]> git.sesse.net Git - plocate/blobdiff - database-builder.cpp
Replace std::string with std::vector<unsigned char> when encoding posting lists.
[plocate] / database-builder.cpp
index 6e792be450202767b55eec08c869cae3b242b4a9..11a1a5a72b0cefd6cda59ecce997c4b1fb8c5b1c 100644 (file)
@@ -45,9 +45,10 @@ static inline uint32_t read_trigram(const string_view s, size_t start)
 class PostingListBuilder {
 public:
        inline void add_docid(uint32_t docid);
+       inline void add_first_docid(uint32_t docid);
        void finish();
 
-       string encoded;
+       vector<unsigned char> encoded;
        size_t num_docids = 0;
 
 private:
@@ -56,7 +57,7 @@ private:
 
        vector<uint32_t> pending_deltas;
 
-       uint32_t last_block_end, last_docid = -1;
+       uint32_t last_docid = -1;
 };
 
 void PostingListBuilder::add_docid(uint32_t docid)
@@ -66,24 +67,24 @@ void PostingListBuilder::add_docid(uint32_t docid)
                return;
        }
 
-       if (num_docids == 0) {
-               // Very first docid.
-               write_header(docid);
-               ++num_docids;
-               last_block_end = last_docid = docid;
-               return;
-       }
+       assert(num_docids != 0);
 
        pending_deltas.push_back(docid - last_docid - 1);
        last_docid = docid;
        if (pending_deltas.size() == 128) {
                append_block();
                pending_deltas.clear();
-               last_block_end = docid;
        }
        ++num_docids;
 }
 
+void PostingListBuilder::add_first_docid(uint32_t docid)
+{
+       write_header(docid);
+       ++num_docids;
+       last_docid = docid;
+}
+
 void PostingListBuilder::finish()
 {
        if (pending_deltas.empty()) {
@@ -95,7 +96,7 @@ void PostingListBuilder::finish()
        // No interleaving for partial blocks.
        unsigned char buf[P4NENC_BOUND(128)];
        unsigned char *end = encode_pfor_single_block<128>(pending_deltas.data(), pending_deltas.size(), /*interleaved=*/false, buf);
-       encoded.append(reinterpret_cast<char *>(buf), reinterpret_cast<char *>(end));
+       encoded.insert(encoded.end(), buf, end);
 }
 
 void PostingListBuilder::append_block()
@@ -103,14 +104,14 @@ void PostingListBuilder::append_block()
        unsigned char buf[P4NENC_BOUND(128)];
        assert(pending_deltas.size() == 128);
        unsigned char *end = encode_pfor_single_block<128>(pending_deltas.data(), 128, /*interleaved=*/true, buf);
-       encoded.append(reinterpret_cast<char *>(buf), reinterpret_cast<char *>(end));
+       encoded.insert(encoded.end(), buf, end);
 }
 
 void PostingListBuilder::write_header(uint32_t docid)
 {
        unsigned char buf[P4NENC_BOUND(1)];
        unsigned char *end = write_baseval(docid, buf);
-       encoded.append(reinterpret_cast<char *>(buf), end - buf);
+       encoded.insert(encoded.end(), buf, end);
 }
 
 void DictionaryBuilder::add_file(string filename, dir_time)
@@ -163,7 +164,7 @@ string DictionaryBuilder::train(size_t buf_size)
        string buf;
        buf.resize(buf_size);
        size_t ret = ZDICT_trainFromBuffer(&buf[0], buf_size, dictionary_buf.data(), lengths.data(), lengths.size());
-       if (ret == size_t(-1)) {
+       if (ZDICT_isError(ret)) {
                return "";
        }
        dprintf("Sampled %zu bytes in %zu blocks, built a dictionary of size %zu\n", dictionary_buf.size(), lengths.size(), ret);
@@ -175,7 +176,58 @@ string DictionaryBuilder::train(size_t buf_size)
        return buf;
 }
 
