~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to bzrlib/cache.py

  • Committer: Martin Pool
  • Date: 2005-05-05 06:38:18 UTC
  • Revision ID: mbp@sourcefrog.net-20050505063818-3eb3260343878325
- do upload CHANGELOG to web server, even though it's autogenerated

Show diffs side-by-side

added added

removed removed

Lines of Context:
15
15
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
16
16
 
17
17
import stat, os, sha, time
 
18
from binascii import b2a_qp, a2b_qp
18
19
 
19
20
from trace import mutter
20
 
from errors import BzrError, BzrCheckError
21
 
 
22
 
 
23
 
"""File stat cache to speed up tree comparisons.
24
 
 
25
 
This module basically gives a quick way to find the SHA-1 and related
26
 
information of a file in the working directory, without actually
27
 
reading and hashing the whole file.
28
 
 
29
 
 
30
 
 
31
 
Implementation
32
 
==============
33
 
 
34
 
Users of this module should not need to know about how this is
35
 
implemented, and in particular should not depend on the particular
36
 
data which is stored or its format.
37
 
 
38
 
This is done by maintaining a cache indexed by a file fingerprint of
39
 
(path, size, mtime, ctime, ino, dev) pointing to the SHA-1.  If the
40
 
fingerprint has changed, we assume the file content has not changed
41
 
either and the SHA-1 is therefore the same.
42
 
 
43
 
If any of the fingerprint fields have changed then the file content
44
 
*may* have changed, or it may not have.  We need to reread the file
45
 
contents to make sure, but this is not visible to the user or
46
 
higher-level code (except as a delay of course).
47
 
 
48
 
The mtime and ctime are stored with nanosecond fields, but not all
49
 
filesystems give this level of precision.  There is therefore a
50
 
possible race: the file might be modified twice within a second
51
 
without changing the size or mtime, and a SHA-1 cached from the first
52
 
version would be wrong.  We handle this by not recording a cached hash
53
 
for any files which were modified in the current second and that
54
 
therefore have the chance to change again before the second is up.
55
 
 
56
 
The only known hole in this design is if the system clock jumps
57
 
backwards crossing invocations of bzr.  Please don't do that; use ntp
58
 
to gradually adjust your clock or don't use bzr over the step.
59
 
 
60
 
At the moment this is stored in a simple textfile; it might be nice
61
 
to use a tdb instead to allow faster lookup by file-id.
62
 
 
63
 
The cache is represented as a map from file_id to a tuple of (file_id,
64
 
sha1, path, size, mtime, ctime, ino, dev).
65
 
 
66
 
The SHA-1 is stored in memory as a hexdigest.
67
 
 
68
 
This version of the file on disk has one line per record, and fields
69
 
separated by \0 records.
70
 
"""
71
 
 
72
 
# order of fields returned by fingerprint()
73
 
FP_SIZE  = 0
74
 
FP_MTIME = 1
75
 
FP_CTIME = 2
76
 
FP_INO   = 3
77
 
FP_DEV   = 4
78
 
 
79
 
# order of fields in the statcache file and in the in-memory map
80
 
SC_FILE_ID = 0
81
 
SC_SHA1    = 1
82
 
SC_PATH    = 2
83
 
SC_SIZE    = 3
84
 
SC_MTIME   = 4
85
 
SC_CTIME   = 5
86
 
SC_INO     = 6
87
 
SC_DEV     = 7
88
 
 
89
 
 
90
 
 
91
 
CACHE_HEADER = "### bzr statcache v4"
92
 
 
93
 
 
94
 
def fingerprint(abspath):
 
21
 
 
22
 
 
23
# file fingerprints are: (path, size, mtime, ctime, ino, dev).
 
24
#
 
25
# if this is the same for this file as in the previous revision, we
 
26
# assume the content is the same and the SHA-1 is the same.
 
27
 
 
28
# This is stored in a fingerprint file that also contains the file-id
 
29
# and the content SHA-1.
 
30
 
 
31
# Thus for any given file we can quickly get the SHA-1, either from
 
32
# the cache or if the cache is out of date.
 
33
 
 
34
# At the moment this is stored in a simple textfile; it might be nice
 
35
# to use a tdb instead.
 
36
 
 
37
 
 
38
# What we need:
 
39
 
 
40
# build a new cache from scratch
 
41
# load cache, incrementally update it
 
42
 
 
43
# TODO: Have a paranoid mode where we always compare the texts and
 
44
# always recalculate the digest, to trap modification without stat
 
45
# change and SHA collisions.
 
