+                       env->me_head.mh_address = env->me_map;
+               i = mdbenv_write_header(env);
+               if (i != MDB_SUCCESS) {
+                       munmap(env->me_map, env->me_mapsize);
+                       return i;
+               }
+       }
+
+       if ((i = mdbenv_read_meta(env, NULL)) != 0)
+               return i;
+
+       DPRINTF("opened database version %u, pagesize %u",
+           env->me_head.mh_version, env->me_head.mh_psize);
+       DPRINTF("timestamp: %s", ctime(&env->me_meta.mm_created_at));
+       DPRINTF("depth: %u", env->me_meta.mm_stat.ms_depth);
+       DPRINTF("entries: %lu", env->me_meta.mm_stat.ms_entries);
+       DPRINTF("revisions: %lu", env->me_meta.mm_stat.ms_revisions);
+       DPRINTF("branch pages: %lu", env->me_meta.mm_stat.ms_branch_pages);
+       DPRINTF("leaf pages: %lu", env->me_meta.mm_stat.ms_leaf_pages);
+       DPRINTF("overflow pages: %lu", env->me_meta.mm_stat.ms_overflow_pages);
+       DPRINTF("root: %lu", env->me_meta.mm_root);
+       DPRINTF("previous me_meta.me_page: %lu", env->me_meta.mm_prev_meta);
+
+       return MDB_SUCCESS;
+}
+
+int
+mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode)
+{
+       int              oflags, rc;
+
+       if (F_ISSET(flags, MDB_RDONLY))
+               oflags = O_RDONLY;
+       else
+               oflags = O_RDWR | O_CREAT | O_APPEND;
+
+       if ((env->me_fd = open(path, oflags, mode)) == -1)
+               return errno;
+
+       if ((rc = mdbenv_open2(env, flags)) != MDB_SUCCESS) {
+               close(env->me_fd);
+               env->me_fd = -1;
+       } else {
+               env->me_path = strdup(path);
+               DPRINTF("opened dbenv %p", env);
+       }
+
+       return rc;
+}
+
+void
+mdbenv_close(MDB_env *env)
+{
+       if (env == NULL)
+               return;
+
+       free(env->me_path);
+
+       if (env->me_map) {
+               munmap(env->me_map, env->me_mapsize);
+       }
+       close(env->me_fd);
+}
+
+/* Search for key within a leaf page, using binary search.
+ * Returns the smallest entry larger or equal to the key.
+ * If exactp is non-null, stores whether the found entry was an exact match
+ * in *exactp (1 or 0).
+ * If kip is non-null, stores the index of the found entry in *kip.
+ * If no entry larger or equal to the key is found, returns NULL.
+ */
+static MDB_node *
+mdb_search_node(MDB_db *bt, MDB_page *mp, MDB_val *key,
+    int *exactp, unsigned int *kip)
+{
+       unsigned int     i = 0;
+       int              low, high;
+       int              rc = 0;
+       MDB_node        *node;
+       MDB_val  nodekey;
+
+       DPRINTF("searching %lu keys in %s page %lu",
+           NUMKEYS(mp),
+           IS_LEAF(mp) ? "leaf" : "branch",
+           mp->mp_pgno);
+
+       assert(NUMKEYS(mp) > 0);
+
+       bzero(&nodekey, sizeof(nodekey));
+
+       low = IS_LEAF(mp) ? 0 : 1;
+       high = NUMKEYS(mp) - 1;
+       while (low <= high) {
+               i = (low + high) >> 1;
+               node = NODEPTR(mp, i);
+
+               nodekey.mv_size = node->mn_ksize;
+               nodekey.mv_data = NODEKEY(node);
+
+               if (bt->md_cmp)
+                       rc = bt->md_cmp(key, &nodekey);
+               else
+                       rc = _mdb_cmp(bt, key, &nodekey);
+
+               if (IS_LEAF(mp))
+                       DPRINTF("found leaf index %u [%.*s], rc = %i",
+                           i, (int)nodekey.mv_size, (char *)nodekey.mv_data, rc);
+               else
+                       DPRINTF("found branch index %u [%.*s -> %lu], rc = %i",
+                           i, (int)node->mn_ksize, (char *)NODEKEY(node),
+                           node->mn_pgno, rc);
+
+               if (rc == 0)
+                       break;
+               if (rc > 0)
+                       low = i + 1;
+               else
+                       high = i - 1;
+       }
+
+       if (rc > 0) {   /* Found entry is less than the key. */
+               i++;    /* Skip to get the smallest entry larger than key. */
+               if (i >= NUMKEYS(mp))
+                       /* There is no entry larger or equal to the key. */
+                       return NULL;
+       }
+       if (exactp)
+               *exactp = (rc == 0);
+       if (kip)        /* Store the key index if requested. */
+               *kip = i;
+
+       return NODEPTR(mp, i);
+}
+
+static void
+cursor_pop_page(MDB_cursor *cursor)
+{
+       MDB_ppage       *top;
+
+       top = CURSOR_TOP(cursor);
+       CURSOR_POP(cursor);
+
+       DPRINTF("popped page %lu off cursor %p", top->mp_page->mp_pgno, cursor);
+
+       free(top);
+}
+
+static MDB_ppage *
+cursor_push_page(MDB_cursor *cursor, MDB_page *mp)
+{
+       MDB_ppage       *ppage;
+
+       DPRINTF("pushing page %lu on cursor %p", mp->mp_pgno, cursor);
+
+       if ((ppage = calloc(1, sizeof(*ppage))) == NULL)
+               return NULL;
+       ppage->mp_page = mp;
+       CURSOR_PUSH(cursor, ppage);
+       return ppage;
+}
+
+static MDB_page *
+mdbenv_get_page(MDB_env *env, pgno_t pgno)
+{
+       MDB_page *p = NULL;
+       MDB_txn *txn = env->me_txn;
+
+       if (txn && pgno >= txn->mt_first_pgno &&
+               !SIMPLEQ_EMPTY(txn->mt_dirty_queue)) {
+               MDB_dpage *dp;
+               SIMPLEQ_FOREACH(dp, txn->mt_dirty_queue, h.md_next) {
+                       if (dp->p.mp_pgno == pgno) {
+                               p = &dp->p;
+                               break;
+                       }
+               }
+       } else {
+               p = (MDB_page *)(env->me_map + env->me_head.mh_psize * pgno);
+       }
+       return p;
+}
+
+static int
+mdb_search_page_root(MDB_db *bt, MDB_val *key,
+    MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
+{
+       MDB_page        *mp = mpp->mp_page;
+       int rc;
+
+       if (cursor && cursor_push_page(cursor, mp) == NULL)
+               return MDB_FAIL;
+
+       while (IS_BRANCH(mp)) {
+               unsigned int     i = 0;
+               MDB_node        *node;
+
+               DPRINTF("branch page %lu has %lu keys", mp->mp_pgno, NUMKEYS(mp));
+               assert(NUMKEYS(mp) > 1);
+               DPRINTF("found index 0 to page %lu", NODEPGNO(NODEPTR(mp, 0)));
+
+               if (key == NULL)        /* Initialize cursor to first page. */
+                       i = 0;
+               else {
+                       int      exact;
+                       node = mdb_search_node(bt, mp, key, &exact, &i);
+                       if (node == NULL)
+                               i = NUMKEYS(mp) - 1;
+                       else if (!exact) {
+                               assert(i > 0);
+                               i--;
+                       }
+               }
+
+               if (key)
+                       DPRINTF("following index %u for key %.*s",
+                           i, (int)key->mv_size, (char *)key->mv_data);
+               assert(i >= 0 && i < NUMKEYS(mp));
+               node = NODEPTR(mp, i);
+
+               if (cursor)
+                       CURSOR_TOP(cursor)->mp_ki = i;
+
+               mpp->mp_parent = mp;
+               if ((mp = mdbenv_get_page(bt->md_env, NODEPGNO(node))) == NULL)
+                       return MDB_FAIL;
+               mpp->mp_pi = i;
+               mpp->mp_page = mp;
+
+               if (cursor && cursor_push_page(cursor, mp) == NULL)
+                       return MDB_FAIL;
+
+               if (modify && (rc = mdb_touch(bt->md_env->me_txn, mpp)))
+                       return rc;
+               mp = mpp->mp_page;
+       }
+
+       if (!IS_LEAF(mp)) {
+               DPRINTF("internal error, index points to a %02X page!?",
+                   mp->mp_flags);
+               return MDB_FAIL;
+       }
+
+       DPRINTF("found leaf page %lu for key %.*s", mp->mp_pgno,
+           key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL);
+
+       return MDB_SUCCESS;
+}
+
+/* Search for the page a given key should be in.
