~loggerhead-team/loggerhead/trunk-rich

« back to all changes in this revision

Viewing changes to loggerhead/textindex.py

  • Committer: Michael Hudson
  • Date: 2008-06-15 06:43:31 UTC
  • mto: This revision was merged to the branch mainline in revision 164.
  • Revision ID: michael.hudson@canonical.com-20080615064331-9ex9xf7ttzky1xco
basic functionality complete

Show diffs side-by-side

added added

removed removed

Lines of Context:
 
1
#
 
2
# Copyright (C) 2006  Robey Pointer <robey@lag.net>
 
3
#
 
4
# This program is free software; you can redistribute it and/or modify
 
5
# it under the terms of the GNU General Public License as published by
 
6
# the Free Software Foundation; either version 2 of the License, or
 
7
# (at your option) any later version.
 
8
#
 
9
# This program is distributed in the hope that it will be useful,
 
10
# but WITHOUT ANY WARRANTY; without even the implied warranty of
 
11
# MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
 
12
# GNU General Public License for more details.
 
13
#
 
14
# You should have received a copy of the GNU General Public License
 
15
# along with this program; if not, write to the Free Software
 
16
# Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
 
17
#
 
18
 
 
19
"""
 
20
indexing of the comment text of revisions, for fast searching.
 
21
 
 
22
two separate database files are created:
 
23
 
 
24
    - recorded: revid -> 1 (if the revid is indexed)
 
25
    - index: 3-letter substring -> list(revids)
 
26
"""
 
27
 
 
28
import os
 
29
import re
 
30
import time
 
31
 
 
32
from loggerhead import util
 
33
from loggerhead.lockfile import LockFile
 
34
from loggerhead.changecache import FakeShelf
 
35
 
 
36
# if any substring index reaches this many revids, replace the entry with
 
37
# an ALL marker -- it's not worth an explicit index.
 
38
ALL_THRESHOLD = 1000
 
39
ALL = 'ALL'
 
40
 
 
41
 
 
42
with_lock = util.with_lock('_lock')
 
43
 
 
44
 
 
45
def normalize_string(s):
 
46
    """
 
47
    remove any punctuation and normalize all whitespace to a single space.
 
48
    """
 
49
    s = util.to_utf8(s).lower()
 
50
    # remove apostrophes completely.
 
51
    s = re.sub(r"'", '', s)
 
52
    # convert other garbage into space
 
53
    s = re.sub(r'[^\w\d]', ' ', s)
 
54
    # compress multiple spaces into one.
 
55
    s = re.sub(r'\s{2,}', ' ', s)
 
56
    # and finally remove leading/trailing whitespace
 
57
    s = s.strip()
 
58
    return s
 
59
 
 
60
 
 
61
class TextIndex (object):
 
62
    def __init__(self, history, cache_path):
 
63
        self.history = history
 
64
        self.log = history.log
 
65
 
 
66
        if not os.path.exists(cache_path):
 
67
            os.mkdir(cache_path)
 
68
 
 
69
        self._recorded_filename = os.path.join(cache_path, 'textindex-recorded.sql')
 
70
        self._index_filename = os.path.join(cache_path, 'textindex.sql')
 
71
 
 
72
        # use a lockfile since the cache folder could be shared across different processes.
 
73
        self._lock = LockFile(os.path.join(cache_path, 'index-lock'))
 
74
        self._closed = False
 
75
 
 
76
        self.log.info('Using search index; %d entries.', len(self))
 
77
 
 
78
    def _index(self):
 
79
        return FakeShelf(self._index_filename)
 
80
 
 
81
    def _recorded(self):
 
82
        return FakeShelf(self._recorded_filename)
 
83
 
 
84
    def _is_indexed(self, revid, recorded):
 
85
        return recorded.get(util.to_utf8(revid)) is not None
 
86
 
 
87
    @with_lock
 
88
    def is_indexed(self, revid):
 
89
        recorded = self._recorded()
 
90
        try:
 
91
            return self._is_indexed(revid, recorded)
 
92
        finally:
 
93
            recorded.close()
 
94
 
 
95
    @with_lock
 
96
    def __len__(self):
 
97
        recorded = self._recorded()
 
98
        try:
 
99
            return recorded.count()
 
100
        finally:
 
101
            recorded.close()
 
102
 
 
103
    @with_lock
 
104
    def close(self):
 
105
        self._closed = True
 
106
 
 
107
    @with_lock
 
108
    def closed(self):
 
109
        return self._closed
 
110
 
 
111
    @with_lock
 
112
    def flush(self):
 
113
        pass
 
114
 
 
115
    @with_lock
 
116
    def full(self):
 
117
        recorded = self._recorded()
 
118
        last_revid = util.to_utf8(self.history.last_revid)
 
119
        try:
 
120
            return (recorded.count() >= len(self.history.get_revision_history())
 
121
                    and recorded.get(last_revid) is not None)
 
122
        finally:
 
123
            recorded.close()
 
124
 
 
125
    def _index_change(self, change, recorded, index):
 
126
        """
 
127
        currently, only indexes the 'comment' field.
 