46
 
 
47
 
 
48
 
 
49
def fingerprint(path, abspath):
95
50
    try:
96
51
        fs = os.lstat(abspath)
97
52
    except OSError:
105
60
            fs.st_ctime, fs.st_ino, fs.st_dev)
106
61
 
107
62
 
108
 
 
109
 
def _write_cache(basedir, entries):
110
 
    from atomicfile import AtomicFile
111
 
 
112
 
    cachefn = os.path.join(basedir, '.bzr', 'stat-cache')
113
 
    outf = AtomicFile(cachefn, 'wb')
114
 
    try:
115
 
        outf.write(CACHE_HEADER + '\n')
116
 
    
117
 
        for entry in entries:
118
 
            if len(entry) != 8:
119
 
                raise ValueError("invalid statcache entry tuple %r" % entry)
120
 
            outf.write(entry[0].encode('utf-8')) # file id
121
 
            outf.write('\0')
122
 
            outf.write(entry[1])             # hex sha1
123
 
            outf.write('\0')
124
 
            outf.write(entry[2].encode('utf-8')) # name
125
 
            for nf in entry[3:]:
126
 
                outf.write('\0%d' % nf)
127
 
            outf.write('\n')
128
 
 
129
 
        outf.commit()
130
 
    finally:
131
 
        if not outf.closed:
132
 
            outf.abort()
133
 
 
134
 
 
135
 
def _try_write_cache(basedir, entries):
136
 
    try:
137
 
        return _write_cache(basedir, entries)
138
 
    except IOError, e:
139
 
        mutter("cannot update statcache in %s: %s" % (basedir, e))
140
 
    except OSError, e:
141
 
        mutter("cannot update statcache in %s: %s" % (basedir, e))
142
 
        
143
 
        
144
 
        
145
 
def load_cache(basedir):
146
 
    import re
 
63
def write_cache(branch, entry_iter):
 
64
    outf = branch.controlfile('work-cache.tmp', 'wt')
 
65
    for entry in entry_iter:
 
66
        outf.write(entry[0] + ' ' + entry[1] + ' ')
 
67
        outf.write(b2a_qp(entry[2], True))
 
68
        outf.write(' %d %d %d %d %d\n' % entry[3:])
 
69
        
 
70
    outf.close()
 
71
    os.rename(branch.controlfilename('work-cache.tmp'),
 
72
              branch.controlfilename('work-cache'))
 
73
 
 
74
        
 
75
        
 
76
def load_cache(branch):
147
77
    cache = {}
148
 
    seen_paths = {}
149
 
    from bzrlib.trace import warning
150
 
 
151
 
    assert isinstance(basedir, basestring)
152
 
 
153
 
    sha_re = re.compile(r'[a-f0-9]{40}')
154
78
 
155
79
    try:
156
 
        cachefn = os.path.join(basedir, '.bzr', 'stat-cache')
157
 
        cachefile = open(cachefn, 'rb')
 
80
        cachefile = branch.controlfile('work-cache', 'rt')
158
81
    except IOError:
159
82
        return cache
160
 
 
161
 
    line1 = cachefile.readline().rstrip('\r\n')
162
 
    if line1 != CACHE_HEADER:
163
 
        mutter('cache header marker not found at top of %s; discarding cache'
164
 
               % cachefn)
165
 
        return cache
166
 
 
 
83
    
167
84
    for l in cachefile:
168
 
        f = l.split('\0')
169
 
 
170
 
        file_id = f[0].decode('utf-8')
 
85
        f = l.split(' ')
 
86
        file_id = f[0]
171
87
        if file_id in cache:
172
 
            warning("duplicated file_id in cache: {%s}" % file_id)
173
 
 
174
 
        text_sha = f[1]
175
 
        if len(text_sha) != 40 or not sha_re.match(text_sha):
176
 
            raise BzrCheckError("invalid file SHA-1 in cache: %r" % text_sha)
177
 
        
178
 
        path = f[2].decode('utf-8')
179
 
        if path in seen_paths:
180
 
            warning("duplicated path in cache: %r" % path)
181
 
        seen_paths[path] = True
182
 
        
183
 
        entry = (file_id, text_sha, path) + tuple([long(x) for x in f[3:]])
184
 
        if len(entry) != 8:
185
 
            raise ValueError("invalid statcache entry tuple %r" % entry)
186
 
 
187
 
        cache[file_id] = entry
 
88
            raise BzrError("duplicated file_id in cache: {%s}" % file_id)
 
89
        cache[file_id] = (f[0], f[1], a2b_qp(f[2])) + tuple([long(x) for x in f[3:]])
188
90
    return cache
189
91
 
190
92
 
191
93
 
 
94
 
192
95
def _files_from_inventory(inv):
193
96
    for path, ie in inv.iter_entries():
194
97
        if ie.kind != 'file':
196
99
        yield ie.file_id, path
197
100
    
198
101
 
199
 
 
200
 
def update_cache(basedir, inv, flush=False):
201
 
    """Update and return the cache for the branch.
202
 
 
203
 
    The returned cache may contain entries that have not been written
204
 
    to disk for files recently touched.
205
 
 
206
 
    flush -- discard any previous cache and recalculate from scratch.
 