+ * Stores a pointer to the found page in *mpp.
+ * If key is NULL, search for the lowest page (used by mdb_cursor_first).
+ * If cursor is non-null, pushes parent pages on the cursor stack.
+ * If modify is true, visited pages are updated with new page numbers.
+ */
+static int
+mdb_search_page(MDB_db *db, MDB_txn *txn, MDB_val *key,
+    MDB_cursor *cursor, int modify, MDB_pageparent *mpp)
+{
+       int              rc;
+       pgno_t           root;
+
+       /* Can't modify pages outside a transaction. */
+       if (txn == NULL && modify) {
+               return EINVAL;
+       }
+
+       /* Choose which root page to start with. If a transaction is given
+        * use the root page from the transaction, otherwise read the last
+        * committed root page.
+        */
+       if (txn == NULL) {
+               if ((rc = mdbenv_read_meta(db->md_env, NULL)) != MDB_SUCCESS)
+                       return rc;
+               root = db->md_env->me_meta.mm_root;
+       } else if (F_ISSET(txn->mt_flags, MDB_TXN_ERROR)) {
+               DPRINTF("transaction has failed, must abort");
+               return EINVAL;
+       } else
+               root = txn->mt_root;
+
+       if (root == P_INVALID) {                /* Tree is empty. */
+               DPRINTF("tree is empty");
+               return ENOENT;
+       }
+
+       if ((mpp->mp_page = mdbenv_get_page(db->md_env, root)) == NULL)
+               return MDB_FAIL;
+
+       DPRINTF("root page has flags 0x%X", mpp->mp_page->mp_flags);
+
+       if (modify && !F_ISSET(mpp->mp_page->mp_flags, P_DIRTY)) {
+               mpp->mp_parent = NULL;
+               mpp->mp_pi = 0;
+               if ((rc = mdb_touch(txn, mpp)))
+                       return rc;
+               txn->mt_root = mpp->mp_page->mp_pgno;
+       }
+
+       return mdb_search_page_root(db, key, cursor, modify, mpp);
+}
+
+static int
+mdb_read_data(MDB_db *db, MDB_page *mp, MDB_node *leaf,
+    MDB_val *data)
+{
+       MDB_page        *omp;           /* overflow mpage */
+       size_t           psz;
+       size_t           max;
+       size_t           sz = 0;
+       pgno_t           pgno;
+
+       bzero(data, sizeof(*data));
+       max = db->md_env->me_head.mh_psize - PAGEHDRSZ;
+
+       if (!F_ISSET(leaf->mn_flags, F_BIGDATA)) {
+               data->mv_size = leaf->mn_dsize;
+               data->mv_data = NODEDATA(leaf);
+               return MDB_SUCCESS;
+       }
+
+       /* Read overflow data.
+        */
+       data->mv_size = leaf->mn_dsize;
+       bcopy(NODEDATA(leaf), &pgno, sizeof(pgno));
+       if ((omp = mdbenv_get_page(db->md_env, pgno)) == NULL) {
+               DPRINTF("read overflow page %lu failed", pgno);
+               return MDB_FAIL;
+       }
+       data->mv_data = omp;
+
+       return MDB_SUCCESS;
+}
+
+int
+mdb_get(MDB_db *db, MDB_txn *txn,
+    MDB_val *key, MDB_val *data)
+{
+       int              rc, exact;
+       MDB_node        *leaf;
+       MDB_pageparent mpp;
+
+       assert(key);
+       assert(data);
+       DPRINTF("===> get key [%.*s]", (int)key->mv_size, (char *)key->mv_data);
+
+       if (db == NULL)
+               return EINVAL;
+
+       if (txn != NULL && db->md_env != txn->mt_env) {
+               return EINVAL;
+       }
+
+       if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
+               return EINVAL;
+       }
+
+       if ((rc = mdb_search_page(db, txn, key, NULL, 0, &mpp)) != MDB_SUCCESS)
+               return rc;
+
+       leaf = mdb_search_node(db, mpp.mp_page, key, &exact, NULL);
+       if (leaf && exact)
+               rc = mdb_read_data(db, mpp.mp_page, leaf, data);
+       else {
+               rc = ENOENT;
+       }
+
+       return rc;
+}
+
+static int
+mdb_sibling(MDB_cursor *cursor, int move_right)
+{
+       int              rc;
+       MDB_node        *indx;
+       MDB_ppage       *parent, *top;
+       MDB_page        *mp;
+
+       top = CURSOR_TOP(cursor);
+       if ((parent = SLIST_NEXT(top, mp_entry)) == NULL) {
+               return ENOENT;          /* root has no siblings */
+       }
+
+       DPRINTF("parent page is page %lu, index %u",
+           parent->mp_page->mp_pgno, parent->mp_ki);
+
+       cursor_pop_page(cursor);
+       if (move_right ? (parent->mp_ki + 1 >= NUMKEYS(parent->mp_page))
+                      : (parent->mp_ki == 0)) {
+               DPRINTF("no more keys left, moving to %s sibling",
+                   move_right ? "right" : "left");
+               if ((rc = mdb_sibling(cursor, move_right)) != MDB_SUCCESS)
+                       return rc;
+               parent = CURSOR_TOP(cursor);
+       } else {
+               if (move_right)
+                       parent->mp_ki++;
+               else
+                       parent->mp_ki--;
+               DPRINTF("just moving to %s index key %u",
+                   move_right ? "right" : "left", parent->mp_ki);
+       }
+       assert(IS_BRANCH(parent->mp_page));
+
+#if 0
+       indx = NODEPTR(parent->mp_page, parent->mp_ki);
+       if ((mp = mdbenv_get_page(cursor->bt, indx->n_pgno)) == NULL)
+               return MDB_FAIL;
+       mp->parent = parent->mp_page;
+       mp->parent_index = parent->mp_ki;
+#endif
+
+       cursor_push_page(cursor, mp);
+
+       return MDB_SUCCESS;
+}
+
+static int
+mdb_set_key(MDB_db *bt, MDB_page *mp, MDB_node *node,
+    MDB_val *key)
+{
+       if (key == NULL)
+               return 0;
+
+       key->mv_size = node->mn_ksize;
+       key->mv_data = NODEKEY(node);
+
+       return 0;
+}
+
+static int
+mdb_cursor_next(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
+{
+       MDB_ppage       *top;
+       MDB_page        *mp;
+       MDB_node        *leaf;
+
+       if (cursor->mc_eof) {
+               return ENOENT;
+       }
+
+       assert(cursor->mc_initialized);
+
+       top = CURSOR_TOP(cursor);
+       mp = top->mp_page;
+
+       DPRINTF("cursor_next: top page is %lu in cursor %p", mp->mp_pgno, cursor);
+
+       if (top->mp_ki + 1 >= NUMKEYS(mp)) {
+               DPRINTF("=====> move to next sibling page");
+               if (mdb_sibling(cursor, 1) != MDB_SUCCESS) {
+                       cursor->mc_eof = 1;
+                       return ENOENT;
+               }
+               top = CURSOR_TOP(cursor);
+               mp = top->mp_page;
+               DPRINTF("next page is %lu, key index %u", mp->mp_pgno, top->mp_ki);
+       } else
+               top->mp_ki++;
+
+       DPRINTF("==> cursor points to page %lu with %lu keys, key index %u",
+           mp->mp_pgno, NUMKEYS(mp), top->mp_ki);
+
+       assert(IS_LEAF(mp));
+       leaf = NODEPTR(mp, top->mp_ki);
+
+       if (data && mdb_read_data(cursor->mc_db, mp, leaf, data) != MDB_SUCCESS)
+               return MDB_FAIL;
+
+       return mdb_set_key(cursor->mc_db, mp, leaf, key);
+}
+
+static int
