~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/revfile.txt

  • Committer: Andrew Bennetts
  • Date: 2007-04-17 09:16:29 UTC
  • mto: This revision was merged to the branch mainline in revision 2435.
  • Revision ID: andrew.bennetts@canonical.com-20070417091629-2do340norot15cs5
Deal with some more review comments.

Show diffs side-by-side

added added

removed removed

Lines of Context:
1
 
********
2
 
Revfiles
3
 
********
4
 
 
5
 
The unit for compressed storage in bzr is a *revfile*, whose design
6
 
was suggested by Matt Mackall.
7
 
 
8
 
 
9
 
Requirements
10
 
============
11
 
 
12
 
Compressed storage is a tradeoff between several goals:
13
 
 
14
 
* Reasonably compact storage of long histories.
15
 
 
16
 
* Robustness and simplicity.
17
 
 
18
 
* Fast extraction of versions and addition of new versions (preferably
19
 
  without rewriting the whole file, or reading the whole history.)
20
 
 
21
 
* Fast and precise annotations.
22
 
 
23
 
* Storage of files of at least a few hundred MB.
24
 
 
25
 
 
26
 
Design
27
 
======
28
 
 
29
 
revfiles store the history of a single logical file, which is
30
 
identified in bzr by its file-id.  In this sense they are similar to
31
 
an RCS or CVS ``,v`` file or an SCCS sfile.
32
 
 
33
 
Each state of the file is called a *text*. 
34
 
 
35
 
Renaming, adding and deleting this file is handled at a higher level
36
 
by the inventory system, and is outside the scope of the revfile.  The
37
 
revfile name is typically based on the file id which is itself
38
 
typically based on the name the file had when it was first added.  But
39
 
this is purely cosmetic.
40
 
 
41
 
    For example a file now called ``frob.c`` may have the id
42
 
    ``frobber.c-12873`` because it was originally called
43
 
    ``frobber.c``.  Its texts are kept in the revfile
44
 
    ``.bzr/revfiles/frobber.c-12873.revs``.
45
 
 
46
 
When the file is deleted from the inventory the revfile does not
47
 
change.  It's just not used in reproducing trees from that point
48
 
onwards.
49
 
 
50
 
The revfile does not record the date when the text was added, a commit
51
 
message, properties, or any other metadata.  That is handled in the
52
 
higher-level revision history.
53
 
 
54
 
Inventories and other metadata files that vary from one version to the
55
 
next can themselves be stored in revfiles.
56
 
 
57
 
revfiles store files as simple byte streams, with no consideration of
58
 
translating character sets, line endings, or keywords.  Those are also
59
 
handled at a higher level.  However, the revfile may make use of
60
 
knowledge that a file is line-based in generating a diff.  
61
 
 
62
 
   (The Python builtin difflib is too slow when generating a purely
63
 
   byte-by-byte delta so we always make a line-by-line diff; when this
64
 
   is fixed it may be feasible to use line-by-line diffs for all
65
 
   files.)
66
 
 
67
 
Files whose text does not change from one revision to the next are
68
 
stored as just a single text in the revfile.  This can happen even if
69
 
the file was renamed or other properties were changed in the
70
 
inventory.
71
 
 
72
 
The revfile is held on disk as two files: an *index* and a *data*
73
 
file.  The index file is short and always read completely into memory;
74
 
the data file is much longer and only the relevant bits of it,
75
 
identified by the index file, need to be read.
76
 
 
77
 
  In previous versions, the  index file identified texts by their
78
 
  SHA-1 digest.  This was unsatisfying for two reasons.  Firstly it
79
 
  assumes that SHA-1 will not collide, which is not an assumption we
80
 
  wish to make in long-lived files.  Secondly for annotations we need
81
 
  to be able to map from file versions back to a revision.
82
 
 
83
 
Texts are identified by the name of the revfile and a UUID
84
 
corresponding to the first revision in which they were first
85
 
introduced.  This means that given a text we can identify which
86
 
revision it belongs to, and annotations can use the index within the
87
 
revfile to identify where a region was first introduced.
88
 
 
89
 
  We cannot identify texts by the integer revision number, because
90
 
  that would limit us to only referring to a file in a particular
91
 
  branch.
92
 
 
93
 
  I'd like to just use the revision-id, but those are variable-length
94
 
  strings, and I'd like the revfile index to be fixed-length and
95
 
  relatively short.  UUIDs can be encoded in binary as only 16 bytes.
96
 
  Perhaps we should just use UUIDs for revisions and be done?
97
 
 
98
 
This is meant to scale to hold 100,000 revisions of a single file, by
99
 
which time the index file will be ~4.8MB and a bit big to read
100
 
sequentially.
101
 
 
102
 
Some of the reserved fields could be used to implement a (semi?)
103
 
balanced tree indexed by SHA1 so we can much more efficiently find the
104
 
index associated with a particular hash.  For 100,000 revs we would be
105
 
able to find it in about 17 random reads, which is not too bad.
106
 
 
107
 
This performs pretty well except when trying to calculate deltas of
108
 
really large files.  For that the main thing would be to plug in
109
 
something faster than difflib, which is after all pure Python.
110
 
Another approach is to just store the gzipped full text of big files,
111
 
though perhaps that's too perverse?
112
 
 
113
 
 
114
 
 
115
 
 
116
 
Skip-deltas
117
 
-----------
118
 
 
119
 
Because the basis of a delta does not need to be the text's logical
120
 
predecessor, we can adjust the deltas to avoid ever needing to apply
121
 
too many deltas to reproduce a particular file.  
122
 
 
123
 
 
124
 
Annotations
125
 
-----------
126
 
 
127
 
Annotations indicate which revision of a file first inserted a line
128
 
(or region of bytes).
129
 
 
130
 
Given a string, we can write annotations on it like so: a sequence of
131
 