102
def build_cache(branch):
 
103
    inv = branch.read_working_inventory()
 
104
 
 
105
    cache = {}
 
106
    _update_cache_from_list(branch, cache, _files_from_inventory(inv))
 
107
    
 
108
 
 
109
 
 
110
def update_cache(branch, inv):
 
111
    # TODO: It's supposed to be faster to stat the files in order by inum.
 
112
    # We don't directly know the inum of the files of course but we do
 
113
    # know where they were last sighted, so we can sort by that.
 
114
 
 
115
    cache = load_cache(branch)
 
116
    return _update_cache_from_list(branch, cache, _files_from_inventory(inv))
 
117
 
 
118
 
 
119
 
 
120
def _update_cache_from_list(branch, cache, to_update):
 
121
    """Update the cache to have info on the named files.
 
122
 
 
123
    to_update is a sequence of (file_id, path) pairs.
207
124
    """
208
 
 
209
 
    # load the existing cache; use information there to find a list of
210
 
    # files ordered by inode, which is alleged to be the fastest order
211
 
    # to stat the files.
212
 
    
213
 
    to_update = _files_from_inventory(inv)
214
 
 
215
 
    assert isinstance(flush, bool)
216
 
    if flush:
217
 
        cache = {}
218
 
    else:
219
 
        cache = load_cache(basedir)
220
 
 
221
 
        by_inode = []
222
 
        without_inode = []
223
 
        for file_id, path in to_update:
224
 
            if file_id in cache:
225
 
                by_inode.append((cache[file_id][SC_INO], file_id, path))
226
 
            else:
227
 
                without_inode.append((file_id, path))
228
 
        by_inode.sort()
229
 
 
230
 
        to_update = [a[1:] for a in by_inode] + without_inode
231
 
            
232
 
    stat_cnt = missing_cnt = new_cnt = hardcheck = change_cnt = 0
233
 
 
234
 
    # dangerfiles have been recently touched and can't be committed to
235
 
    # a persistent cache yet, but they are returned to the caller.
236
 
    dangerfiles = []
237
 
    
238
 
    now = int(time.time())
239
 
 
240
 
    ## mutter('update statcache under %r' % basedir)
 
125
    hardcheck = dirty = 0
241
126
    for file_id, path in to_update:
242
 
        abspath = os.path.join(basedir, path)
243
 
        fp = fingerprint(abspath)
244
 
        stat_cnt += 1
245
 
        
 
127
        fap = branch.abspath(path)
 
128
        fp = fingerprint(fap, path)
246
129
        cacheentry = cache.get(file_id)
247
130
 
248
131
        if fp == None: # not here
249
132
            if cacheentry:
250
133
                del cache[file_id]
251
 
                change_cnt += 1
252
 
            missing_cnt += 1
 
134
                dirty += 1
253
135
            continue
254
 
        elif not cacheentry:
255
 
            new_cnt += 1
256
 
 
257
 
        if (fp[FP_MTIME] >= now) or (fp[FP_CTIME] >= now):
258
 
            dangerfiles.append(file_id)
259
136
 
260
137
        if cacheentry and (cacheentry[3:] == fp):
261
138
            continue                    # all stat fields unchanged
262
139
 
263
140
        hardcheck += 1
264
141
 
265
 
        dig = sha.new(file(abspath, 'rb').read()).hexdigest()
266
 
 
267
 
        # We update the cache even if the digest has not changed from
268
 
        # last time we looked, so that the fingerprint fields will
269
 
        # match in future.
270
 
        cacheentry = (file_id, dig, path) + fp
271
 
        cache[file_id] = cacheentry
272
 
        change_cnt += 1
273
 
 
274
 
    mutter('statcache: statted %d files, read %d files, %d changed, %d dangerous, '
275
 
           '%d deleted, %d new, '
276
 
           '%d in cache'
277
 
           % (stat_cnt, hardcheck, change_cnt, len(dangerfiles),
278
 
              missing_cnt, new_cnt, len(cache)))
279
 
        
280
 
    if change_cnt:
281
 
        mutter('updating on-disk statcache')
282
 
 
283
 
        if dangerfiles:
284
 
            safe_cache = cache.copy()
285
 
            for file_id in dangerfiles:
286
 
                del safe_cache[file_id]
287
 
        else:
288
 
            safe_cache = cache
289
 
        
290
 
        _try_write_cache(basedir, safe_cache.itervalues())
 
142
        dig = sha.new(file(fap, 'rb').read()).hexdigest()
 
143
 
 
144
        if cacheentry == None or dig != cacheentry[1]: 
 
145
            # if there was no previous entry for this file, or if the
 
146
            # SHA has changed, then update the cache
 
147
            cacheentry = (file_id, dig, path) + fp
 
148
            cache[file_id] = cacheentry
 
149
            dirty += 1
 
150
 
 
151
    mutter('work cache: read %d files, %d changed' % (hardcheck, dirty))
 
152
        
 
153
    if dirty:
 
154
        write_cache(branch, cache.itervalues())
291
155
 
292
156
    return cache