← Back to branch summary

~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to bzrlib/xml_serializer.py

(vila) Make all transport put_bytes() raises TypeError when given unicode
 strings rather than bytes (Vincent Ladeuil)

Show diffs side-by-side

added added

removed removed

Lines of Context:
bzrlib/xml_serializer.py
16
16
 
17
17
"""XML externalization support."""
18
18
 
 
19
from __future__ import absolute_import
 
20
 
19
21
# "XML is like violence: if it doesn't solve your problem, you aren't
20
22
# using enough of it." -- various
21
23
 
22
24
# importing this module is fairly slow because it has to load several
23
25
# ElementTree bits
24
26
 
25
 
from bzrlib.serializer import Serializer
26
 
from bzrlib.trace import mutter, warning
 
27
import re
27
28
 
28
29
try:
 
30
    import xml.etree.cElementTree as elementtree
 
31
    ParseError = getattr(elementtree, "ParseError", SyntaxError)
 
32
except ImportError:
 
33
    # Fall back to pure python implementation if C extension is unavailable
 
34
    import xml.etree.ElementTree as elementtree
29
35
    try:
30
 
        # it's in this package in python2.5
31
 
        from xml.etree.cElementTree import (ElementTree, SubElement, Element,
32
 
            XMLTreeBuilder, fromstring, tostring)
33
 
        import xml.etree as elementtree
 
36
        from xml.etree.ElementTree import ParseError
34
37
    except ImportError:
35
 
        from cElementTree import (ElementTree, SubElement, Element,
36
 
                                  XMLTreeBuilder, fromstring, tostring)
37
 
        import elementtree.ElementTree
38
 
    ParseError = SyntaxError
39
 
except ImportError:
40
 
    mutter('WARNING: using slower ElementTree; consider installing cElementTree'
41
 
           " and make sure it's on your PYTHONPATH")
42
 
    # this copy is shipped with bzr
43
 
    from util.elementtree.ElementTree import (ElementTree, SubElement,
44
 
                                              Element, XMLTreeBuilder,
45
 
                                              fromstring, tostring)
46
 
    import util.elementtree as elementtree
47
 
    from xml.parsers.expat import ExpatError as ParseError
48
 
 
49
 
from bzrlib import errors
50
 
 
51
 
 
52
 
class XMLSerializer(Serializer):
 
38
        from xml.parsers.expat import ExpatError as ParseError
 
39
 
 
40
(ElementTree, SubElement, Element, XMLTreeBuilder, fromstring, tostring) = (
 
41
    elementtree.ElementTree, elementtree.SubElement, elementtree.Element,
 
42
    elementtree.XMLTreeBuilder, elementtree.fromstring, elementtree.tostring)
 
43
 
 
44
 
 
45
from bzrlib import (
 
46
    cache_utf8,
 
47
    errors,
 
48
    inventory,
 
49
    lazy_regex,
 
50
    serializer,
 
51
    )
 
52
 
 
53
 
 
54
class XMLSerializer(serializer.Serializer):
53
55
    """Abstract XML object serialize/deserialize"""
54
56
 
55
57
    squashes_xml_invalid_characters = True
83
85
 
84
86
    def read_inventory(self, f, revision_id=None):
85
87
        try:
86
 
            return self._unpack_inventory(self._read_element(f),
87
 
                revision_id=None)
 
88
            try:
 
89
                return self._unpack_inventory(self._read_element(f),
 
90
                    revision_id=None)
 
91
            finally:
 
92
                f.close()
88
93
        except ParseError, e:
89
94
            raise errors.UnexpectedInventoryFormat(e)
90
95
 