+mdb_cursor_set(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
+    int *exactp)
+{
+       int              rc;
+       MDB_node        *leaf;
+       MDB_ppage       *top;
+       MDB_pageparent mpp;
+
+       assert(cursor);
+       assert(key);
+       assert(key->mv_size > 0);
+
+       rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, key, cursor, 0, &mpp);
+       if (rc != MDB_SUCCESS)
+               return rc;
+       assert(IS_LEAF(mpp.mp_page));
+
+       top = CURSOR_TOP(cursor);
+       leaf = mdb_search_node(cursor->mc_db, mpp.mp_page, key, exactp, &top->mp_ki);
+       if (exactp != NULL && !*exactp) {
+               /* MDB_CURSOR_EXACT specified and not an exact match. */
+               return ENOENT;
+       }
+
+       if (leaf == NULL) {
+               DPRINTF("===> inexact leaf not found, goto sibling");
+               if ((rc = mdb_sibling(cursor, 1)) != MDB_SUCCESS)
+                       return rc;              /* no entries matched */
+               top = CURSOR_TOP(cursor);
+               top->mp_ki = 0;
+               mpp.mp_page = top->mp_page;
+               assert(IS_LEAF(mpp.mp_page));
+               leaf = NODEPTR(mpp.mp_page, 0);
+       }
+
+       cursor->mc_initialized = 1;
+       cursor->mc_eof = 0;
+
+       if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
+               return rc;
+
+       rc = mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
+       if (rc == MDB_SUCCESS) {
+               DPRINTF("==> cursor placed on key %.*s",
+                       (int)key->mv_size, (char *)key->mv_data);
+               ;
+       }
+
+       return rc;
+}
+
+static int
+mdb_cursor_first(MDB_cursor *cursor, MDB_val *key, MDB_val *data)
+{
+       int              rc;
+       MDB_pageparent  mpp;
+       MDB_node        *leaf;
+
+       rc = mdb_search_page(cursor->mc_db, cursor->mc_txn, NULL, cursor, 0, &mpp);
+       if (rc != MDB_SUCCESS)
+               return rc;
+       assert(IS_LEAF(mpp.mp_page));
+
+       leaf = NODEPTR(mpp.mp_page, 0);
+       cursor->mc_initialized = 1;
+       cursor->mc_eof = 0;
+
+       if (data && (rc = mdb_read_data(cursor->mc_db, mpp.mp_page, leaf, data)) != MDB_SUCCESS)
+               return rc;
+
+       return mdb_set_key(cursor->mc_db, mpp.mp_page, leaf, key);
+}
+
+int
+mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
+    MDB_cursor_op op)
+{
+       int              rc;
+       int              exact = 0;
+
+       assert(cursor);
+
+       switch (op) {
+       case MDB_CURSOR:
+       case MDB_CURSOR_EXACT:
+               while (CURSOR_TOP(cursor) != NULL)
+                       cursor_pop_page(cursor);
+               if (key == NULL || key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
+                       rc = EINVAL;
+               } else if (op == MDB_CURSOR_EXACT)
+                       rc = mdb_cursor_set(cursor, key, data, &exact);
+               else
+                       rc = mdb_cursor_set(cursor, key, data, NULL);
+               break;
+       case MDB_NEXT:
+               if (!cursor->mc_initialized)
+                       rc = mdb_cursor_first(cursor, key, data);
+               else
+                       rc = mdb_cursor_next(cursor, key, data);
+               break;
+       case MDB_FIRST:
+               while (CURSOR_TOP(cursor) != NULL)
+                       cursor_pop_page(cursor);
+               rc = mdb_cursor_first(cursor, key, data);
+               break;
+       default:
+               DPRINTF("unhandled/unimplemented cursor operation %u", op);
+               rc = EINVAL;
+               break;
+       }
+
+       return rc;
+}
+
+/* Allocate a page and initialize it
+ */
+static MDB_dpage *
+mdbenv_new_page(MDB_env *env, uint32_t flags, int num)
+{
+       MDB_dpage       *dp;
+
+       assert(env != NULL);
+       assert(env->me_txn != NULL);
+
+       DPRINTF("allocating new mpage %lu, page size %u",
+           env->me_txn->mt_next_pgno, env->me_head.mh_psize);
+       if ((dp = mdb_newpage(env->me_txn, NULL, 0, num)) == NULL)
+               return NULL;
+       dp->p.mp_flags = flags;
+       dp->p.mp_lower = PAGEHDRSZ;
+       dp->p.mp_upper = env->me_head.mh_psize;
+
+       if (IS_BRANCH(&dp->p))
+               env->me_meta.mm_stat.ms_branch_pages++;
+       else if (IS_LEAF(&dp->p))
+               env->me_meta.mm_stat.ms_leaf_pages++;
+       else if (IS_OVERFLOW(&dp->p)) {
+               env->me_meta.mm_stat.ms_overflow_pages += num;
+               dp->p.mp_pages = num;
+       }
+
+       return dp;
+}
+
+static size_t
+mdb_leaf_size(MDB_db *db, MDB_val *key, MDB_val *data)
+{
+       size_t           sz;
+
+       sz = LEAFSIZE(key, data);
+       if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
+               /* put on overflow page */
+               sz -= data->mv_size - sizeof(pgno_t);
+       }
+
+       return sz + sizeof(indx_t);
+}
+
+static size_t
+mdb_branch_size(MDB_db *db, MDB_val *key)
+{
+       size_t           sz;
+
+       sz = INDXSIZE(key);
+       if (sz >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
+               /* put on overflow page */
+               /* not implemented */
+               /* sz -= key->size - sizeof(pgno_t); */
+       }
+
+       return sz + sizeof(indx_t);
+}
+
+static int
+mdb_add_node(MDB_db *db, MDB_page *mp, indx_t indx,
+    MDB_val *key, MDB_val *data, pgno_t pgno, uint8_t flags)
+{
+       unsigned int     i;
+       size_t           node_size = NODESIZE;
+       indx_t           ofs;
+       MDB_node        *node;
+       MDB_dpage       *ofp = NULL;            /* overflow page */
+
+       assert(mp->mp_upper >= mp->mp_lower);
+
+       DPRINTF("add node [%.*s] to %s page %lu at index %i, key size %zu",
+           key ? (int)key->mv_size : 0, key ? (char *)key->mv_data : NULL,
+           IS_LEAF(mp) ? "leaf" : "branch",
+           mp->mp_pgno, indx, key ? key->mv_size : 0);
+
+       if (key != NULL)
+               node_size += key->mv_size;
+
+       if (IS_LEAF(mp)) {
+               assert(data);
+               node_size += data->mv_size;
+               if (F_ISSET(flags, F_BIGDATA)) {
+                       /* Data already on overflow page. */
+                       node_size -= data->mv_size - sizeof(pgno_t);
+               } else if (data->mv_size >= db->md_env->me_head.mh_psize / MDB_MINKEYS) {
+                       int ovpages = PAGEHDRSZ + data->mv_size + db->md_env->me_head.mh_psize - 1;
+                       ovpages /= db->md_env->me_head.mh_psize;
+                       /* Put data on overflow page. */
+                       DPRINTF("data size is %zu, put on overflow page",
+                           data->mv_size);
+                       node_size -= data->mv_size - sizeof(pgno_t);
+                       if ((ofp = mdbenv_new_page(db->md_env, P_OVERFLOW, ovpages)) == NULL)
