git.sesse.net Git - plocate/blob - plocate.cpp

   1 #include <stdio.h>
   2 #include <string.h>
   3 #include <algorithm>
   4 #include <unordered_map>
   5 #include <string>
   6 #include <vector>
   7 #include <chrono>
   8 #include <unistd.h>
   9 #include <fcntl.h>
  10 #include <sys/mman.h>
  11 #include <arpa/inet.h>
  12 #include <endian.h>
  13 #include <zstd.h>
  14
  15 #include "vp4.h"
  16
  17 #define P4NENC_BOUND(n) ((n+127)/128+(n+32)*sizeof(uint32_t))
  18
  19 using namespace std;
  20 using namespace std::chrono;
  21
  22 #define dprintf(...)
  23 //#define dprintf(...) fprintf(stderr, __VA_ARGS__);
  24
  25 static inline uint32_t read_unigram(const string &s, size_t idx)
  26 {
  27         if (idx < s.size()) {
  28                 return (unsigned char)s[idx];
  29         } else {
  30                 return 0;
  31         }
  32 }
  33
  34 static inline uint32_t read_trigram(const string &s, size_t start)
  35 {
  36         return read_unigram(s, start) |
  37                 (read_unigram(s, start + 1) << 8) |
  38                 (read_unigram(s, start + 2) << 16);
  39 }
  40
  41 bool has_access(const char *filename, unordered_map<string, bool> *access_rx_cache)
  42 {
  43         const char *end = strchr(filename + 1, '/');
  44         while (end != nullptr) {
  45                 string parent_path(filename, end);
  46                 auto it = access_rx_cache->find(parent_path);
  47                 bool ok;
  48                 if (it == access_rx_cache->end()) {
  49                         ok = access(parent_path.c_str(), R_OK | X_OK) == 0;
  50                         access_rx_cache->emplace(move(parent_path), ok);
  51                 } else {
  52                         ok = it->second;
  53                 }
  54                 if (!ok) {
  55                         return false;
  56                 }
  57                 end = strchr(end + 1, '/');
  58         }
  59
  60         return true;
  61 }
  62
  63 struct Trigram {
  64         uint32_t trgm;
  65         uint32_t num_docids;
  66         uint64_t offset;
  67 };
  68
  69 class Corpus {
  70 public:
  71         Corpus(int fd);
  72         ~Corpus();
  73         const Trigram *find_trigram(uint32_t trgm) const;
  74         const unsigned char *get_compressed_posting_list(const Trigram *trigram) const;
  75         string_view get_compressed_filename_block(uint32_t docid) const;
  76
  77 private:
  78         const int fd;
  79         off_t len;
  80         const char *data;
  81         const uint64_t *filename_offsets;
  82         const Trigram *trgm_begin, *trgm_end;
  83 };
  84
  85 Corpus::Corpus(int fd)
  86         : fd(fd)
  87 {
  88         len = lseek(fd, 0, SEEK_END);
  89         if (len == -1) {
  90                 perror("lseek");
  91                 exit(1);
  92         }
  93         data = (char *)mmap(nullptr, len, PROT_READ, MAP_SHARED, fd, /*offset=*/0);
  94         if (data == MAP_FAILED) {
  95                 perror("mmap");
  96                 exit(1);
  97         }
  98
  99         uint64_t num_trigrams = *(const uint64_t *)data;
 100         uint64_t filename_index_offset = *(const uint64_t *)(data + sizeof(uint64_t));
 101         filename_offsets = (const uint64_t *)(data + filename_index_offset);
 102
 103         trgm_begin = (Trigram *)(data + sizeof(uint64_t) * 2);
 104         trgm_end = trgm_begin + num_trigrams;
 105 }
 106
 107 Corpus::~Corpus()
 108 {
 109         munmap((void *)data, len);
 110         close(fd);
 111 }
 112
 113 const Trigram *Corpus::find_trigram(uint32_t trgm) const
 114 {
 115         const Trigram *trgmptr = lower_bound(trgm_begin, trgm_end, trgm, [](const Trigram &trgm, uint32_t t) {
 116                 return trgm.trgm < t;
 117         });
 118         if (trgmptr == trgm_end || trgmptr->trgm != trgm) {
 119                 return nullptr;
 120         }
 121         return trgmptr;
 122 }
 123
 124 const unsigned char *Corpus::get_compressed_posting_list(const Trigram *trgmptr) const
 125 {
 126         return reinterpret_cast<const unsigned char *>(data + trgmptr->offset);
 127 }
 128
 129 string_view Corpus::get_compressed_filename_block(uint32_t docid) const
 130 {
 131         const char *compressed = (const char *)(data + filename_offsets[docid]);
 132         size_t compressed_size = filename_offsets[docid + 1] - filename_offsets[docid];  // Allowed we have a sentinel block at the end.