108
113
        return ElementTree().parse(f)
109
114
 
110
115
 
111
 
# performance tuning for elementree's serialiser. This should be
112
 
# sent upstream - RBC 20060523.
113
 
# the functions here are patched into elementtree at runtime.
114
 
import re
115
 
escape_re = re.compile("[&'\"<>]")
116
 
escape_map = {
117
 
    "&":'&amp;',
118
 
    "'":"&apos;", # FIXME: overkill
119
 
    "\"":"&quot;",
120
 
    "<":"&lt;",
121
 
    ">":"&gt;",
122
 
    }
123
 
def _escape_replace(match, map=escape_map):
124
 
    return map[match.group()]
125
 
 
126
 
def _escape_attrib(text, encoding=None, replace=None):
127
 
    # escape attribute value
128
 
    try:
129
 
        if encoding:
130
 
            try:
131
 
                text = elementtree.ElementTree._encode(text, encoding)
132
 
            except UnicodeError:
133
 
                return elementtree.ElementTree._encode_entity(text)
134
 
        if replace is None:
135
 
            return escape_re.sub(_escape_replace, text)
136
 
        else:
137
 
            text = replace(text, "&", "&amp;")
138
 
            text = replace(text, "'", "&apos;") # FIXME: overkill
139
 
            text = replace(text, "\"", "&quot;")
140
 
            text = replace(text, "<", "&lt;")
141
 
            text = replace(text, ">", "&gt;")
142
 
            return text
143
 
    except (TypeError, AttributeError):
144
 
        elementtree.ElementTree._raise_serialization_error(text)
145
 
 
146
 
elementtree.ElementTree._escape_attrib = _escape_attrib
147
 
 
148
 
escape_cdata_re = re.compile("[&<>]")
149
 
escape_cdata_map = {
150
 
    "&":'&amp;',
151
 
    "<":"&lt;",
152
 
    ">":"&gt;",
153
 
    }
154
 
def _escape_cdata_replace(match, map=escape_cdata_map):
155
 
    return map[match.group()]
156
 
 
157
 
def _escape_cdata(text, encoding=None, replace=None):
158
 
    # escape character data
159
 
    try:
160
 
        if encoding:
161
 
            try:
162
 
                text = elementtree.ElementTree._encode(text, encoding)
163
 
            except UnicodeError:
164
 
                return elementtree.ElementTree._encode_entity(text)
165
 
        if replace is None:
166
 
            return escape_cdata_re.sub(_escape_cdata_replace, text)
167
 
        else:
168
 
            text = replace(text, "&", "&amp;")
169
 
            text = replace(text, "<", "&lt;")
170
 
            text = replace(text, ">", "&gt;")
171
 
            return text
172
 
    except (TypeError, AttributeError):
173
 
        elementtree.ElementTree._raise_serialization_error(text)
174
 
 
175
 
elementtree.ElementTree._escape_cdata = _escape_cdata
176
 
 
177
 
 
178
116
def escape_invalid_chars(message):
179
117
    """Escape the XML-invalid characters in a commit message.
180
118
 
190
128
    return re.subn(u'[^\x09\x0A\x0D\u0020-\uD7FF\uE000-\uFFFD]+',
191
129
            lambda match: match.group(0).encode('unicode_escape'),
192
130
            message)
 
131
 
 
132
 
 
133
def get_utf8_or_ascii(a_str, _encode_utf8=cache_utf8.encode):
 
134
    """Return a cached version of the string.
 
135
 
 
136
    cElementTree will return a plain string if the XML is plain ascii. It only
 
137
    returns Unicode when it needs to. We want to work in utf-8 strings. So if
 
138
    cElementTree returns a plain string, we can just return the cached version.
 
139
    If it is Unicode, then we need to encode it.
 
140
 
 
141
    :param a_str: An 8-bit string or Unicode as returned by
 
142
                  cElementTree.Element.get()
 
143
    :return: A utf-8 encoded 8-bit string.
 
144
    """
 
145
    # This is fairly optimized because we know what cElementTree does, this is
 
146
    # not meant as a generic function for all cases. Because it is possible for
 
147
    # an 8-bit string to not be ascii or valid utf8.
 
148
    if a_str.__class__ is unicode:
 
149
        return _encode_utf8(a_str)
 
150
    else:
 
151
        return intern(a_str)
 
152
 
 
153
 
 
154
_utf8_re = lazy_regex.lazy_compile('[&<>\'\"]|[\x80-\xff]+')
 
155
_unicode_re = lazy_regex.lazy_compile(u'[&<>\'\"\u0080-\uffff]')
 
156
 
 
157
 
 
158
_xml_escape_map = {
 
159
    "&":'&amp;',
 
160
    "'":"&apos;", # FIXME: overkill
 
161
    "\"":"&quot;",
 
162
    "<":"&lt;",
 
163
    ">":"&gt;",
 
164
    }
 
165
 
 
166
 
 
167
def _unicode_escape_replace(match, _map=_xml_escape_map):
 
168
    """Replace a string of non-ascii, non XML safe characters with their escape
 
169
 
 
170
    This will escape both Standard XML escapes, like <>"', etc.
 
171
    As well as escaping non ascii characters, because ElementTree did.
 
172
    This helps us remain compatible to older versions of bzr. We may change
 
173
    our policy in the future, though.
 
