~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/compression.txt

  • Committer: mbp at sourcefrog
  • Date: 2005-03-09 04:51:05 UTC
  • Revision ID: mbp@sourcefrog.net-20050309045105-d02cd410a115da2c
import all docs from arch

Show diffs side-by-side

added added

removed removed

Lines of Context:
 
1
Compression
 
2
***********
 
3
 
 
4
At the moment bzr just stores the full text of every file state ever.
 
5
(Files unmodified from one revision are stored only once.)
 
6
 
 
7
This is simple to write, and adequate for even reasonably large trees
 
8
with many versions.  Disk is very cheap.  
 
9
 
 
10
Eventually we might like something more compressed, but this is
 
11
neither an interesting nor urgent problem.  (Not "interesting" in the
 
12
sense that doing it is just a matter of coding; there is no
 
13
theoretical problem or risk.)  
 
14
 
 
15
There are various possibilities:
 
16
 
 
17
* Store history of each file in RCS, relying on RCS to do line-by-line
 
18
  delta compression.  (Does not handle binaries very well.)
 
19
 
 
20
  OpenCMS paper has a horror story about using RCS for file storage.
 
21
 
 
22
* Store full copies of each file in a container with gzip compression,
 
23
  which should fairly efficiently eliminate unchanged areas.  This
 
24
  works on binaries, and gives compression of file text as a side
 
25
  benefit.
 
26
 
 
27
  (Note that ``.zip`` will *not* do for this, because every file is
 
28
  compressed independently.)
 
29
  
 
30
  The OpenCMS paper notes that RCS storage is only 20% more efficient
 
31
  than gzip'd storage of individual file versions.
 
32
 
 
33
* Store history of each file in SCCS; allows quick retrieval of any
 
34
  previous state and may give more efficient storage than RCS.  Allows
 
35
  for divergent branches within a single file.
 
36
 
 
37
* Store xdeltas between consecutive file states.
 
38
 
 
39
* Store xdeltas according to a spanning delta algorithm; this probably
 
40
  requires files are stored with some kind of sequence number so that
 
41
  we can predict related version names.
 
42
 
 
43
* Store in something like XDFS.
 
44
 
 
45
* Any of the above, but with the final storage in some kind of
 
46
  database: psql, sqlite, mysql, whatever is convenient.   
 
47
 
 
48
  It should be something that is safe across system crashes, which
 
49
  rules out tdb at the moment.
 
50
 
 
51
----
 
52
 
 
53
These properties are seen as desirable in darcs and arch:
 
54
 
 
55
* Passive HTTP downloads: without requiring any server-side
 
56
  intelligence, a client can get updates from one version to the next
 
57
  by requesting a set of self-contained files.  
 
58
 
 
59
  The number of files necessary to do this must not be unfeasibly
 
60
  large, and the size of each of those files should be proportionate
 
61
  to the amount of actual change.  In other words the data downloaded
 
62
  should be of comparable size to the actual edits between the trees.
 
63
 
 
64
 
 
65
* Write-once storage: once a file is written to the repository, it is
 
66
  not modified.