~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to bzrlib/hashcache.py

  • Committer: John Arbash Meinel
  • Date: 2007-03-15 22:35:35 UTC
  • mto: This revision was merged to the branch mainline in revision 2363.
  • Revision ID: john@arbash-meinel.com-20070315223535-d3d4964oe1hc8zhg
Add an overzealous test, for Unicode support of _iter_changes.
For both knowns and unknowns.
And include a basic, if suboptimal, fix.
I would rather defer the decoding until we've determined that we are going to return the tuple.
There is still something broken with added files, but I'll get to that.

Show diffs side-by-side

added added

removed removed

Lines of Context:
 
1
# Copyright (C) 2005, 2006 Canonical Ltd
 
2
#
 
3
# This program is free software; you can redistribute it and/or modify
 
4
# it under the terms of the GNU General Public License as published by
 
5
# the Free Software Foundation; either version 2 of the License, or
 
6
# (at your option) any later version.
 
7
#
 
8
# This program is distributed in the hope that it will be useful,
 
9
# but WITHOUT ANY WARRANTY; without even the implied warranty of
 
10
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
 
11
# GNU General Public License for more details.
 
12
#
 
13
# You should have received a copy of the GNU General Public License
 
14
# along with this program; if not, write to the Free Software
 
15
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
 
16
 
 
17
# TODO: Up-front, stat all files in order and remove those which are deleted or 
 
18
# out-of-date.  Don't actually re-read them until they're needed.  That ought 
 
19
# to bring all the inodes into core so that future stats to them are fast, and 
 
20
# it preserves the nice property that any caller will always get up-to-date
 
21
# data except in unavoidable cases.
 
22
 
 
23
# TODO: Perhaps return more details on the file to avoid statting it
 
24
# again: nonexistent, file type, size, etc
 
25
 
 
26
# TODO: Perhaps use a Python pickle instead of a text file; might be faster.
 
27
 
 
28
 
 
29
 
 
30
CACHE_HEADER = "### bzr hashcache v5\n"
 
31
 
 
32
import os, stat, time
 
33
import sha
 
34
 
 
35
from bzrlib.osutils import sha_file, pathjoin, safe_unicode
 
36
from bzrlib.trace import mutter, warning
 
37
from bzrlib.atomicfile import AtomicFile
 
38
from bzrlib.errors import BzrError
 
39
 
 
40
 
 
41
FP_MTIME_COLUMN = 1
 
42
FP_CTIME_COLUMN = 2
 
43
FP_MODE_COLUMN = 5
 
44
 
 
45
 
 
46
 
 
47
class HashCache(object):
 
48
    """Cache for looking up file SHA-1.
 
49
 
 
50
    Files are considered to match the cached value if the fingerprint
 
51
    of the file has not changed.  This includes its mtime, ctime,
 
52
    device number, inode number, and size.  This should catch
 
53
    modifications or replacement of the file by a new one.
 
54
 
 
55
    This may not catch modifications that do not change the file's
 
56
    size and that occur within the resolution window of the
 
57
    timestamps.  To handle this we specifically do not cache files
 
58
    which have changed since the start of the present second, since
 
59
    they could undetectably change again.
 
60
 
 
61
    This scheme may fail if the machine's clock steps backwards.
 
62
    Don't do that.
 
63
 
 
64
    This does not canonicalize the paths passed in; that should be
 
65
    done by the caller.
 
66
 
 
67
    _cache
 
68
        Indexed by path, points to a two-tuple of the SHA-1 of the file.
 
69
        and its fingerprint.
 
70
 
 
71
    stat_count
 
72
        number of times files have been statted
 
73
 
 
74
    hit_count
 
75
        number of times files have been retrieved from the cache, avoiding a
 
76
        re-read
 
77
        
 
78
    miss_count
 
79
        number of misses (times files have been completely re-read)
 
80
    """
 
81
    needs_write = False
 
82
 
 
83
    def __init__(self, root, cache_file_name, mode=None):
 
84
        """Create a hash cache in base dir, and set the file mode to mode."""
 
85
        self.root = safe_unicode(root)
 
86
        self.root_utf8 = self.root.encode('utf8') # where is the filesystem encoding ?
 