174
    """
 
175
    # jam 20060816 Benchmarks show that try/KeyError is faster if you
 
176
    # expect the entity to rarely miss. There is about a 10% difference
 
177
    # in overall time. But if you miss frequently, then if None is much
 
178
    # faster. For our use case, we *rarely* have a revision id, file id
 
179
    # or path name that is unicode. So use try/KeyError.
 
180
    try:
 
181
        return _map[match.group()]
 
182
    except KeyError:
 
183
        return "&#%d;" % ord(match.group())
 
184
 
 
185
 
 
186
def _utf8_escape_replace(match, _map=_xml_escape_map):
 
187
    """Escape utf8 characters into XML safe ones.
 
188
 
 
189
    This uses 2 tricks. It is either escaping "standard" characters, like "&<>,
 
190
    or it is handling characters with the high-bit set. For ascii characters,
 
191
    we just lookup the replacement in the dictionary. For everything else, we
 
192
    decode back into Unicode, and then use the XML escape code.
 
193
    """
 
194
    try:
 
195
        return _map[match.group()]
 
196
    except KeyError:
 
197
        return ''.join('&#%d;' % ord(uni_chr)
 
198
                       for uni_chr in match.group().decode('utf8'))
 
199
 
 
200
 
 
201
_to_escaped_map = {}
 
202
 
 
203
def encode_and_escape(unicode_or_utf8_str, _map=_to_escaped_map):
 
204
    """Encode the string into utf8, and escape invalid XML characters"""
 
205
    # We frequently get entities we have not seen before, so it is better
 
206
    # to check if None, rather than try/KeyError
 
207
    text = _map.get(unicode_or_utf8_str)
 
208
    if text is None:
 
209
        if unicode_or_utf8_str.__class__ is unicode:
 
210
            # The alternative policy is to do a regular UTF8 encoding
 
211
            # and then escape only XML meta characters.
 
212
            # Performance is equivalent once you use cache_utf8. *However*
 
213
            # this makes the serialized texts incompatible with old versions
 
214
            # of bzr. So no net gain. (Perhaps the read code would handle utf8
 
215
            # better than entity escapes, but cElementTree seems to do just fine
 
216
            # either way)
 
217
            text = str(_unicode_re.sub(_unicode_escape_replace,
 
218
                                       unicode_or_utf8_str)) + '"'
 
219
        else:
 
220
            # Plain strings are considered to already be in utf-8 so we do a
 
221
            # slightly different method for escaping.
 
222
            text = _utf8_re.sub(_utf8_escape_replace,
 
223
                                unicode_or_utf8_str) + '"'
 
224
        _map[unicode_or_utf8_str] = text
 
225
    return text
 
226
 
 
227
 
 
228
def _clear_cache():
 
229
    """Clean out the unicode => escaped map"""
 
230
    _to_escaped_map.clear()
 
231
 
 
232
 
 
233
def unpack_inventory_entry(elt, entry_cache=None, return_from_cache=False):
 
234
    elt_get = elt.get
 
235
    file_id = elt_get('file_id')
 
236
    revision = elt_get('revision')
 
237
    # Check and see if we have already unpacked this exact entry
 
238
    # Some timings for "repo.revision_trees(last_100_revs)"
 
239
    #               bzr     mysql
 
240
    #   unmodified  4.1s    40.8s
 
241
    #   using lru   3.5s
 
242
    #   using fifo  2.83s   29.1s
 
243
    #   lru._cache  2.8s
 
244
    #   dict        2.75s   26.8s
 
245
    #   inv.add     2.5s    26.0s
 
246
    #   no_copy     2.00s   20.5s
 
247
    #   no_c,dict   1.95s   18.0s
 
248
    # Note that a cache of 10k nodes is more than sufficient to hold all of
 
249
    # the inventory for the last 100 revs for bzr, but not for mysql (20k
 
250
    # is enough for mysql, which saves the same 2s as using a dict)
 
251
 
 
252
    # Breakdown of mysql using time.clock()
 
253
    #   4.1s    2 calls to element.get for file_id, revision_id
 
254
    #   4.5s    cache_hit lookup
 
255
    #   7.1s    InventoryFile.copy()
 
256
    #   2.4s    InventoryDirectory.copy()
 
