index/extract.c

   1 /*
   2  * Copyright (C) 1994-1995, Index Data I/S
   3  * All rights reserved.
   4  * Sebastian Hammer, Adam Dickmeiss
   5  *
   6  * $Log: extract.c,v $
   7  * Revision 1.24  1995-11-15 19:13:08  adam
   8  * Work on record management.
   9  *
  10  * Revision 1.23  1995/10/27  14:00:10  adam
  11  * Implemented detection of database availability.
  12  *
  13  * Revision 1.22  1995/10/17  18:02:07  adam
  14  * New feature: databases. Implemented as prefix to words in dictionary.
  15  *
  16  * Revision 1.21  1995/10/10  12:24:38  adam
  17  * Temporary sort files are compressed.
  18  *
  19  * Revision 1.20  1995/10/06  13:52:05  adam
  20  * Bug fixes. Handler may abort further scanning.
  21  *
  22  * Revision 1.19  1995/10/04  12:55:16  adam
  23  * Bug fix in ranked search. Use=Any keys inserted.
  24  *
  25  * Revision 1.18  1995/10/04  09:37:08  quinn
  26  * Fixed bug.
  27  *
  28  * Revision 1.17  1995/10/03  14:28:57  adam
  29  * Buffered read in extract works.
  30  *
  31  * Revision 1.16  1995/10/03  14:28:45  adam
  32  * Work on more effecient read handler in extract.
  33  *
  34  * Revision 1.15  1995/10/02  15:42:53  adam
  35  * Extract uses file descriptors instead of FILE pointers.
  36  *
  37  * Revision 1.14  1995/10/02  15:29:13  adam
  38  * More logging in file_extract.
  39  *
  40  * Revision 1.13  1995/09/29  14:01:39  adam
  41  * Bug fixes.
  42  *
  43  * Revision 1.12  1995/09/28  14:22:56  adam
  44  * Sort uses smaller temporary files.
  45  *
  46  * Revision 1.11  1995/09/28  12:10:31  adam
  47  * Bug fixes. Field prefix used in queries.
  48  *
  49  * Revision 1.10  1995/09/28  09:19:41  adam
  50  * xfree/xmalloc used everywhere.
  51  * Extract/retrieve method seems to work for text records.
  52  *
  53  * Revision 1.9  1995/09/27  12:22:28  adam
  54  * More work on extract in record control.
  55  * Field name is not in isam keys but in prefix in dictionary words.
  56  *
  57  * Revision 1.8  1995/09/14  07:48:22  adam
  58  * Record control management.
  59  *
  60  * Revision 1.7  1995/09/11  13:09:32  adam
  61  * More work on relevance feedback.
  62  *
  63  * Revision 1.6  1995/09/08  14:52:27  adam
  64  * Minor changes. Dictionary is lower case now.
  65  *
  66  * Revision 1.5  1995/09/06  16:11:16  adam
  67  * Option: only one word key per file.
  68  *
  69  * Revision 1.4  1995/09/05  15:28:39  adam
  70  * More work on search engine.
  71  *
  72  * Revision 1.3  1995/09/04  12:33:41  adam
  73  * Various cleanup. YAZ util used instead.
  74  *
  75  * Revision 1.2  1995/09/04  09:10:34  adam
  76  * More work on index add/del/update.
  77  * Merge sort implemented.
  78  * Initial work on z39 server.
  79  *
  80  * Revision 1.1  1995/09/01  14:06:35  adam
  81  * Split of work into more files.