87
        self.hit_count = 0
 
88
        self.miss_count = 0
 
89
        self.stat_count = 0
 
90
        self.danger_count = 0
 
91
        self.removed_count = 0
 
92
        self.update_count = 0
 
93
        self._cache = {}
 
94
        self._mode = mode
 
95
        self._cache_file_name = safe_unicode(cache_file_name)
 
96
 
 
97
    def cache_file_name(self):
 
98
        return self._cache_file_name
 
99
 
 
100
    def clear(self):
 
101
        """Discard all cached information.
 
102
 
 
103
        This does not reset the counters."""
 
104
        if self._cache:
 
105
            self.needs_write = True
 
106
            self._cache = {}
 
107
 
 
108
    def scan(self):
 
109
        """Scan all files and remove entries where the cache entry is obsolete.
 
110
        
 
111
        Obsolete entries are those where the file has been modified or deleted
 
112
        since the entry was inserted.        
 
113
        """
 
114
        # FIXME optimisation opportunity, on linux [and check other oses]:
 
115
        # rather than iteritems order, stat in inode order.
 
116
        prep = [(ce[1][3], path, ce) for (path, ce) in self._cache.iteritems()]
 
117
        prep.sort()
 
118
        
 
119
        for inum, path, cache_entry in prep:
 
120
            abspath = pathjoin(self.root, path)
 
121
            fp = self._fingerprint(abspath)
 
122
            self.stat_count += 1
 
123
            
 
124
            cache_fp = cache_entry[1]
 
125
    
 
126
            if (not fp) or (cache_fp != fp):
 
127
                # not here or not a regular file anymore
 
128
                self.removed_count += 1
 
129
                self.needs_write = True
 
130
                del self._cache[path]
 
131
 
 
132
    def get_sha1(self, path, stat_value=None):
 
133
        """Return the sha1 of a file.
 
134
        """
 
135
        if path.__class__ is str:
 
136
            abspath = pathjoin(self.root_utf8, path)
 
137
        else:
 
138
            abspath = pathjoin(self.root, path)
 
139
        self.stat_count += 1
 
140
        file_fp = self._fingerprint(abspath, stat_value)
 
141
        
 
142
        if not file_fp:
 
143
            # not a regular file or not existing
 
144
            if path in self._cache:
 
145
                self.removed_count += 1
 
146
                self.needs_write = True
 
147
                del self._cache[path]
 
148
            return None        
 
149
 
 
150
        if path in self._cache:
 
151
            cache_sha1, cache_fp = self._cache[path]
 
152
        else:
 
153
            cache_sha1, cache_fp = None, None
 
154
 
 
155
        if cache_fp == file_fp:
 
156
            ## mutter("hashcache hit for %s %r -> %s", path, file_fp, cache_sha1)
 
157
            ## mutter("now = %s", time.time())
 
158
            self.hit_count += 1
 
159
            return cache_sha1
 
160
        
 
161
        self.miss_count += 1
 
162
 
 
163
        mode = file_fp[FP_MODE_COLUMN]
 
164
        if stat.S_ISREG(mode):
 
165
            digest = self._really_sha1_file(abspath)
 
166
        elif stat.S_ISLNK(mode):
 
167
            digest = sha.new(os.readlink(abspath)).hexdigest()
 
168
        else:
 
169
            raise BzrError("file %r: unknown file stat mode: %o"%(abspath,mode))
 
170
 
 
171
        # window of 3 seconds to allow for 2s resolution on windows,
 
172
        # unsynchronized file servers, etc.
 
173
        cutoff = self._cutoff_time()
 
174
        if file_fp[FP_MTIME_COLUMN] >= cutoff \
 
175
                or file_fp[FP_CTIME_COLUMN] >= cutoff:
 
176
            # changed too recently; can't be cached.  we can
 
177
            # return the result and it could possibly be cached
 
178
            # next time.
 
179
            #
 
180
            # the point is that we only want to cache when we are sure that any
 
181
            # subsequent modifications of the file can be detected.  If a
 
182
            # modification neither changes the inode, the device, the size, nor
 
183
            # the mode, then we can only distinguish it by time; therefore we
 
184
            # need to let sufficient time elapse before we may cache this entry
 
185
            # again.  If we didn't do this, then, for example, a very quick 1
 
186
            # byte replacement in the file might go undetected.
 