257
    #   0.4s    decoding unique entries
 
258
    #   1.6s    decoding entries after FIFO fills up
 
259
    #   0.8s    Adding nodes to FIFO (including flushes)
 
260
    #   0.1s    cache miss lookups
 
261
    # Using an LRU cache
 
262
    #   4.1s    2 calls to element.get for file_id, revision_id
 
263
    #   9.9s    cache_hit lookup
 
264
    #   10.8s   InventoryEntry.copy()
 
265
    #   0.3s    cache miss lookus
 
266
    #   1.2s    decoding entries
 
267
    #   1.0s    adding nodes to LRU
 
268
    if entry_cache is not None and revision is not None:
 
269
        key = (file_id, revision)
 
270
        try:
 
271
            # We copy it, because some operations may mutate it
 
272
            cached_ie = entry_cache[key]
 
273
        except KeyError:
 
274
            pass
 
275
        else:
 
276
            # Only copying directory entries drops us 2.85s => 2.35s
 
277
            if return_from_cache:
 
278
                if cached_ie.kind == 'directory':
 
279
                    return cached_ie.copy()
 
280
                return cached_ie
 
281
            return cached_ie.copy()
 
282
 
 
283
    kind = elt.tag
 
284
    if not inventory.InventoryEntry.versionable_kind(kind):
 
285
        raise AssertionError('unsupported entry kind %s' % kind)
 
286
 
 
287
    file_id = get_utf8_or_ascii(file_id)
 
288
    if revision is not None:
 
289
        revision = get_utf8_or_ascii(revision)
 
290
    parent_id = elt_get('parent_id')
 
291
    if parent_id is not None:
 
292
        parent_id = get_utf8_or_ascii(parent_id)
 
293
 
 
294
    if kind == 'directory':
 
295
        ie = inventory.InventoryDirectory(file_id,
 
296
                                          elt_get('name'),
 
297
                                          parent_id)
 
298
    elif kind == 'file':
 
299
        ie = inventory.InventoryFile(file_id,
 
300
                                     elt_get('name'),
 
301
                                     parent_id)
 
302
        ie.text_sha1 = elt_get('text_sha1')
 
303
        if elt_get('executable') == 'yes':
 
304
            ie.executable = True
 
305
        v = elt_get('text_size')
 
306
        ie.text_size = v and int(v)
 
307
    elif kind == 'symlink':
 
308
        ie = inventory.InventoryLink(file_id,
 
309
                                     elt_get('name'),
 
310
                                     parent_id)
 
311
        ie.symlink_target = elt_get('symlink_target')
 
312
    elif kind == 'tree-reference':
 
313
        file_id = elt.attrib['file_id']
 
314
        name = elt.attrib['name']
 
315
        parent_id = elt.attrib['parent_id']
 
316
        revision = elt.get('revision')
 
317
        reference_revision = elt.get('reference_revision')
 
318
        ie = inventory.TreeReference(file_id, name, parent_id, revision,
 
319
                                       reference_revision)
 
320
    else:
 
321
        raise errors.UnsupportedInventoryKind(kind)
 
322
    ie.revision = revision
 
323
    if revision is not None and entry_cache is not None:
 
324
        # We cache a copy() because callers like to mutate objects, and
 
325
        # that would cause the item in cache to mutate as well.
 
326
        # This has a small effect on many-inventory performance, because
 
327
        # the majority fraction is spent in cache hits, not misses.
 
328
        entry_cache[key] = ie.copy()
 
329
 
 
330
    return ie
 
331
 
 
332
 
 
333
def unpack_inventory_flat(elt, format_num, unpack_entry,
 
334
            entry_cache=None, return_from_cache=False):
 
335
    """Unpack a flat XML inventory.
 
336
 
 
337
    :param elt: XML element for the inventory
 
338
    :param format_num: Expected format number
 
339
    :param unpack_entry: Function for unpacking inventory entries
 
340
    :return: An inventory
 
341
    :raise UnexpectedInventoryFormat: When unexpected elements or data is
 
342
        encountered
 
343
    """
 
344
    if elt.tag != 'inventory':
 
345
        raise errors.UnexpectedInventoryFormat('Root tag is %r' % elt.tag)
 
346
    format = elt.get('format')
 
347
    if format != format_num:
 
348
        raise errors.UnexpectedInventoryFormat('Invalid format version %r'
 
349
                                               % format)
 
350
    revision_id = elt.get('revision_id')
 
351
    if revision_id is not None:
 
352
        revision_id = cache_utf8.encode(revision_id)
 
353
    inv = inventory.Inventory(root_id=None, revision_id=revision_id)
 
354
    for e in elt:
 
355
        ie = unpack_entry(e, entry_cache, return_from_cache)
 
356
        inv.add(ie)
 
357
    return inv
 
358
 
 
359
 
 
360
def serialize_inventory_flat(inv, append, root_id, supported_kinds, working):
 
361
    """Serialize an inventory to a flat XML file.
 