-Corpus::Corpus(FILE *outfp, size_t block_size, ZSTD_CDict *cdict, bool store_dir_times)
+class EncodingCorpus : public DatabaseReceiver {
+public:
+       EncodingCorpus(FILE *outfp, size_t block_size, ZSTD_CDict *cdict, bool store_dir_times);
+       ~EncodingCorpus();
+
+       void add_file(std::string filename, dir_time dt) override;
+       void flush_block() override;
+       void finish() override;
+
+       std::vector<uint64_t> filename_blocks;
+       size_t num_files = 0, num_files_in_block = 0, num_blocks = 0;
+       bool seen_trigram(uint32_t trgm)
+       {
+               return invindex[trgm] != nullptr;
+       }
+       size_t num_files_seen() const override { return num_files; }
+       PostingListBuilder &get_pl_builder(uint32_t trgm)
+       {
+               return *invindex[trgm];
+       }
+
+       void add_docid(uint32_t trgm, uint32_t docid)
+       {
+               if (invindex[trgm] == nullptr) {
+                       invindex[trgm] = new PostingListBuilder;
+                       invindex[trgm]->add_first_docid(docid);
+               } else {
+                       invindex[trgm]->add_docid(docid);
+               }
+       }
+
+       size_t num_trigrams() const;
+       std::string get_compressed_dir_times();
+
+private:
+       void compress_dir_times(size_t allowed_slop);
+
+       std::unique_ptr<PostingListBuilder *[]> invindex;
+       FILE *outfp;
+       std::string current_block;
+       std::string tempbuf;
+       const size_t block_size;
+       const bool store_dir_times;
+       ZSTD_CDict *cdict;
+
+       ZSTD_CStream *dir_time_ctx = nullptr;
+       std::string dir_times;  // Buffer of still-uncompressed data.
+       std::string dir_times_compressed;
+};
+
+
+EncodingCorpus::EncodingCorpus(FILE *outfp, size_t block_size, ZSTD_CDict *cdict, bool store_dir_times)
        : invindex(new PostingListBuilder *[NUM_TRIGRAMS]), outfp(outfp), block_size(block_size), store_dir_times(store_dir_times), cdict(cdict)
 {
        fill(invindex.get(), invindex.get() + NUM_TRIGRAMS, nullptr);
@@ -185,22 +237,14 @@ Corpus::Corpus(FILE *outfp, size_t block_size, ZSTD_CDict *cdict, bool store_dir
        }
 }
 
-Corpus::~Corpus()
+EncodingCorpus::~EncodingCorpus()
 {
        for (unsigned i = 0; i < NUM_TRIGRAMS; ++i) {
                delete invindex[i];
        }
 }
 
-PostingListBuilder &Corpus::get_pl_builder(uint32_t trgm)
-{
-       if (invindex[trgm] == nullptr) {
-               invindex[trgm] = new PostingListBuilder;
-       }
-       return *invindex[trgm];
-}
-
-void Corpus::add_file(string filename, dir_time dt)
+void EncodingCorpus::add_file(string filename, dir_time dt)
 {
        ++num_files;
        if (!current_block.empty()) {
@@ -224,7 +268,7 @@ void Corpus::add_file(string filename, dir_time dt)
        }
 }
 
-void Corpus::compress_dir_times(size_t allowed_slop)
+void EncodingCorpus::compress_dir_times(size_t allowed_slop)
 {
        while (dir_times.size() >= allowed_slop) {
                size_t old_size = dir_times_compressed.size();
@@ -256,7 +300,7 @@ void Corpus::compress_dir_times(size_t allowed_slop)
        }
 }
 
-void Corpus::flush_block()
+void EncodingCorpus::flush_block()
 {
        if (current_block.empty()) {
                return;
@@ -271,7 +315,7 @@ void Corpus::flush_block()
                if (s.size() >= 3) {
                        for (size_t j = 0; j < s.size() - 2; ++j) {
                                uint32_t trgm = read_trigram(s, j);
-                               get_pl_builder(trgm).add_docid(docid);
+                               add_docid(trgm, docid);
                        }
                }
                ptr += s.size() + 1;
@@ -290,12 +334,12 @@ void Corpus::flush_block()
        ++num_blocks;
 }
 
-void Corpus::finish()
+void EncodingCorpus::finish()
 {
        flush_block();
 }
 