  82  *
  83  */
  84 #include <stdio.h>
  85 #include <assert.h>
  86 #include <unistd.h>
  87 #include <fcntl.h>
  88 #include <ctype.h>
  89
  90 #include <alexutil.h>
  91 #include <recctrl.h>
  92 #include "index.h"
  93
  94 #define RECORD_BASE 1
  95
  96 #if RECORD_BASE
  97 #include "recindex.h"
  98 #endif
  99
 100 static Dict file_idx;
 101
 102
 103 #if RECORD_BASE
 104 static Records records = NULL;
 105 #else
 106 static int sys_idx_fd = -1;
 107 static SYSNO sysno_next;
 108 #endif
 109
 110 static int key_cmd;
 111 static int key_sysno;
 112 static char *key_databaseName;
 113 static char **key_buf;
 114 static size_t ptr_top;
 115 static size_t ptr_i;
 116 static size_t kused;
 117 static int key_file_no;
 118
 119 void key_open (int mem)
 120 {
 121 #if !RECORD_BASE
 122     void *file_key;
 123 #endif
 124     if (mem < 50000)
 125         mem = 50000;
 126     key_buf = xmalloc (mem);
 127     ptr_top = mem/sizeof(char*);
 128     ptr_i = 0;
 129     kused = 0;
 130     key_file_no = 0;
 131
 132     if (!(file_idx = dict_open (FNAME_FILE_DICT, 40, 1)))
 133     {
 134         logf (LOG_FATAL, "dict_open fail of %s", "fileidx");
 135         exit (1);
 136     }
 137 #if RECORD_BASE
 138     assert (!records);
 139     records = rec_open (1);
 140 #else
 141     file_key = dict_lookup (file_idx, ".");
 142     if (file_key)
 143         memcpy (&sysno_next, (char*)file_key+1, sizeof(sysno_next));
 144     else
 145         sysno_next = 1;
 146     if ((sys_idx_fd = open (FNAME_SYS_IDX, O_RDWR|O_CREAT, 0666)) == -1)
 147     {
 148         logf (LOG_FATAL|LOG_ERRNO, "open %s", FNAME_SYS_IDX);
 149         exit (1);
 150     }
 151 #endif
 152 }
 153
 154 struct encode_info {
 155     int  sysno;
 156     int  seqno;
 157     char buf[512];
 158 };
 159
 160 void encode_key_init (struct encode_info *i)
 161 {
 162     i->sysno = 0;
 163     i->seqno = 0;
 164 }
 165
 166 char *encode_key_int (int d, char *bp)
 167 {
 168     if (d <= 63)
 169         *bp++ = d;
 170     else if (d <= 16383)
 171     {
 172         *bp++ = 64 + (d>>8);
 173         *bp++ = d  & 255;
 174     }
 175     else if (d <= 4194303)
 176     {
 177         *bp++ = 128 + (d>>16);
 178         *bp++ = (d>>8) & 255;
 179         *bp++ = d & 255;
 180     }
 181     else
 182     {
 183         *bp++ = 192 + (d>>24);
 184         *bp++ = (d>>16) & 255;
 185         *bp++ = (d>>8) & 255;
 186         *bp++ = d & 255;
 187     }
 188     return bp;
 189 }
 190
 191 void encode_key_write (char *k, struct encode_info *i, FILE *outf)
 192 {
 193     struct it_key key;
 194     char *bp = i->buf;
 195
 196     while ((*bp++ = *k++))
 197         ;
 198     memcpy (&key, k+1, sizeof(struct it_key));
 199     bp = encode_key_int ( (key.sysno - i->sysno) * 2 + *k, bp);
 200     if (i->sysno != key.sysno)
 201     {
 202         i->sysno = key.sysno;
 203         i->seqno = 0;
 204     }
 205     bp = encode_key_int (key.seqno - i->seqno, bp);
 206     i->seqno = key.seqno;
 207     if (fwrite (i->buf, bp - i->buf, 1, outf) != 1)
 208     {
 209         logf (LOG_FATAL|LOG_ERRNO, "fwrite");
 210         exit (1);
 211     }
 212 }
 213
 214 void key_flush (void)
 215 {
 216     FILE *outf;
 217     char out_fname[200];
 218     char *prevcp, *cp;
 219     struct encode_info encode_info;
 220
 221     if (ptr_i <= 0)
 222         return;
 223
 224     key_file_no++;
 225     logf (LOG_LOG, "sorting section %d", key_file_no);
 226     qsort (key_buf + ptr_top-ptr_i, ptr_i, sizeof(char*), key_qsort_compare);
