~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/revfile-annotation.txt

  • Committer: mbp at sourcefrog
  • Date: 2005-04-07 06:16:02 UTC
  • Revision ID: mbp@sourcefrog.net-20050407061602-6b7da239ef883b0817b7fcd3
more XML performance tests

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
==============================
2
 
Extension to store annotations
3
 
==============================
4
 
 
5
 
We might extend the revfile format in a future version to also store
6
 
annotations.  *This is not implemented yet.*
7
 
 
8
 
In previous versions, the  index file identified texts by their
9
 
SHA-1 digest.  This was unsatisfying for two reasons.  Firstly it
10
 
assumes that SHA-1 will not collide, which is not an assumption we
11
 
wish to make in long-lived files.  Secondly for annotations we need
12
 
to be able to map from file versions back to a revision.
13
 
 
14
 
Texts are identified by the name of the revfile and a UUID
15
 
corresponding to the first revision in which they were first
16
 
introduced.  This means that given a text we can identify which
17
 
revision it belongs to, and annotations can use the index within the
18
 
revfile to identify where a region was first introduced.
19
 
 
20
 
  We cannot identify texts by the integer revision number, because
21
 
  that would limit us to only referring to a file in a particular
22
 
  branch.
23
 
 
24
 
  I'd like to just use the revision-id, but those are variable-length
25
 
  strings, and I'd like the revfile index to be fixed-length and
26
 
  relatively short.  UUIDs can be encoded in binary as only 16 bytes.
27
 
  Perhaps we should just use UUIDs for revisions and be done?
28
 
 
29
 
 
30
 
 
31
 
Annotations
32
 
-----------
33
 
 
34
 
Annotations indicate which revision of a file first inserted a line
35
 
(or region of bytes).
36
 
 
37
 
Given a string, we can write annotations on it like so: a sequence of
38
 
*(index, length)* pairs, giving the *index* of the revision which
39
 
introduced the next run of *length* bytes.  The sum of the lengths
40
 
must equal the length of the string.  For text files the regions will
41
 
typically fall on line breaks.  This can be transformed in memory to
42
 
other structures, such as a list of *(index, content)* pairs.
43
 
 
44
 
When a line was inserted from a merge revision then the annotation for
45
 
that line should still be the source in the merged branch, rather than
46
 
just being the revision in which the merge took place.
47
 
 
48
 
They can cheaply be calculated when inserting a new text, but are
49
 
expensive to calculate after the fact because that requires searching
50
 
back through all previous text and all texts which were merged in.  It
51
 
therefore seems sensible to calculate them once and store them.
52
 
 
53
 
To do this we need two operators which update an existing annotated
54
 
file:
55
 
 
56
 
A. Given an annotated file and a working text, update the annotation to
57
 
   mark regions inserted in the working file as new in this revision.
58
 
 
59
 
B. Given two annotated files, merge them to produce an annotated
60
 
   result.    When there are conflicts, both texts should be included
61
 
   and annotated.
62
 
 
63
 
These may be repeated: after a merge there may be another merge, or
64
 
there may be manual fixups or conflict resolutions.
65
 
 
66
 
So what we require is given a diff or a diff3 between two files, map
67
 
the regions of bytes changed into corresponding updates to the origin
68
 
annotations.
69
 
 
70
 
Annotations can also be delta-compressed; we only need to add new
71
 
annotation data when there is a text insertion.
72
 
 
73
 
    (It is possible in a merge to have a change of annotation when
74
 
    there is no text change, though this seems unlikely.  This can
75
 
    still be represented as a "pointless" delta, plus an update to the
76
 
    annotations.)
77
 
 
78
 
Index file
79
 
----------
80
 
 
81
 
In a proposed (not implemented) storage with annotations, the index
82
 
file is a series of fixed-length records::
83
 
 
84
 
  byte[16]     UUID of revision
85
 
  byte[20]     SHA-1 of expanded text (as binary, not hex)
86
 
  uint32       flags: 1=zlib compressed
87
 
  uint32       sequence number this is based on, or -1 for full text
88
 
  uint32       offset in text file of start
89
 
  uint32       length of compressed delta in text file
90
 
  uint32[3]    reserved
91
 
 
92
 
Total 64 bytes.
93
 
 
94
 
The header is also 64 bytes, for tidyness and easy calculation.  For
95
 
this format the header must be ``bzr revfile v2\n`` padded with
96
 
``\xff`` to 64 bytes.
97
 
 
98
 
The first record after the header is index 0.  A record's base index
99
 
must be less than its own index.
100
 
 
101
 
The SHA-1 is redundant with the inventory but stored just as a check
102
 
on the compression methods and so that the file can be validated
103
 
without reference to any other information.
104
 
 
105
 
Each byte in the text file should be included by at most one delta.
106
 
 
107
 
 
108
 
Deltas
109
 
------
110
 
 
111
 
In a proposed (not implemented) storage with annotations, deltas to
112
 
the text are stored as a series of variable-length records::
113
 
 
114
 
  uint32        idx
115
 
  uint32        m
116
 
  uint32        n
117
 
  uint32        l
118
 
  byte[l]       new
119
 
 
120
 
This describes a change originally introduced in the revision
121
 
described by *idx* in the index.
122
 
 
123
 
This indicates that the region [m:n] of the input file should be
124
 
replaced by the text *new*.  If m==n this is a pure insertion of l
125
 
bytes.  If l==0 this is a pure deletion of (n-m) bytes.
126
 
 
127
 
 
128
 
 
129
 
 
130
 
 
131
 
Open issues
132
 
-----------
133
 
 
134
 
 
135
 
* Storing the annotations with the text is reasonably simple and
136
 
  compact, but means that we always need to process the annotation
137
 
  structure even when we only want the text.  In particular it means
138
 
  that full-texts cannot just simply be copied out but rather composed
139
 
  from chunks.  That seems inefficient since it is probably common to
140
 
  only want the text.
141
 
 
142
 
* Should annotations also indicate where text was deleted?
143
 
 
144
 
* This design calls for only one annotation per line, which seems
145
 
  standard.  However, this is lacking in at least two cases:
146
 
 
147
 
  - Lines which originate in the same way in more than one revision,
148
 
    through being independently introduced.  In this case we would
149
 
    apparently have to make an arbitrary choice; I suppose branches
150
 
    could prefer to assume lines originated in their own history.
151
 
 
152
 
  - It might be useful to directly indicate which mergers included
153
 
    which lines.  We do have that information in the revision history
154
 
    though, so there seems no need to store it for every line.
155