128
        """
 
129
        comment = normalize_string(change.comment)
 
130
        if len(comment) < 3:
 
131
            return
 
132
        for i in xrange(len(comment) - 2):
 
133
            sub = comment[i:i + 3]
 
134
            orig = revid_set = index.get(sub)
 
135
            if revid_set is None:
 
136
                revid_set = set()
 
137
            elif revid_set == ALL:
 
138
                # this entry got too big
 
139
                continue
 
140
            revid_set.add(change.revid)
 
141
            if len(revid_set) > ALL_THRESHOLD:
 
142
                revid_set = ALL
 
143
            if orig is not None:
 
144
                index.update([(sub, revid_set)], commit=False)
 
145
            else:
 
146
                index.add([(sub, revid_set)], commit=False)
 
147
 
 
148
        recorded.add([(util.to_utf8(change.revid), True)], commit=False)
 
149
 
 
150
    @with_lock
 
151
    def index_changes(self, revid_list):
 
152
        recorded = self._recorded()
 
153
        index = self._index()
 
154
        try:
 
155
            revid_list = [r for r in revid_list if not self._is_indexed(r, recorded)]
 
156
            change_list = self.history.get_changes(revid_list)
 
157
            for change in change_list:
 
158
                self._index_change(change, recorded, index)
 
159
        finally:
 
160
            index.close(commit=True)
 
161
            recorded.close(commit=True)
 
162
 
 
163
    @with_lock
 
164
    def find(self, text, revid_list=None):
 
165
        index = self._index()
 
166
        try:
 
167
            text = normalize_string(text)
 
168
            if len(text) < 3:
 
169
                return []
 
170
 
 
171
            total_set = None
 
172
            if revid_list is not None:
 
173
                total_set = set(revid_list)
 
174
            seen_all = False
 
175
 
 
176
            for i in xrange(len(text) - 2):
 
177
                sub = text[i:i + 3]
 
178
                revid_set = index.get(sub)
 
179
                if revid_set is None:
 
180
                    # zero matches, stop here.
 
181
                    return []
 
182
                if revid_set == ALL:
 
183
                    # skip
 
184
                    seen_all = True
 
185
                    continue
 
186
                if total_set is None:
 
187
                    total_set = revid_set
 
188
                else:
 
189
                    total_set.intersection_update(revid_set)
 
190
                if len(total_set) == 0:
 
191
                    return []
 
192
        finally:
 
193
            index.close()
 
194
 
 
195
        # tricky: if seen_all is True, one of the substring indices was ALL
 
196
        # (in other words, unindexed), so our results are actually a superset
 
197
        # of the exact answer.
 
198
        #
 
199
        # if we cared, we could do a direct match on the result set and cull
 
200
        # out any that aren't actually matches.  for now, i'm gonna say that
 
201
        # we DON'T care, and if one of the substrings hit ALL, there's a small
 
202
        # chance that we'll give a few false positives.
 
203
        return total_set
 
204
 
 
205
    def check_rebuild(self, max_time=3600):
 
206
        """
 
207
        check if there are any un-indexed revisions, and if so, index them.
 
208
        but don't spend longer than C{max_time} on it.
 
209
        """
 
210
        if self.closed() or self.full():
 
211
            # all done
 
212
            return
 
213
 
 
214
        self.log.info('Building search index...')
 
215
        work = list(self.history.get_revision_history())
 
216
        start_time = time.time()
 
217
        last_update = time.time()
 
218
        count = 0
 
219
 
 
220
        jump = 100
 
221
        for i in xrange(0, len(work), jump):
 
222
            r = work[i:i + jump]
 
223
            self.index_changes(r)
 
224
            if self.closed():
 
225
                return
 
226
 
 
227
            count += jump
 
228
            now = time.time()
 
229
            if now - start_time > 3600:
 
230
                # there's no point working for hours.  eventually we might even
 
231
                # hit the next re-index interval, which would suck mightily.
 
232
                self.log.info('Search indexing has worked for an hour; giving up for now.')
 
233
                return
 
234
            if now - last_update > 60:
 
235
                self.log.info('Search indexing continues: %d/%d' % (min(count, len(work)), len(work)))
 
236
                last_update = time.time()
 
237
            # give someone else a chance at the lock
 
238
            time.sleep(1)
 
239
        self.log.info('Search index completed.')
 
240
        self.flush()