+                               return MDB_FAIL;
+                       DPRINTF("allocated overflow page %lu", ofp->p.mp_pgno);
+                       flags |= F_BIGDATA;
+               }
+       }
+
+       if (node_size + sizeof(indx_t) > SIZELEFT(mp)) {
+               DPRINTF("not enough room in page %lu, got %lu ptrs",
+                   mp->mp_pgno, NUMKEYS(mp));
+               DPRINTF("upper - lower = %u - %u = %u", mp->mp_upper, mp->mp_lower,
+                   mp->mp_upper - mp->mp_lower);
+               DPRINTF("node size = %zu", node_size);
+               return ENOSPC;
+       }
+
+       /* Move higher pointers up one slot. */
+       for (i = NUMKEYS(mp); i > indx; i--)
+               mp->mp_ptrs[i] = mp->mp_ptrs[i - 1];
+
+       /* Adjust free space offsets. */
+       ofs = mp->mp_upper - node_size;
+       assert(ofs >= mp->mp_lower + sizeof(indx_t));
+       mp->mp_ptrs[indx] = ofs;
+       mp->mp_upper = ofs;
+       mp->mp_lower += sizeof(indx_t);
+
+       /* Write the node data. */
+       node = NODEPTR(mp, indx);
+       node->mn_ksize = (key == NULL) ? 0 : key->mv_size;
+       node->mn_flags = flags;
+       if (IS_LEAF(mp))
+               node->mn_dsize = data->mv_size;
+       else
+               node->mn_pgno = pgno;
+
+       if (key)
+               bcopy(key->mv_data, NODEKEY(node), key->mv_size);
+
+       if (IS_LEAF(mp)) {
+               assert(key);
+               if (ofp == NULL) {
+                       if (F_ISSET(flags, F_BIGDATA))
+                               bcopy(data->mv_data, node->mn_data + key->mv_size,
+                                   sizeof(pgno_t));
+                       else
+                               bcopy(data->mv_data, node->mn_data + key->mv_size,
+                                   data->mv_size);
+               } else {
+                       bcopy(&ofp->p.mp_pgno, node->mn_data + key->mv_size,
+                           sizeof(pgno_t));
+                       bcopy(data->mv_data, METADATA(&ofp->p), data->mv_size);
+               }
+       }
+
+       return MDB_SUCCESS;
+}
+
+static void
+mdb_del_node(MDB_db *db, MDB_page *mp, indx_t indx)
+{
+       unsigned int     sz;
+       indx_t           i, j, numkeys, ptr;
+       MDB_node        *node;
+       char            *base;
+
+       DPRINTF("delete node %u on %s page %lu", indx,
+           IS_LEAF(mp) ? "leaf" : "branch", mp->mp_pgno);
+       assert(indx < NUMKEYS(mp));
+
+       node = NODEPTR(mp, indx);
+       sz = NODESIZE + node->mn_ksize;
+       if (IS_LEAF(mp)) {
+               if (F_ISSET(node->mn_flags, F_BIGDATA))
+                       sz += sizeof(pgno_t);
+               else
+                       sz += NODEDSZ(node);
+       }
+
+       ptr = mp->mp_ptrs[indx];
+       numkeys = NUMKEYS(mp);
+       for (i = j = 0; i < numkeys; i++) {
+               if (i != indx) {
+                       mp->mp_ptrs[j] = mp->mp_ptrs[i];
+                       if (mp->mp_ptrs[i] < ptr)
+                               mp->mp_ptrs[j] += sz;
+                       j++;
+               }
+       }
+
+       base = (char *)mp + mp->mp_upper;
+       bcopy(base, base + sz, ptr - mp->mp_upper);
+
+       mp->mp_lower -= sizeof(indx_t);
+       mp->mp_upper += sz;
+}
+
+int
+mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **ret)
+{
+       MDB_cursor      *cursor;
+
+       if (db == NULL || ret == NULL)
+               return EINVAL;
+
+       if (txn != NULL && db->md_env != txn->mt_env) {
+               return EINVAL;
+       }
+
+       if ((cursor = calloc(1, sizeof(*cursor))) != NULL) {
+               SLIST_INIT(&cursor->mc_stack);
+               cursor->mc_db = db;
+               cursor->mc_txn = txn;
+       }
+
+       *ret = cursor;
+
+       return MDB_SUCCESS;
+}
+
+void
+mdb_cursor_close(MDB_cursor *cursor)
+{
+       if (cursor != NULL) {
+               while (!CURSOR_EMPTY(cursor))
+                       cursor_pop_page(cursor);
+
+/*             btree_close(cursor->bt); */
+               free(cursor);
+       }
+}
+
+static int
+mdb_update_key(MDB_db *db, MDB_page *mp, indx_t indx,
+    MDB_val *key)
+{
+       indx_t                   ptr, i, numkeys;
+       int                      delta;
+       size_t                   len;
+       MDB_node                *node;
+       char                    *base;
+
+       node = NODEPTR(mp, indx);
+       ptr = mp->mp_ptrs[indx];
+       DPRINTF("update key %u (ofs %u) [%.*s] to [%.*s] on page %lu",
+           indx, ptr,
+           (int)node->mn_ksize, (char *)NODEKEY(node),
+           (int)key->mv_size, (char *)key->mv_data,
+           mp->mp_pgno);
+
+       delta = key->mv_size - node->mn_ksize;
+       if (delta) {
+               if (delta > 0 && SIZELEFT(mp) < delta) {
+                       DPRINTF("OUCH! Not enough room, delta = %d", delta);
+                       return ENOSPC;
+               }
+
+               numkeys = NUMKEYS(mp);
+               for (i = 0; i < numkeys; i++) {
+                       if (mp->mp_ptrs[i] <= ptr)
+                               mp->mp_ptrs[i] -= delta;
+               }
+
+               base = (char *)mp + mp->mp_upper;
+               len = ptr - mp->mp_upper + NODESIZE;
+               bcopy(base, base - delta, len);
+               mp->mp_upper -= delta;
+
+               node = NODEPTR(mp, indx);
+               node->mn_ksize = key->mv_size;
+       }
+
+       bcopy(key->mv_data, NODEKEY(node), key->mv_size);
+
+       return MDB_SUCCESS;
+}
+
+/* Move a node from src to dst.
+ */
+static int
+mdb_move_node(MDB_db *bt, MDB_pageparent *src, indx_t srcindx,
+    MDB_pageparent *dst, indx_t dstindx)
+{
+       int                      rc;
+       MDB_node                *srcnode;
+       MDB_val          key, data;
+
+       srcnode = NODEPTR(src->mp_page, srcindx);
+       DPRINTF("moving %s node %u [%.*s] on page %lu to node %u on page %lu",
+           IS_LEAF(src->mp_page) ? "leaf" : "branch",
+           srcindx,
+           (int)srcnode->mn_ksize, (char *)NODEKEY(srcnode),
+           src->mp_page->mp_pgno,
+           dstindx, dst->mp_page->mp_pgno);
+
+       /* Mark src and dst as dirty. */
+       if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
+           (rc = mdb_touch(bt->md_env->me_txn, dst)))
+               return rc;;
+
+       /* Add the node to the destination page.
+        */
+       key.mv_size = srcnode->mn_ksize;
+       key.mv_data = NODEKEY(srcnode);
+       data.mv_size = NODEDSZ(srcnode);
+       data.mv_data = NODEDATA(srcnode);
+       rc = mdb_add_node(bt, dst->mp_page, dstindx, &key, &data, NODEPGNO(srcnode),
+           srcnode->mn_flags);
+       if (rc != MDB_SUCCESS)
+               return rc;
+
+       /* Delete the node from the source page.
+        */
+       mdb_del_node(bt, src->mp_page, srcindx);
+
+       /* Update the parent separators.