362
 
 
363
    :param inv: Inventory to serialize
 
364
    :param append: Function for writing a line of output
 
365
    :param working: If True skip history data - text_sha1, text_size,
 
366
        reference_revision, symlink_target.    self._check_revisions(inv)
 
367
    """
 
368
    entries = inv.iter_entries()
 
369
    # Skip the root
 
370
    root_path, root_ie = entries.next()
 
371
    for path, ie in entries:
 
372
        if ie.parent_id != root_id:
 
373
            parent_str = ' parent_id="'
 
374
            parent_id  = encode_and_escape(ie.parent_id)
 
375
        else:
 
376
            parent_str = ''
 
377
            parent_id  = ''
 
378
        if ie.kind == 'file':
 
379
            if ie.executable:
 
380
                executable = ' executable="yes"'
 
381
            else:
 
382
                executable = ''
 
383
            if not working:
 
384
                append('<file%s file_id="%s name="%s%s%s revision="%s '
 
385
                    'text_sha1="%s" text_size="%d" />\n' % (
 
386
                    executable, encode_and_escape(ie.file_id),
 
387
                    encode_and_escape(ie.name), parent_str, parent_id,
 
388
                    encode_and_escape(ie.revision), ie.text_sha1,
 
389
                    ie.text_size))
 
390
            else:
 
391
                append('<file%s file_id="%s name="%s%s%s />\n' % (
 
392
                    executable, encode_and_escape(ie.file_id),
 
393
                    encode_and_escape(ie.name), parent_str, parent_id))
 
394
        elif ie.kind == 'directory':
 
395
            if not working:
 
396
                append('<directory file_id="%s name="%s%s%s revision="%s '
 
397
                    '/>\n' % (
 
398
                    encode_and_escape(ie.file_id),
 
399
                    encode_and_escape(ie.name),
 
400
                    parent_str, parent_id,
 
401
                    encode_and_escape(ie.revision)))
 
402
            else:
 
403
                append('<directory file_id="%s name="%s%s%s />\n' % (
 
404
                    encode_and_escape(ie.file_id),
 
405
                    encode_and_escape(ie.name),
 
406
                    parent_str, parent_id))
 
407
        elif ie.kind == 'symlink':
 
408
            if not working:
 
409
                append('<symlink file_id="%s name="%s%s%s revision="%s '
 
410
                    'symlink_target="%s />\n' % (
 
411
                    encode_and_escape(ie.file_id),
 
412
                    encode_and_escape(ie.name),
 
413
                    parent_str, parent_id,
 
414
                    encode_and_escape(ie.revision),
 
415
                    encode_and_escape(ie.symlink_target)))
 
416
            else:
 
417
                append('<symlink file_id="%s name="%s%s%s />\n' % (
 
418
                    encode_and_escape(ie.file_id),
 
419
                    encode_and_escape(ie.name),
 
420
                    parent_str, parent_id))
 
421
        elif ie.kind == 'tree-reference':
 
422
            if ie.kind not in supported_kinds:
 
423
                raise errors.UnsupportedInventoryKind(ie.kind)
 
424
            if not working:
 
425
                append('<tree-reference file_id="%s name="%s%s%s '
 
426
                    'revision="%s reference_revision="%s />\n' % (
 
427
                    encode_and_escape(ie.file_id),
 
428
                    encode_and_escape(ie.name),
 
429
                    parent_str, parent_id,
 
430
                    encode_and_escape(ie.revision),
 
431
                    encode_and_escape(ie.reference_revision)))
 
432
            else:
 
433
                append('<tree-reference file_id="%s name="%s%s%s />\n' % (
 
434
                    encode_and_escape(ie.file_id),
 
435
                    encode_and_escape(ie.name),
 
436
                    parent_str, parent_id))
 
437
        else:
 
438
            raise errors.UnsupportedInventoryKind(ie.kind)
 
439
    append('</inventory>\n')