187
            ## mutter('%r modified too recently; not caching', path)
 
188
            self.danger_count += 1
 
189
            if cache_fp:
 
190
                self.removed_count += 1
 
191
                self.needs_write = True
 
192
                del self._cache[path]
 
193
        else:
 
194
            ## mutter('%r added to cache: now=%f, mtime=%d, ctime=%d',
 
195
            ##        path, time.time(), file_fp[FP_MTIME_COLUMN],
 
196
            ##        file_fp[FP_CTIME_COLUMN])
 
197
            self.update_count += 1
 
198
            self.needs_write = True
 
199
            self._cache[path] = (digest, file_fp)
 
200
        return digest
 
201
 
 
202
    def _really_sha1_file(self, abspath):
 
203
        """Calculate the SHA1 of a file by reading the full text"""
 
204
        return sha_file(file(abspath, 'rb', buffering=65000))
 
205
        
 
206
    def write(self):
 
207
        """Write contents of cache to file."""
 
208
        outf = AtomicFile(self.cache_file_name(), 'wb', new_mode=self._mode)
 
209
        try:
 
210
            outf.write(CACHE_HEADER)
 
211
 
 
212
            for path, c  in self._cache.iteritems():
 
213
                assert '//' not in path, path
 
214
                line_info = [path.encode('utf-8'), '// ', c[0], ' ']
 
215
                line_info.append(' '.join([str(fld) for fld in c[1]]))
 
216
                line_info.append('\n')
 
217
                outf.write(''.join(line_info))
 
218
            outf.commit()
 
219
            self.needs_write = False
 
220
            ## mutter("write hash cache: %s hits=%d misses=%d stat=%d recent=%d updates=%d",
 
221
            ##        self.cache_file_name(), self.hit_count, self.miss_count,
 
222
            ##        self.stat_count,
 
223
            ##        self.danger_count, self.update_count)
 
224
        finally:
 
225
            outf.close()
 
226
 
 
227
    def read(self):
 
228
        """Reinstate cache from file.
 
229
 
 
230
        Overwrites existing cache.
 
231
 
 
232
        If the cache file has the wrong version marker, this just clears 
 
233
        the cache."""
 
234
        self._cache = {}
 
235
 
 
236
        fn = self.cache_file_name()
 
237
        try:
 
238
            inf = file(fn, 'rb', buffering=65000)
 
239
        except IOError, e:
 
240
            mutter("failed to open %s: %s", fn, e)
 
241
            # better write it now so it is valid
 
242
            self.needs_write = True
 
243
            return
 
244
 
 
245
        hdr = inf.readline()
 
246
        if hdr != CACHE_HEADER:
 
247
            mutter('cache header marker not found at top of %s;'
 
248
                   ' discarding cache', fn)
 
249
            self.needs_write = True
 
250
            return
 
251
 
 
252
        for l in inf:
 
253
            pos = l.index('// ')
 
254
            path = l[:pos].decode('utf-8')
 
255
            if path in self._cache:
 
256
                warning('duplicated path %r in cache' % path)
 
257
                continue
 
258
 
 
259
            pos += 3
 
260
            fields = l[pos:].split(' ')
 
261
            if len(fields) != 7:
 
262
                warning("bad line in hashcache: %r" % l)
 
263
                continue
 
264
 
 
265
            sha1 = fields[0]
 
266
            if len(sha1) != 40:
 
267
                warning("bad sha1 in hashcache: %r" % sha1)
 
268
                continue
 
269
 
 
270
            fp = tuple(map(long, fields[1:]))
 
271
 
 
272
            self._cache[path] = (sha1, fp)
 
273
 
 
274
        self.needs_write = False
 
275
 
 
276
    def _cutoff_time(self):
 
277
        """Return cutoff time.
 
278
 
 
279
        Files modified more recently than this time are at risk of being
 
280
        undetectably modified and so can't be cached.
 
281
        """
 
282
        return int(time.time()) - 3
 
283
           
 
284
    def _fingerprint(self, abspath, stat_value=None):
 
285
        if stat_value is None:
 
286
            try:
 
287
                stat_value = os.lstat(abspath)
 
288
            except OSError:
 
289
                # might be missing, etc
 
290
                return None
 
291
        if stat.S_ISDIR(stat_value.st_mode):
 
292
            return None
 
293
        # we discard any high precision because it's not reliable; perhaps we
 
294
        # could do better on some systems?
 
295
        return (stat_value.st_size, long(stat_value.st_mtime),
 
296
                long(stat_value.st_ctime), stat_value.st_ino, 
 
297
                stat_value.st_dev, stat_value.st_mode)