+        */
+       if (srcindx == 0 && src->mp_pi != 0) {
+               DPRINTF("update separator for source page %lu to [%.*s]",
+                   src->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
+               if ((rc = mdb_update_key(bt, src->mp_parent, src->mp_pi,
+                   &key)) != MDB_SUCCESS)
+                       return rc;
+       }
+
+       if (srcindx == 0 && IS_BRANCH(src->mp_page)) {
+               MDB_val  nullkey;
+               nullkey.mv_size = 0;
+               assert(mdb_update_key(bt, src->mp_page, 0, &nullkey) == MDB_SUCCESS);
+       }
+
+       if (dstindx == 0 && dst->mp_pi != 0) {
+               DPRINTF("update separator for destination page %lu to [%.*s]",
+                   dst->mp_page->mp_pgno, (int)key.mv_size, (char *)key.mv_data);
+               if ((rc = mdb_update_key(bt, dst->mp_parent, dst->mp_pi,
+                   &key)) != MDB_SUCCESS)
+                       return rc;
+       }
+
+       if (dstindx == 0 && IS_BRANCH(dst->mp_page)) {
+               MDB_val  nullkey;
+               nullkey.mv_size = 0;
+               assert(mdb_update_key(bt, dst->mp_page, 0, &nullkey) == MDB_SUCCESS);
+       }
+
+       return MDB_SUCCESS;
+}
+
+static int
+mdb_merge(MDB_db *bt, MDB_pageparent *src, MDB_pageparent *dst)
+{
+       int                      rc;
+       indx_t                   i;
+       MDB_node                *srcnode;
+       MDB_val          key, data;
+       MDB_pageparent  mpp;
+       MDB_dhead *dh;
+
+       DPRINTF("merging page %lu and %lu", src->mp_page->mp_pgno, dst->mp_page->mp_pgno);
+
+       assert(src->mp_parent); /* can't merge root page */
+       assert(dst->mp_parent);
+       assert(bt->md_env->me_txn != NULL);
+
+       /* Mark src and dst as dirty. */
+       if ((rc = mdb_touch(bt->md_env->me_txn, src)) ||
+           (rc = mdb_touch(bt->md_env->me_txn, dst)))
+               return rc;
+
+       /* Move all nodes from src to dst.
+        */
+       for (i = 0; i < NUMKEYS(src->mp_page); i++) {
+               srcnode = NODEPTR(src->mp_page, i);
+
+               key.mv_size = srcnode->mn_ksize;
+               key.mv_data = NODEKEY(srcnode);
+               data.mv_size = NODEDSZ(srcnode);
+               data.mv_data = NODEDATA(srcnode);
+               rc = mdb_add_node(bt, dst->mp_page, NUMKEYS(dst->mp_page), &key,
+                   &data, NODEPGNO(srcnode), srcnode->mn_flags);
+               if (rc != MDB_SUCCESS)
+                       return rc;
+       }
+
+       DPRINTF("dst page %lu now has %lu keys (%.1f%% filled)",
+           dst->mp_page->mp_pgno, NUMKEYS(dst->mp_page), (float)PAGEFILL(bt->md_env, dst->mp_page) / 10);
+
+       /* Unlink the src page from parent.
+        */
+       mdb_del_node(bt, src->mp_parent, src->mp_pi);
+       if (src->mp_pi == 0) {
+               key.mv_size = 0;
+               if ((rc = mdb_update_key(bt, src->mp_parent, 0, &key)) != MDB_SUCCESS)
+                       return rc;
+       }
+
+       if (IS_LEAF(src->mp_page))
+               bt->md_env->me_meta.mm_stat.ms_leaf_pages--;
+       else
+               bt->md_env->me_meta.mm_stat.ms_branch_pages--;
+
+       mpp.mp_page = src->mp_parent;
+       dh = (MDB_dhead *)src->mp_parent;
+       dh--;
+       mpp.mp_parent = dh->md_parent;
+       mpp.mp_pi = dh->md_pi;
+
+       return mdb_rebalance(bt, &mpp);
+}
+
+#define FILL_THRESHOLD  250
+
+static int
+mdb_rebalance(MDB_db *db, MDB_pageparent *mpp)
+{
+       MDB_node        *node;
+       MDB_page        *root;
+       MDB_pageparent npp;
+       indx_t           si = 0, di = 0;
+
+       assert(db != NULL);
+       assert(db->md_env->me_txn != NULL);
+       assert(mpp != NULL);
+
+       DPRINTF("rebalancing %s page %lu (has %lu keys, %.1f%% full)",
+           IS_LEAF(mpp->mp_page) ? "leaf" : "branch",
+           mpp->mp_page->mp_pgno, NUMKEYS(mpp->mp_page), (float)PAGEFILL(db->md_env, mpp->mp_page) / 10);
+
+       if (PAGEFILL(db->md_env, mpp->mp_page) >= FILL_THRESHOLD) {
+               DPRINTF("no need to rebalance page %lu, above fill threshold",
+                   mpp->mp_page->mp_pgno);
+               return MDB_SUCCESS;
+       }
+
+       if (mpp->mp_parent == NULL) {
+               if (NUMKEYS(mpp->mp_page) == 0) {
+                       DPRINTF("tree is completely empty");
+                       db->md_env->me_txn->mt_root = P_INVALID;
+                       db->md_env->me_meta.mm_stat.ms_depth--;
+                       db->md_env->me_meta.mm_stat.ms_leaf_pages--;
+               } else if (IS_BRANCH(mpp->mp_page) && NUMKEYS(mpp->mp_page) == 1) {
+                       DPRINTF("collapsing root page!");
+                       db->md_env->me_txn->mt_root = NODEPGNO(NODEPTR(mpp->mp_page, 0));
+                       if ((root = mdbenv_get_page(db->md_env, db->md_env->me_txn->mt_root)) == NULL)
+                               return MDB_FAIL;
+                       db->md_env->me_meta.mm_stat.ms_depth--;
+                       db->md_env->me_meta.mm_stat.ms_branch_pages--;
+               } else
+                       DPRINTF("root page doesn't need rebalancing");
+               return MDB_SUCCESS;
+       }
+
+       /* The parent (branch page) must have at least 2 pointers,
+        * otherwise the tree is invalid.
+        */
+       assert(NUMKEYS(mpp->mp_parent) > 1);
+
+       /* Leaf page fill factor is below the threshold.
+        * Try to move keys from left or right neighbor, or
+        * merge with a neighbor page.
+        */
+
+       /* Find neighbors.
+        */
+       if (mpp->mp_pi == 0) {
+               /* We're the leftmost leaf in our parent.
+                */
+               DPRINTF("reading right neighbor");
+               node = NODEPTR(mpp->mp_parent, mpp->mp_pi + 1);
+               if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
+                       return MDB_FAIL;
+               npp.mp_pi = mpp->mp_pi + 1;
+               si = 0;
+               di = NUMKEYS(mpp->mp_page);
+       } else {
+               /* There is at least one neighbor to the left.
+                */
+               DPRINTF("reading left neighbor");
+               node = NODEPTR(mpp->mp_parent, mpp->mp_pi - 1);
+               if ((npp.mp_page = mdbenv_get_page(db->md_env, NODEPGNO(node))) == NULL)
+                       return MDB_FAIL;
+               npp.mp_pi = mpp->mp_pi - 1;
+               si = NUMKEYS(npp.mp_page) - 1;
+               di = 0;
+       }
+       npp.mp_parent = mpp->mp_parent;
+
+       DPRINTF("found neighbor page %lu (%lu keys, %.1f%% full)",
+           npp.mp_page->mp_pgno, NUMKEYS(npp.mp_page), (float)PAGEFILL(db->md_env, npp.mp_page) / 10);
+
+       /* If the neighbor page is above threshold and has at least two
+        * keys, move one key from it.
+        *
+        * Otherwise we should try to merge them.
