← Back to branch summary

~bzr-pqm/bzr/bzr.dev

« back to all changes in this revision

Viewing changes to doc/revfile.txt

  • Committer: Martin Pool
  • Date: 2005-06-22 07:56:41 UTC
  • Revision ID: mbp@sourcefrog.net-20050622075641-a85aa3c0272024bf
- Fix typo

Show diffs side-by-side

added added

removed removed

Lines of Context:
doc/revfile.txt
 
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
This document describes version 1 of the file, and has some notes on
 
9
what might be done in version 2.
 
10
 
 
11
 
 
12
Requirements
 
13
============
 
14
 
 
15
Compressed storage is a tradeoff between several goals:
 
16
 
 
17
* Reasonably compact storage of long histories.
 
18
 
 
19
* Robustness and simplicity.
 
20
 
 
21
* Fast extraction of versions and addition of new versions (preferably
 
22
  without rewriting the whole file, or reading the whole history.)
 
23
 
 
24
* Fast and precise annotations.
 
25
 
 
26
* Storage of files of at least a few hundred MB.
 
27
 
 
28
* Lossless in useful ways: we can extract a series of texts and write
 
29
  them back out without losing any information.
 
30
 
 
31
 
 
32
Design
 
33
======
 
34
 
 
35
revfiles store the history of a single logical file, which is
 
36
identified in bzr by its file-id.  In this sense they are similar to
 
37
an RCS or CVS ``,v`` file or an SCCS sfile.
 
38
 
 
39
Each state of the file is called a *text*. 
 
40
 
 
41
Renaming, adding and deleting this file is handled at a higher level
 
42
by the inventory system, and is outside the scope of the revfile.  The
 
43
revfile name is typically based on the file id which is itself
 
44
typically based on the name the file had when it was first added.  But
 
45
this is purely cosmetic.
 
46
 
 
47
    For example a file now called ``frob.c`` may have the id
 
48
    ``frobber.c-12873`` because it was originally called
 
49
    ``frobber.c``.  Its texts are kept in the revfile
 
50
    ``.bzr/revfiles/frobber.c-12873.revs``.
 
51
 
 
52
When the file is deleted from the inventory the revfile does not
 
53
change.  It's just not used in reproducing trees from that point
 
54
onwards.
 
55
 
 
56
The revfile does not record the date when the text was added, a commit
 
57
message, properties, or any other metadata.  That is handled in the
 
58
higher-level revision history.
 
59
 
 
60
Inventories and other metadata files that vary from one version to the
 
61
next can themselves be stored in revfiles.
 
62
 
 
63
revfiles store files as simple byte streams, with no consideration of
 
64
translating character sets, line endings, or keywords.  Those are also
 
65
handled at a higher level.  However, the revfile may make use of
 
66
knowledge that a file is line-based in generating a diff.  
 
67
 
 
68
   (The Python builtin difflib is too slow when generating a purely
 
69
   byte-by-byte delta so we always make a line-by-line diff; when this
 
70
   is fixed it may be feasible to use line-by-line diffs for all
 
71
   files.)
 
72
 
 
73
Files whose text does not change from one revision to the next are
 
74
stored as just a single text in the revfile.  This can happen even if
 
75
the file was renamed or other properties were changed in the
 
76
inventory.
 
77
 
 
78
The revfile is held on disk as two files: an *index* and a *data*
 
79
file.  The index file is short and always read completely into memory;
 
80
the data file is much longer and only the relevant bits of it,
 
81
identified by the index file, need to be read.
 
82
 
 
83
  This design is similar to that of Netscape `mail summary files`_, in
 
84
  that there is a small index which can always be read into memory and
 
85
  that quickly identifies where to look in the main file.  They differ
 
86
  in many other ways though, most particularly that the index is not
 
87
  just a cache but holds precious data in its own right.
 
88
 
 
89
.. _`mail summary files`: http://www.jwz.org/doc/mailsum.html
 
90
 
 
91
This is meant to scale to hold 100,000 revisions of a single file, by
 
92
which time the index file will be ~4.8MB and a bit big to read
 
93
sequentially.
 
94
 
 
95
Some of the reserved fields could be used to implement a (semi?)
 
96
balanced tree indexed by SHA1 so we can much more efficiently find the
 
97
index associated with a particular hash.  For 100,000 revs we would be
 
98
able to find it in about 17 random reads, which is not too bad.  On
 
99
the other hand that would compromise the append-only indexing, and
 
100
100,000 revs is a fairly extreme case.
 
101
 
 
102
This performs pretty well except when trying to calculate deltas of
 
103
really large files.  For that the main thing would be to plug in
 
104
something faster than difflib, which is after all pure Python.
 
105
Another approach is to just store the gzipped full text of big files,
 
106
though perhaps that's too perverse?
 
107
 
 
108
 
 
109
Identifying texts
 
110
-----------------
 
111
 
 
112
In the current version, texts are identified by their SHA-1.  
 
113
 
 
114
 
 
115
Skip-deltas
 
116
-----------
 
117
 
 
118
Because the basis of a delta does not need to be the text's logical
 
119
predecessor, we can adjust the deltas to avoid ever needing to apply
 
120
too many deltas to reproduce a particular file.  
 
121
 
 
122
 
 
123
Tools
 
124
-----
 
125
 
 
126
The revfile module can be invoked as a program to give low-level
 
127
access for data recovery, debugging, etc.
 
128
 
 
129
 
 
130
 
 
131
 
 
132
Open issues
 
133
===========
 
134
 
 
135
* revfiles use unsigned 32-bit integers both in diffs and the index.
 
136
  This should be more than enough for any reasonable source file but
 
137
  perhaps not enough for large binaries that are frequently committed.
 
138
 
 
139
  Perhaps for those files there should be an option to continue to use
 
140
  the text-store.  There is unlikely to be any benefit in holding
 
141
  deltas between them, and deltas will anyhow be hard to calculate. 
 
142
 
 
143
* The append-only design does not allow for destroying committed data,
 
144
  as when confidential information is accidentally added.  That could
 
145
  be fixed by creating the fixed repository as a separate branch, into
 
146
  which only the preserved revisions are exported.
 
147
 
 
148
* Should we also store full-texts as a transitional step?