-size_t Corpus::num_trigrams() const
+size_t EncodingCorpus::num_trigrams() const
 {
        size_t num = 0;
        for (unsigned trgm = 0; trgm < NUM_TRIGRAMS; ++trgm) {
@@ -306,7 +350,7 @@ size_t Corpus::num_trigrams() const
        return num;
 }
 
-string Corpus::get_compressed_dir_times()
+string EncodingCorpus::get_compressed_dir_times()
 {
        if (!store_dir_times) {
                return "";
@@ -385,7 +429,7 @@ uint32_t next_prime(uint32_t x)
        return x;
 }
 
-unique_ptr<Trigram[]> create_hashtable(Corpus &corpus, const vector<uint32_t> &all_trigrams, uint32_t ht_size, uint32_t num_overflow_slots)
+unique_ptr<Trigram[]> create_hashtable(EncodingCorpus &corpus, const vector<uint32_t> &all_trigrams, uint32_t ht_size, uint32_t num_overflow_slots)
 {
        unique_ptr<Trigram[]> ht(new Trigram[ht_size + num_overflow_slots + 1]);  // 1 for the sentinel element at the end.
        for (unsigned i = 0; i < ht_size + num_overflow_slots + 1; ++i) {
@@ -427,11 +471,24 @@ DatabaseBuilder::DatabaseBuilder(const char *outfile, gid_t owner, int block_siz
        if (path.empty()) {
                path = ".";
        }
+#ifdef O_TMPFILE
        int fd = open(path.c_str(), O_WRONLY | O_TMPFILE, 0640);
        if (fd == -1) {
                perror(path.c_str());
                exit(1);
        }
+#else
+       temp_filename = string(outfile) + ".XXXXXX";
+       int fd = mkstemp(&temp_filename[0]);
+       if (fd == -1) {
+               perror(temp_filename.c_str());
+               exit(1);
+       }
+       if (fchmod(fd, 0640) == -1) {
+               perror("fchmod");
+               exit(1);
+       }
+#endif
 
        if (owner != (gid_t)-1) {
                if (fchown(fd, (uid_t)-1, owner) == -1) {
@@ -477,10 +534,10 @@ DatabaseBuilder::DatabaseBuilder(const char *outfile, gid_t owner, int block_siz
        hdr.conf_block_offset_bytes = 0;
 }
 
-Corpus *DatabaseBuilder::start_corpus(bool store_dir_times)
+DatabaseReceiver *DatabaseBuilder::start_corpus(bool store_dir_times)
 {
        corpus_start = steady_clock::now();
-       corpus = new Corpus(outfp, block_size, cdict, store_dir_times);
+       corpus = new EncodingCorpus(outfp, block_size, cdict, store_dir_times);
        return corpus;
 }
 
@@ -560,7 +617,7 @@ void DatabaseBuilder::finish_corpus()
                        continue;
                }
 
-               const string &encoded = corpus->get_pl_builder(hashtable[i].trgm).encoded;
+               const vector<unsigned char> &encoded = corpus->get_pl_builder(hashtable[i].trgm).encoded;
                offset += encoded.size();
        }
 
@@ -574,7 +631,7 @@ void DatabaseBuilder::finish_corpus()
                if (hashtable[i].num_docids == 0) {
                        continue;
                }
-               const string &encoded = corpus->get_pl_builder(hashtable[i].trgm).encoded;
+               const vector<unsigned char> &encoded = corpus->get_pl_builder(hashtable[i].trgm).encoded;
                fwrite(encoded.data(), encoded.size(), 1, outfp);
        }
 
@@ -608,6 +665,7 @@ void DatabaseBuilder::finish_corpus()
        fseek(outfp, 0, SEEK_SET);
        fwrite(&hdr, sizeof(hdr), 1, outfp);
 
+#ifdef O_TMPFILE
        // Give the file a proper name, making it visible in the file system.
        // TODO: It would be nice to be able to do this atomically, like with rename.
        unlink(outfile.c_str());
@@ -617,6 +675,12 @@ void DatabaseBuilder::finish_corpus()
                perror("linkat");
                exit(1);
        }
+#else
+       if (rename(temp_filename.c_str(), outfile.c_str()) == -1) {
+               perror("rename");
+               exit(1);
+       }
+#endif
 
        fclose(outfp);