+        */
+       if (PAGEFILL(db->md_env, npp.mp_page) >= FILL_THRESHOLD && NUMKEYS(npp.mp_page) >= 2)
+               return mdb_move_node(db, &npp, si, mpp, di);
+       else { /* FIXME: if (has_enough_room()) */
+               if (mpp->mp_pi == 0)
+                       return mdb_merge(db, &npp, mpp);
+               else
+                       return mdb_merge(db, mpp, &npp);
+       }
+}
+
+int
+mdb_del(MDB_db *bt, MDB_txn *txn,
+    MDB_val *key, MDB_val *data)
+{
+       int              rc, exact;
+       unsigned int     ki;
+       MDB_node        *leaf;
+       MDB_pageparent  mpp;
+
+       DPRINTF("========> delete key %.*s", (int)key->mv_size, (char *)key->mv_data);
+
+       assert(key != NULL);
+
+       if (bt == NULL || txn == NULL)
+               return EINVAL;
+
+       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
+               return EINVAL;
+       }
+
+       if (bt->md_env->me_txn != txn) {
+               return EINVAL;
+       }
+
+       if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
+               return EINVAL;
+       }
+
+       if ((rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp)) != MDB_SUCCESS)
+               return rc;
+
+       leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
+       if (leaf == NULL || !exact) {
+               return ENOENT;
+       }
+
+       if (data && (rc = mdb_read_data(bt, NULL, leaf, data)) != MDB_SUCCESS)
+               return rc;
+
+       mdb_del_node(bt, mpp.mp_page, ki);
+       bt->md_env->me_meta.mm_stat.ms_entries--;
+       rc = mdb_rebalance(bt, &mpp);
+       if (rc != MDB_SUCCESS)
+               txn->mt_flags |= MDB_TXN_ERROR;
+
+       return rc;
+}
+
+/* Split page <*mpp>, and insert <key,(data|newpgno)> in either left or
+ * right sibling, at index <*newindxp> (as if unsplit). Updates *mpp and
+ * *newindxp with the actual values after split, ie if *mpp and *newindxp
+ * refer to a node in the new right sibling page.
+ */
+static int
+mdb_split(MDB_db *bt, MDB_page **mpp, unsigned int *newindxp,
+    MDB_val *newkey, MDB_val *newdata, pgno_t newpgno)
+{
+       uint8_t          flags;
+       int              rc = MDB_SUCCESS, ins_new = 0;
+       indx_t           newindx;
+       pgno_t           pgno = 0;
+       unsigned int     i, j, split_indx;
+       MDB_node        *node;
+       MDB_page        *pright, *p;
+       MDB_val  sepkey, rkey, rdata;
+       MDB_page        *copy;
+       MDB_dpage       *mdp, *rdp, *pdp;
+       MDB_dhead *dh;
+
+       assert(bt != NULL);
+       assert(bt->md_env != NULL);
+
+       dh = ((MDB_dhead *)*mpp) - 1;
+       mdp = (MDB_dpage *)dh;
+       newindx = *newindxp;
+
+       DPRINTF("-----> splitting %s page %lu and adding [%.*s] at index %i",
+           IS_LEAF(&mdp->p) ? "leaf" : "branch", mdp->p.mp_pgno,
+           (int)newkey->mv_size, (char *)newkey->mv_data, *newindxp);
+
+       if (mdp->h.md_parent == NULL) {
+               if ((pdp = mdbenv_new_page(bt->md_env, P_BRANCH, 1)) == NULL)
+                       return MDB_FAIL;
+               mdp->h.md_pi = 0;
+               mdp->h.md_parent = &pdp->p;
+               bt->md_env->me_txn->mt_root = pdp->p.mp_pgno;
+               DPRINTF("root split! new root = %lu", pdp->p.mp_pgno);
+               bt->md_env->me_meta.mm_stat.ms_depth++;
+
+               /* Add left (implicit) pointer. */
+               if (mdb_add_node(bt, &pdp->p, 0, NULL, NULL,
+                   mdp->p.mp_pgno, 0) != MDB_SUCCESS)
+                       return MDB_FAIL;
+       } else {
+               DPRINTF("parent branch page is %lu", mdp->h.md_parent->mp_pgno);
+       }
+
+       /* Create a right sibling. */
+       if ((rdp = mdbenv_new_page(bt->md_env, mdp->p.mp_flags, 1)) == NULL)
+               return MDB_FAIL;
+       rdp->h.md_parent = mdp->h.md_parent;
+       rdp->h.md_pi = mdp->h.md_pi + 1;
+       DPRINTF("new right sibling: page %lu", rdp->p.mp_pgno);
+
+       /* Move half of the keys to the right sibling. */
+       if ((copy = malloc(bt->md_env->me_head.mh_psize)) == NULL)
+               return MDB_FAIL;
+       bcopy(&mdp->p, copy, bt->md_env->me_head.mh_psize);
+       bzero(&mdp->p.mp_ptrs, bt->md_env->me_head.mh_psize - PAGEHDRSZ);
+       mdp->p.mp_lower = PAGEHDRSZ;
+       mdp->p.mp_upper = bt->md_env->me_head.mh_psize;
+
+       split_indx = NUMKEYS(copy) / 2 + 1;
+
+       /* First find the separating key between the split pages.
+        */
+       bzero(&sepkey, sizeof(sepkey));
+       if (newindx == split_indx) {
+               sepkey.mv_size = newkey->mv_size;
+               sepkey.mv_data = newkey->mv_data;
+       } else {
+               node = NODEPTR(copy, split_indx);
+               sepkey.mv_size = node->mn_ksize;
+               sepkey.mv_data = NODEKEY(node);
+       }
+
+       DPRINTF("separator is [%.*s]", (int)sepkey.mv_size, (char *)sepkey.mv_data);
+
+       /* Copy separator key to the parent.
+        */
+       if (SIZELEFT(rdp->h.md_parent) < mdb_branch_size(bt, &sepkey)) {
+               rc = mdb_split(bt, &rdp->h.md_parent, &rdp->h.md_pi,
+                   &sepkey, NULL, rdp->p.mp_pgno);
+
+               /* Right page might now have changed parent.
+                * Check if left page also changed parent.