 227     sprintf (out_fname, TEMP_FNAME, key_file_no);
 228
 229     if (!(outf = fopen (out_fname, "w")))
 230     {
 231         logf (LOG_FATAL|LOG_ERRNO, "fopen (4) %s", out_fname);
 232         exit (1);
 233     }
 234     logf (LOG_LOG, "writing section %d", key_file_no);
 235     prevcp = cp = key_buf[ptr_top-ptr_i];
 236
 237     encode_key_init (&encode_info);
 238     encode_key_write (cp, &encode_info, outf);
 239     while (--ptr_i > 0)
 240     {
 241         cp = key_buf[ptr_top-ptr_i];
 242         if (strcmp (cp, prevcp))
 243         {
 244             encode_key_init (&encode_info);
 245             encode_key_write (cp, &encode_info, outf);
 246             prevcp = cp;
 247         }
 248         else
 249             encode_key_write (cp + strlen(cp), &encode_info, outf);
 250     }
 251     if (fclose (outf))
 252     {
 253         logf (LOG_FATAL|LOG_ERRNO, "fclose %s", out_fname);
 254         exit (1);
 255     }
 256     logf (LOG_LOG, "finished section %d", key_file_no);
 257     ptr_i = 0;
 258     kused = 0;
 259 }
 260
 261 int key_close (void)
 262 {
 263     key_flush ();
 264     xfree (key_buf);
 265 #if RECORD_BASE
 266     rec_close (&records);
 267 #else
 268     close (sys_idx_fd);
 269     dict_insert (file_idx, ".", sizeof(sysno_next), &sysno_next);
 270 #endif
 271     dict_close (file_idx);
 272     return key_file_no;
 273 }
 274
 275 static void wordInit (RecWord *p)
 276 {
 277     p->attrSet = 1;
 278     p->attrUse = 1016;
 279     p->which = Word_String;
 280 }
 281
 282 static void wordAdd (const RecWord *p)
 283 {
 284     struct it_key key;
 285     size_t i;
 286
 287     if (kused + 1024 > (ptr_top-ptr_i)*sizeof(char*))
 288         key_flush ();
 289     ++ptr_i;
 290     key_buf[ptr_top-ptr_i] = (char*)key_buf + kused;
 291     kused += index_word_prefix ((char*)key_buf + kused,
 292                                 p->attrSet, p->attrUse,
 293                                 key_databaseName);
 294     switch (p->which)
 295     {
 296     case Word_String:
 297         for (i = 0; p->u.string[i]; i++)
 298             ((char*)key_buf) [kused++] = index_char_cvt (p->u.string[i]);
 299         ((char*)key_buf) [kused++] = '\0';
 300         break;
 301     default:
 302         return ;
 303     }
 304     ((char*) key_buf)[kused++] = ((key_cmd == 'a') ? 1 : 0);
 305     key.sysno = key_sysno;
 306     key.seqno = p->seqno;
 307     memcpy ((char*)key_buf + kused, &key, sizeof(key));
 308     kused += sizeof(key);
 309 }
 310
 311 static void wordAddAny (const RecWord *p)
 312 {
 313     if (p->attrSet != 1 || p->attrUse != 1016)
 314     {
 315         RecWord w;
 316
 317         memcpy (&w, p, sizeof(w));
 318         w.attrSet = 1;
 319         w.attrUse = 1016;
 320         wordAdd (&w);
 321     }
 322     wordAdd (p);
 323 }
 324
 325
 326 #define FILE_READ_BUF 1
 327 #if FILE_READ_BUF
 328 static char *file_buf;
 329 static int file_offset;
 330 static int file_bufsize;
 331
 332 static void file_read_start (int fd)
 333 {
 334     file_offset = 0;
 335     file_buf = xmalloc (4096);
 336     file_bufsize = read (fd, file_buf, 4096);
 337 }
 338
 339 static void file_read_stop (int fd)
 340 {
 341     xfree (file_buf);
 342 }
 343
 344 static int file_read (int fd, char *buf, size_t count)
 345 {
 346     int l = file_bufsize - file_offset;
 347
 348     if (count > l)
 349     {
 350         int r;
 351         if (l > 0)
 352             memcpy (buf, file_buf + file_offset, l);
 353         count = count-l;
 354         if (count > file_bufsize)
 355         {