*(index, length)* pairs, giving the *index* of the revision which
132
 
introduced the next run of *length* bytes.  The sum of the lengths
133
 
must equal the length of the string.  For text files the regions will
134
 
typically fall on line breaks.  This can be transformed in memory to
135
 
other structures, such as a list of *(index, content)* pairs.
136
 
 
137
 
When a line was inserted from a merge revision then the annotation for
138
 
that line should still be the source in the merged branch, rather than
139
 
just being the revision in which the merge took place.
140
 
 
141
 
They can cheaply be calculated when inserting a new text, but are
142
 
expensive to calculate after the fact because that requires searching
143
 
back through all previous text and all texts which were merged in.  It
144
 
therefore seems sensible to calculate them once and store them.
145
 
 
146
 
To do this we need two operators which update an existing annotated
147
 
file:
148
 
 
149
 
A. Given an annotated file and a working text, update the annotation to
150
 
   mark regions inserted in the working file as new in this revision.
151
 
 
152
 
B. Given two annotated files, merge them to produce an annotated
153
 
   result.    When there are conflicts, both texts should be included
154
 
   and annotated.
155
 
 
156
 
These may be repeated: after a merge there may be another merge, or
157
 
there may be manual fixups or conflict resolutions.
158
 
 
159
 
So what we require is given a diff or a diff3 between two files, map
160
 
the regions of bytes changed into corresponding updates to the origin
161
 
annotations.
162
 
 
163
 
Annotations can also be delta-compressed; we only need to add new
164
 
annotation data when there is a text insertion.
165
 
 
166
 
    (It is possible in a merge to have a change of annotation when
167
 
    there is no text change, though this seems unlikely.  This can
168
 
    still be represented as a "pointless" delta, plus an update to the
169
 
    annotations.)
170
 
 
171
 
 
172
 
 
173
 
Tools
174
 
-----
175
 
 
176
 
The revfile module can be invoked as a program to give low-level
177
 
access for data recovery, debugging, etc.
178
 
 
179
 
 
180
 
 
181
 
Format
182
 
======
183
 
 
184
 
Index file
185
 
----------
186
 
 
187
 
The index file is a series of fixed-length records::
188
 
 
189
 
  byte[16]     UUID of revision
190
 
  byte[20]     SHA-1 of expanded text (as binary, not hex)
191
 
  uint32       flags: 1=zlib compressed
192
 
  uint32       sequence number this is based on, or -1 for full text
193
 
  uint32       offset in text file of start
194
 
  uint32       length of compressed delta in text file
195
 
  uint32[3]    reserved
196
 
 
197
 
Total 64 bytes.
198
 
 
199
 
The header is also 64 bytes, for tidyness and easy calculation.  For
200
 
this format the header must be ``bzr revfile v2\n`` padded with
201
 
``\xff`` to 64 bytes.
202
 
 
203
 
The first record after the header is index 0.  A record's base index
204
 
must be less than its own index.
205
 
 
206
 
The SHA-1 is redundant with the inventory but stored just as a check
207
 
on the compression methods and so that the file can be validated
208
 
without reference to any other information.
209
 
 
210
 
Each byte in the text file should be included by at most one delta.
211
 
 
212
 
 
213
 
Deltas
214
 
------
215
 
 
216
 
Deltas to the text are stored as a series of variable-length records::
217
 
 
218
 
  uint32        idx
219
 
  uint32        m
220
 
  uint32        n
221
 
  uint32        l
222
 
  byte[l]       new
223
 
 
224
 
This describes a change originally introduced in the revision
225
 
described by *idx* in the index.
226
 
 
227
 
This indicates that the region [m:n] of the input file should be
228
 
replaced by the text *new*.  If m==n this is a pure insertion of l
229
 
bytes.  If l==0 this is a pure deletion of (n-m) bytes.
230
 
 
231
 
 
232
 
 
233
 
Open issues
234
 
===========
235
 
 
236
 
* revfiles use unsigned 32-bit integers both in diffs and the index.
237
 
  This should be more than enough for any reasonable source file but
238
 
  perhaps not enough for large binaries that are frequently committed.
239
 
 
240
 
  Perhaps for those files there should be an option to continue to use
241
 
  the text-store.  There is unlikely to be any benefit in holding
242
 
  deltas between them, and deltas will anyhow be hard to calculate. 
243
 
 
244
 
* The append-only design does not allow for destroying committed data,
245
 
  as when confidential information is accidentally added.  That could
246
 
  be fixed by creating the fixed repository as a separate branch, into
247
 
  which only the preserved revisions are exported.
248
 
 
249
 
* Should annotations also indicate where text was deleted?
250
 
 
251
 
* This design calls for only one annotation per line, which seems
252
 
  standard.  However, this is lacking in at least two cases:
253
 
 
254
 
  - Lines which originate in the same way in more than one revision,
255
 
    through being independently introduced.  In this case we would
256
 
    apparently have to make an arbitrary choice; I suppose branches
257
 
    could prefer to assume lines originated in their own history.
258
 
 
259
 
  - It might be useful to directly indicate which mergers included
260
 
    which lines.  We do have that information in the revision history
261
 
    though, so there seems no need to store it for every line.
262
 
 
263
 
* Should we also store full-texts as a transitional step?
264
 
 
265
 
* Storing the annotations with the text is reasonably simple and
266
 
  compact, but means that we always need to process the annotation
267
 
  structure even when we only want the text.  In particular it means
268
 
  that full-texts cannot just simply be copied out but rather composed
269
 
  from chunks.  That seems inefficient since it is probably common to
270
 
  only want the text.
271