+                */
+               if (rdp->h.md_parent != mdp->h.md_parent &&
+                   mdp->h.md_pi >= NUMKEYS(mdp->h.md_parent)) {
+                       mdp->h.md_parent = rdp->h.md_parent;
+                       mdp->h.md_pi = rdp->h.md_pi - 1;
+               }
+       } else {
+               rc = mdb_add_node(bt, rdp->h.md_parent, rdp->h.md_pi,
+                   &sepkey, NULL, rdp->p.mp_pgno, 0);
+       }
+       if (rc != MDB_SUCCESS) {
+               free(copy);
+               return MDB_FAIL;
+       }
+
+       for (i = j = 0; i <= NUMKEYS(copy); j++) {
+               if (i < split_indx) {
+                       /* Re-insert in left sibling. */
+                       pdp = mdp;
+               } else {
+                       /* Insert in right sibling. */
+                       if (i == split_indx)
+                               /* Reset insert index for right sibling. */
+                               j = (i == newindx && ins_new);
+                       pdp = rdp;
+               }
+
+               if (i == newindx && !ins_new) {
+                       /* Insert the original entry that caused the split. */
+                       rkey.mv_data = newkey->mv_data;
+                       rkey.mv_size = newkey->mv_size;
+                       if (IS_LEAF(&mdp->p)) {
+                               rdata.mv_data = newdata->mv_data;
+                               rdata.mv_size = newdata->mv_size;
+                       } else
+                               pgno = newpgno;
+                       flags = 0;
+
+                       ins_new = 1;
+
+                       /* Update page and index for the new key. */
+                       *newindxp = j;
+                       *mpp = &pdp->p;
+               } else if (i == NUMKEYS(copy)) {
+                       break;
+               } else {
+                       node = NODEPTR(copy, i);
+                       rkey.mv_data = NODEKEY(node);
+                       rkey.mv_size = node->mn_ksize;
+                       if (IS_LEAF(&mdp->p)) {
+                               rdata.mv_data = NODEDATA(node);
+                               rdata.mv_size = node->mn_dsize;
+                       } else
+                               pgno = node->mn_pgno;
+                       flags = node->mn_flags;
+
+                       i++;
+               }
+
+               if (!IS_LEAF(&mdp->p) && j == 0) {
+                       /* First branch index doesn't need key data. */
+                       rkey.mv_size = 0;
+               }
+
+               rc = mdb_add_node(bt, &pdp->p, j, &rkey, &rdata, pgno,flags);
+       }
+
+       free(copy);
+       return rc;
+}
+
+int
+mdb_put(MDB_db *bt, MDB_txn *txn,
+    MDB_val *key, MDB_val *data, unsigned int flags)
+{
+       int              rc = MDB_SUCCESS, exact;
+       unsigned int     ki;
+       MDB_node        *leaf;
+       MDB_pageparent  mpp;
+
+       assert(key != NULL);
+       assert(data != NULL);
+
+       if (bt == NULL || txn == NULL)
+               return EINVAL;
+
+       if (F_ISSET(txn->mt_flags, MDB_TXN_RDONLY)) {
+               return EINVAL;
+       }
+
+       if (bt->md_env->me_txn != txn) {
+               return EINVAL;
+       }
+
+       if (key->mv_size == 0 || key->mv_size > MAXKEYSIZE) {
+               return EINVAL;
+       }
+
+       DPRINTF("==> put key %.*s, size %zu, data size %zu",
+               (int)key->mv_size, (char *)key->mv_data, key->mv_size, data->mv_size);
+
+       rc = mdb_search_page(bt, txn, key, NULL, 1, &mpp);
+       if (rc == MDB_SUCCESS) {
+               leaf = mdb_search_node(bt, mpp.mp_page, key, &exact, &ki);
+               if (leaf && exact) {
+                       if (F_ISSET(flags, MDB_NOOVERWRITE)) {
+                               DPRINTF("duplicate key %.*s",
+                                   (int)key->mv_size, (char *)key->mv_data);
+                               return EEXIST;
+                       }
+                       mdb_del_node(bt, mpp.mp_page, ki);
+               }
+               if (leaf == NULL) {             /* append if not found */
+                       ki = NUMKEYS(mpp.mp_page);
+                       DPRINTF("appending key at index %i", ki);
+               }
+       } else if (rc == ENOENT) {
+               MDB_dpage *dp;
+               /* new file, just write a root leaf page */
+               DPRINTF("allocating new root leaf page");
+               if ((dp = mdbenv_new_page(bt->md_env, P_LEAF, 1)) == NULL) {
+                       return ENOMEM;
+               }
+               mpp.mp_page = &dp->p;
+               txn->mt_root = mpp.mp_page->mp_pgno;
+               bt->md_env->me_meta.mm_stat.ms_depth++;
+               ki = 0;
+       }
+       else
+               goto done;
+
+       assert(IS_LEAF(mpp.mp_page));
+       DPRINTF("there are %lu keys, should insert new key at index %i",
+               NUMKEYS(mpp.mp_page), ki);
+
+       if (SIZELEFT(mpp.mp_page) < mdb_leaf_size(bt, key, data)) {
+               rc = mdb_split(bt, &mpp.mp_page, &ki, key, data, P_INVALID);
+       } else {
+               /* There is room already in this leaf page. */
+               rc = mdb_add_node(bt, mpp.mp_page, ki, key, data, 0, 0);
+       }
+
+       if (rc != MDB_SUCCESS)
+               txn->mt_flags |= MDB_TXN_ERROR;
+       else
+               bt->md_env->me_meta.mm_stat.ms_entries++;
+
+done:
+       return rc;
+}
+
+static pgno_t
+mdbenv_compact_tree(MDB_env *env, pgno_t pgno, MDB_env *envc)
+{
+       ssize_t          rc;
+       indx_t           i;
+       pgno_t          *pnext, next;
+       MDB_node        *node;
+       MDB_page        *p;
+       MDB_page        *mp;
+
+       /* Get the page and make a copy of it.
+        */
+       if ((mp = mdbenv_get_page(env, pgno)) == NULL)
+               return P_INVALID;
+       if ((p = malloc(env->me_head.mh_psize)) == NULL)
+               return P_INVALID;
+       bcopy(mp, p, env->me_head.mh_psize);
+
+       /* Go through all nodes in the (copied) page and update the
+        * page pointers.
+        */
+       if (F_ISSET(p->mp_flags, P_BRANCH)) {
+               for (i = 0; i < NUMKEYS(p); i++) {
+                       node = NODEPTR(p, i);
+                       node->mn_pgno = mdbenv_compact_tree(env, node->mn_pgno, envc);
+                       if (node->mn_pgno == P_INVALID) {
+                               free(p);
+                               return P_INVALID;
+                       }
+               }
+       } else if (F_ISSET(p->mp_flags, P_LEAF)) {
+               for (i = 0; i < NUMKEYS(p); i++) {
+                       node = NODEPTR(p, i);
+                       if (F_ISSET(node->mn_flags, F_BIGDATA)) {
+                               bcopy(NODEDATA(node), &next, sizeof(next));
+                               next = mdbenv_compact_tree(env, next, envc);
+                               if (next == P_INVALID) {
+                                       free(p);
+                                       return P_INVALID;
+                               }
+                               bcopy(&next, NODEDATA(node), sizeof(next));
+                       }
+               }
+       } else if (F_ISSET(p->mp_flags, P_OVERFLOW)) {
+               ;       /* handled below */
+       } else
+               assert(0);
+
+       pgno = p->mp_pgno = envc->me_txn->mt_next_pgno++;
+       rc = write(envc->me_fd, p, env->me_head.mh_psize);
+       free(p);
+       if (rc != (ssize_t)env->me_head.mh_psize)
+               return P_INVALID;
+
+       if (F_ISSET(mp->mp_flags, P_OVERFLOW)) {
+               if (mp->mp_pages > 1) {
+                       size_t len = (mp->mp_pages-1) * env->me_head.mh_psize;
+                       envc->me_txn->mt_next_pgno += mp->mp_pages-1;
+                       rc = write(envc->me_fd, mp+1, len);
+                       if (rc != len)
+                               return P_INVALID;
+               }
+       }
+       return pgno;
+}
+
+int
+mdbenv_compact(MDB_env *env)
+{
+       char                    *compact_path = NULL;
+       MDB_env         *envc;
+       MDB_txn *txn, *txnc = NULL;
+       int                      fd, rc;
+       pgno_t                   root;
+
+       assert(env != NULL);
+
+       if (env->me_path == NULL) {
+               return EINVAL;
+       }
+
+       DPRINTF("compacting mdbenv %p with path %s", env, env->me_path);
+
+       rc = mdb_txn_begin(env, 0, &txn);
+       if (rc) return rc;
+
+       asprintf(&compact_path, "%s.compact.XXXXXX", env->me_path);
+       fd = mkstemp(compact_path);
+       if (fd == -1) {
+               rc = errno;
+               free(compact_path);
+               mdb_txn_abort(txn);
+               return rc;
+       }
+
+       rc = mdbenv_create(&envc, env->me_mapsize);
+       if (rc) goto failed;
+
+       envc->me_fd = fd;
+       rc = mdbenv_open2(envc, env->me_flags);
+       if (rc) goto failed;
+
+       bcopy(&env->me_meta, &envc->me_meta, sizeof(env->me_meta));
+       envc->me_meta.mm_stat.ms_revisions = 0;
+
+       rc = mdb_txn_begin(envc, 0, &txnc);
+       if (rc) goto failed;
+
+       if (env->me_meta.mm_root != P_INVALID) {
+               root = mdbenv_compact_tree(env, env->me_meta.mm_root, envc);
+               if (root == P_INVALID)
+                       goto failed;
+               if ((rc = mdbenv_write_meta(envc, root, 0)) != MDB_SUCCESS)
+                       goto failed;
+       }
+
+       fsync(fd);
+
+       DPRINTF("renaming %s to %s", compact_path, env->me_path);
+       if (rename(compact_path, env->me_path) != 0) {
+               rc = errno;
+               goto failed;
+       }
+
+       /* Write a "tombstone" meta page so other processes can pick up
+        * the change and re-open the file.