 133         return {compressed, compressed_size};
 134 }
 135
 136 size_t scan_docid(const string &needle, uint32_t docid, const Corpus &corpus, unordered_map<string, bool> *access_rx_cache)
 137 {
 138         string_view compressed = corpus.get_compressed_filename_block(docid);
 139         size_t matched = 0;
 140
 141         string block;
 142         block.resize(ZSTD_getFrameContentSize(compressed.data(), compressed.size()) + 1);
 143
 144         ZSTD_decompress(&block[0], block.size(), compressed.data(), compressed.size());
 145         block[block.size() - 1] = '\0';
 146
 147         for (const char *filename = block.data();
 148                         filename != block.data() + block.size();
 149                         filename += strlen(filename) + 1) {
 150                 if (strstr(filename, needle.c_str()) == nullptr) {
 151                         continue;
 152                 }
 153                 if (has_access(filename, access_rx_cache)) {
 154                         ++matched;
 155                         printf("%s\n", filename);
 156                 }
 157         }
 158         return matched;
 159 }
 160
 161 void do_search_file(const string &needle, const char *filename)
 162 {
 163         int fd = open(filename, O_RDONLY);
 164         if (fd == -1) {
 165                 perror(filename);
 166                 exit(1);
 167         }
 168
 169         // Drop privileges.
 170         if (setgid(getgid()) != 0) {
 171                 perror("setgid");
 172                 exit(EXIT_FAILURE);
 173         }
 174
 175         //steady_clock::time_point start = steady_clock::now();
 176         if (access("/", R_OK | X_OK)) {
 177                 // We can't find anything, no need to bother...
 178                 return;
 179         }
 180
 181         Corpus corpus(fd);
 182
 183         vector<const Trigram *> trigrams;
 184         for (size_t i = 0; i < needle.size() - 2; ++i) {
 185                 uint32_t trgm = read_trigram(needle, i);
 186                 const Trigram *trgmptr = corpus.find_trigram(trgm);
 187                 if (trgmptr == nullptr) {
 188                         dprintf("trigram %06x isn't found, we abort the search\n", trgm);
 189                         return;
 190                 }
 191                 trigrams.push_back(trgmptr);
 192         }
 193         sort(trigrams.begin(), trigrams.end());
 194         {
 195                 auto last = unique(trigrams.begin(), trigrams.end());
 196                 trigrams.erase(last, trigrams.end());
 197         }
 198         sort(trigrams.begin(), trigrams.end(), [&](const Trigram *a, const Trigram *b) {
 199                 return a->num_docids < b->num_docids;
 200         });
 201
 202         vector<uint32_t> in1, in2, out;
 203         for (const Trigram *trgmptr : trigrams) {
 204                 //uint32_t trgm = trgmptr->trgm;
 205                 size_t num = trgmptr->num_docids;
 206                 const unsigned char *pldata = corpus.get_compressed_posting_list(trgmptr);
 207                 if (in1.empty()) {
 208                         in1.resize(num + 128);
 209                         p4nd1dec128v32(const_cast<unsigned char *>(pldata), num, &in1[0]);
 210                         in1.resize(num);
 211                         dprintf("trigram '%c%c%c' decoded to %zu entries\n", trgm & 0xff, (trgm >> 8) & 0xff, (trgm >> 16) & 0xff, num);
 212                 } else {
 213                         if (num > in1.size() * 100) {
 214                                 dprintf("trigram '%c%c%c' has %zu entries, ignoring the rest (will weed out false positives later)\n",
 215                                         trgm & 0xff, (trgm >> 8) & 0xff, (trgm >> 16) & 0xff, num);
 216                                 break;
 217                         }
 218
 219                         if (in2.size() < num + 128) {
 220                                 in2.resize(num + 128);
 221                         }
 222                         p4nd1dec128v32(const_cast<unsigned char *>(pldata), num, &in2[0]);
 223
 224                         out.clear();
 225                         set_intersection(in1.begin(), in1.end(), in2.begin(), in2.begin() + num, back_inserter(out));
 226                         swap(in1, out);
 227                         dprintf("trigram '%c%c%c' decoded to %zu entries, %zu left\n", trgm & 0xff, (trgm >> 8) & 0xff, (trgm >> 16) & 0xff, num, in1.size());
 228                         if (in1.empty()) {
 229                                 dprintf("no matches (intersection list is empty)\n");
 230                                 break;
 231                         }
 232                 }
 233         }
 234         steady_clock::time_point end = steady_clock::now();
 235
 236         dprintf("Intersection took %.1f ms. Doing final verification and printing:\n",
 237                 1e3 * duration<float>(end - start).count());
 238
 239         unordered_map<string, bool> access_rx_cache;
 240
 241         int matched = 0;
 242         for (uint32_t docid : in1) {
 243                 matched += scan_docid(needle, docid, corpus, &access_rx_cache);
 244         }
 245         end = steady_clock::now();
 246         dprintf("Done in %.1f ms, found %d matches.\n",
 247                 1e3 * duration<float>(end - start).count(), matched);
 248 }
 249
 250 int main(int argc, char **argv)
 251 {
 252         do_search_file(argv[1], "/var/lib/mlocate/plocate.db");
 253 }