 356             if ((r = read (fd, buf + l, count)) == -1)
 357             {
 358                 logf (LOG_FATAL|LOG_ERRNO, "read");
 359                 exit (1);
 360             }
 361             file_bufsize = 0;
 362             file_offset = 0;
 363             return r;
 364         }
 365         file_bufsize = r = read (fd, file_buf, 4096);
 366         if (r == -1)
 367         {
 368             logf (LOG_FATAL|LOG_ERRNO, "read");
 369             exit (1);
 370         }
 371         else if (r <= count)
 372         {
 373             file_offset = r;
 374             memcpy (buf + l, file_buf, r);
 375             return l + r;
 376         }
 377         else
 378         {
 379             file_offset = count;
 380             memcpy (buf + l, file_buf, count - l);
 381             return count;
 382         }
 383     }
 384     memcpy (buf, file_buf + file_offset, count);
 385     file_offset += count;
 386     return count;
 387 }
 388 #else
 389 static int file_read (int fd, char *buf, size_t count)
 390 {
 391     return read (fd, buf, count);
 392 }
 393 #endif
 394 void file_extract (int cmd, const char *fname, const char *kname,
 395                    char *databaseName)
 396 {
 397     int i, r;
 398     char ext[128];
 399     SYSNO sysno;
 400     char ext_res[128];
 401     const char *file_type;
 402     void *file_info;
 403     struct recExtractCtrl extractCtrl;
 404     RecType rt;
 405
 406     key_databaseName = databaseName;
 407     for (i = strlen(fname); --i >= 0; )
 408         if (fname[i] == '/')
 409         {
 410             strcpy (ext, "");
 411             break;
 412         }
 413         else if (fname[i] == '.')
 414         {
 415             strcpy (ext, fname+i+1);
 416             break;
 417         }
 418     sprintf (ext_res, "fileExtension.%s", ext);
 419     if (!(file_type = res_get (common_resource, ext_res)))
 420         return;
 421     if (!(rt = recType_byName (file_type)))
 422         return;
 423     logf (LOG_DEBUG, "%c %s k=%s", cmd, fname, kname);
 424     file_info = dict_lookup (file_idx, kname);
 425     if (!file_info)
 426     {
 427 #if RECORD_BASE
 428         Record rec = rec_new (records);
 429
 430         sysno = rec->sysno;
 431         dict_insert (file_idx, kname, sizeof(sysno), &sysno);
 432         rec->info[0] = rec_strdup (file_type);
 433         rec->info[1] = rec_strdup (kname);
 434         rec_put (records, rec);
 435 #else
 436         sysno = sysno_next++;
 437         dict_insert (file_idx, kname, sizeof(sysno), &sysno);
 438         lseek (sys_idx_fd, sysno * SYS_IDX_ENTRY_LEN, SEEK_SET);
 439         write (sys_idx_fd, file_type, strlen (file_type)+1);
 440         write (sys_idx_fd, kname, strlen(kname)+1);
 441 #endif
 442     }
 443     else
 444         memcpy (&sysno, (char*) file_info+1, sizeof(sysno));
 445
 446     if ((extractCtrl.fd = open (fname, O_RDONLY)) == -1)
 447     {
 448         logf (LOG_WARN|LOG_ERRNO, "open %s", fname);
 449         return;
 450     }
 451     extractCtrl.subType = "";
 452     extractCtrl.init = wordInit;
 453     extractCtrl.add = wordAddAny;
 454 #if FILE_READ_BUF
 455     file_read_start (extractCtrl.fd);
 456 #endif
 457     extractCtrl.readf = file_read;
 458     key_sysno = sysno;
 459     key_cmd = cmd;
 460     r = (*rt->extract)(&extractCtrl);
 461 #if FILE_READ_BUF
 462     file_read_stop (extractCtrl.fd);
 463 #endif
 464     close (extractCtrl.fd);
 465     if (r)
 466         logf (LOG_WARN, "Couldn't extract file %s, code %d", fname, r);
 467 }