+        */
+       if (mdbenv_write_meta(env, P_INVALID, MDB_TOMBSTONE) != MDB_SUCCESS)
+               goto failed;
+
+       mdb_txn_abort(txn);
+       mdb_txn_abort(txnc);
+       free(compact_path);
+       mdbenv_close(envc);
+       return 0;
+
+failed:
+       mdb_txn_abort(txn);
+       mdb_txn_abort(txnc);
+       unlink(compact_path);
+       free(compact_path);
+       mdbenv_close(envc);
+       return rc;
+}
+
+int
+mdbenv_get_flags(MDB_env *env, unsigned int *arg)
+{
+       if (!env || !arg)
+               return EINVAL;
+
+       *arg = (env->me_flags & ~MDB_FIXPADDING);
+       return MDB_SUCCESS;
+}
+
+int
+mdbenv_get_path(MDB_env *env, const char **arg)
+{
+       if (!env || !arg)
+               return EINVAL;
+
+       *arg = env->me_path;
+       return MDB_SUCCESS;
+}
+
+int
+mdbenv_stat(MDB_env *env, MDB_stat **arg)
+{
+       if (env == NULL || arg == NULL)
+               return EINVAL;
+
+       *arg = &env->me_meta.mm_stat;
+
+       return MDB_SUCCESS;
+}
+
+int mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db)
+{
+       if (!name) {
+               *db = (MDB_db *)&env->me_db;
+               return MDB_SUCCESS;
+       }
+       return EINVAL;
+}
+
+int mdb_stat(MDB_db *db, MDB_stat **arg)
+{
+       if (db == NULL || arg == NULL)
+               return EINVAL;
+
+       *arg = &db->md_stat;
+
+       return MDB_SUCCESS;
+}
+
+void mdb_close(MDB_db *db)
+{
+}
diff --git a/libraries/libmdb/mdb.h b/libraries/libmdb/mdb.h
new file mode 100644 (file)
index 0000000..b401beb
--- /dev/null
@@ -0,0 +1,87 @@
+#ifndef _MDB_H_
+#define _MDB_H_
+
+#include <sys/types.h>
+
+struct MDB_cursor;
+struct MDB_txn;
+struct MDB_db;
+struct MDB_env;
+
+typedef struct MDB_cursor MDB_cursor;
+typedef struct MDB_txn MDB_txn;
+typedef struct MDB_db MDB_db;
+typedef struct MDB_env MDB_env;
+
+typedef struct MDB_val {
+       void            *mv_data;
+       size_t           mv_size;
+} MDB_val;
+
+typedef int  (MDB_cmp_func)(const MDB_val *a, const MDB_val *b);
+typedef void (MDB_rel_func)(void *ptr, void *oldptr);
+
+#define MDB_NOOVERWRITE         1
+
+typedef enum MDB_cursor_op {           /* cursor operations */
+       MDB_CURSOR,                             /* position at given key */
+       MDB_CURSOR_EXACT,               /* position at key, or fail */
+       MDB_FIRST,
+       MDB_NEXT,
+       MDB_LAST,                               /* not implemented */
+       MDB_PREV                                /* not implemented */
+} MDB_cursor_op;
+
+/* return codes */
+#define MDB_FAIL               -1
+#define MDB_SUCCESS     0
+
+/* DB flags */
+#define MDB_REVERSEKEY 0x02            /* use reverse string keys */
+#define MDB_NOSYNC             0x10000         /* don't fsync after commit */
+#define MDB_RDONLY             0x20000         /* read only */
+
+/* environment flags */
+#define MDB_FIXEDMAP   0x01            /* mmap at a fixed address */
+
+typedef struct MDB_stat {
+       time_t                  ms_created_at;
+       unsigned int    ms_psize;
+       unsigned int    ms_depth;
+       unsigned long   ms_branch_pages;
+       unsigned long   ms_leaf_pages;
+       unsigned long   ms_overflow_pages;
+       unsigned long   ms_revisions;
+       unsigned long   ms_entries;
+} MDB_stat;
+
+int  mdbenv_create(MDB_env **env, size_t size);
+int  mdbenv_open(MDB_env *env, const char *path, unsigned int flags, mode_t mode);
+int  mdbenv_stat(MDB_env *env, MDB_stat **stat);
+void mdbenv_close(MDB_env *env);
+int  mdbenv_get_flags(MDB_env *env, unsigned int *flags);
+int  mdbenv_get_path(MDB_env *env, const char **path);
+int  mdbenv_sync(MDB_env *env);
+int  mdbenv_compact(MDB_env *env);
+
+int  mdb_txn_begin(MDB_env *env, int rdonly, MDB_txn **txn);
+int  mdb_txn_commit(MDB_txn *txn);
+void mdb_txn_abort(MDB_txn *txn);
+
+int  mdb_open(MDB_env *env, MDB_txn *txn, const char *name, unsigned int flags, MDB_db **db);
+int  mdb_stat(MDB_db *db, MDB_stat **stat);
+void mdb_close(MDB_db *db);
+
+int  mdb_get(MDB_db *db, MDB_txn *txn, MDB_val *key, MDB_val *data);
+int  mdb_put(MDB_db *db, MDB_txn *txn, MDB_val *key, MDB_val *data,
+                           unsigned int flags);
+int  mdb_del(MDB_db *db, MDB_txn *txn, MDB_val *key, MDB_val *data);
+
+int  mdb_cursor_open(MDB_db *db, MDB_txn *txn, MDB_cursor **cursor);
+void mdb_cursor_close(MDB_cursor *cursor);
+int  mdb_cursor_get(MDB_cursor *cursor, MDB_val *key, MDB_val *data,
+                           MDB_cursor_op op);
+
+int  mdb_cmp(MDB_db *db, const MDB_val *a, const MDB_val *b);
+
+#endif /* _MDB_H_ */
diff --git a/libraries/libmdb/mtest.c b/libraries/libmdb/mtest.c
new file mode 100644 (file)
index 0000000..bc3df26
--- /dev/null
@@ -0,0 +1,56 @@
+#include <stdio.h>
+#include <stdlib.h>
+#include <time.h>
+#include "mdb.h"
+
+int main(int argc,char * argv[])
+{
+       int i = 0, rc;
+       MDB_env *env;
+       MDB_db *db;
+       MDB_val key, data;
+       MDB_txn *txn;
+       MDB_stat *mst;
+       int count;
+       int *values;
+       char sval[32];
+
+       srandom(time(NULL));
+
+           count = random()%512;               
+           values = (int *)malloc(count*sizeof(int));
+
+           for(i = 0;i<count;i++) {
+                       values[i] = random()%1024;
+           }
+    
+               rc = mdbenv_create(&env, 10485760);
+               rc = mdbenv_open(env, "./testdb", MDB_FIXEDMAP, 0664);
+               rc = mdb_txn_begin(env, 0, &txn);
+               rc = mdb_open(env, txn, NULL, 0, &db);
+   
+               key.mv_size = sizeof(int);
+               key.mv_data = sval;
+               data.mv_size = sizeof(sval);
+               data.mv_data = sval;
+
+           for (i=0;i<count;i++) {     
+                       sprintf(sval, "%03x %d foo bar", values[i], values[i]);
+                       mdb_put(db, txn, &key, &data, 0);
+           }           
+               rc = mdb_txn_commit(txn);
+               rc = mdbenv_stat(env, &mst);
+
+           for (i= count - 1; i > -1; i-= (random()%5)) {      
+                       rc = mdb_txn_begin(env, 0, &txn);
+                       sprintf(sval, "%03x ", values[i]);
+                       rc = mdb_del(db, txn, &key, NULL);
+                       rc = mdb_txn_commit(txn);
+           }
+           free(values);
+               rc = mdbenv_stat(env, &mst);
+               mdb_close(db);
+               mdbenv_close(env);
+
+       return 0;
+}