git.cworth.org Git - sup/blob - lib/sup/index.rb

   1 ## the index structure for redwood. interacts with ferret.
   2
   3 require 'thread'
   4 require 'fileutils'
   5 require 'ferret'
   6 #require_gem 'ferret', ">= 0.10.13"
   7
   8 module Redwood
   9
  10 class Index
  11   include Singleton
  12
  13   attr_reader :index
  14   def initialize dir=BASE_DIR
  15     @dir = dir
  16     @sources = {}
  17     @sources_dirty = false
  18
  19     wsa = Ferret::Analysis::WhiteSpaceAnalyzer.new false
  20     sa = Ferret::Analysis::StandardAnalyzer.new Ferret::Analysis::FULL_ENGLISH_STOP_WORDS, true
  21     @analyzer = Ferret::Analysis::PerFieldAnalyzer.new wsa
  22     @analyzer[:body] = sa
  23     @qparser ||= Ferret::QueryParser.new :default_field => :body, :analyzer => @analyzer
  24
  25     self.class.i_am_the_instance self
  26   end
  27
  28   def load
  29     load_sources
  30     load_index
  31   end
  32
  33   def save
  34     FileUtils.mkdir_p @dir unless File.exists? @dir
  35     save_sources
  36     save_index
  37   end
  38
  39   def add_source source
  40     raise "duplicate source!" if @sources.include? source
  41     @sources_dirty = true
  42     source.id ||= @sources.size
  43     ##TODO: why was this necessary?
  44     ##source.id += 1 while @sources.member? source.id
  45     @sources[source.id] = source
  46   end
  47
  48   def source_for uri; @sources.values.find { |s| s.is_source_for? uri }; end
  49   def usual_sources; @sources.values.find_all { |s| s.usual? }; end
  50   def sources; @sources.values; end
  51
  52   def load_index dir=File.join(@dir, "ferret")
  53     if File.exists? dir
  54       Redwood::log "loading index..."
  55       @index = Ferret::Index::Index.new(:path => dir, :analyzer => @analyzer)
  56       Redwood::log "loaded index of #{@index.size} messages"
  57     else
  58       Redwood::log "creating index..."
  59       field_infos = Ferret::Index::FieldInfos.new :store => :yes
  60       field_infos.add_field :message_id
  61       field_infos.add_field :source_id
  62       field_infos.add_field :source_info
  63       field_infos.add_field :date, :index => :untokenized
  64       field_infos.add_field :body, :store => :no
  65       field_infos.add_field :label
  66       field_infos.add_field :subject
  67       field_infos.add_field :from
  68       field_infos.add_field :to
  69       field_infos.add_field :refs
  70       field_infos.add_field :snippet, :index => :no, :term_vector => :no
  71       field_infos.create_index dir
  72       @index = Ferret::Index::Index.new(:path => dir, :analyzer => @analyzer)
  73     end
  74   end
  75
  76   ## update the message by deleting and re-adding
  77   def update_message m, source=nil, source_info=nil
  78     docid, entry = load_entry_for_id m.id
  79     if entry
  80       source ||= entry[:source_id].to_i
  81       source_info ||= entry[:source_info].to_i
  82     end
  83
  84     ## this happens sometimes. i'm not sure why. ferret bug?
  85     raise "no entry and no source info for message #{m.id}: source #{source.inspect}, info #{source_info.inspect}, entry #{entry.inspect}, query #{Ferret::Search::TermQuery.new(:message_id, m.id)}, results #{@index.search(Ferret::Search::TermQuery.new(:message_id, m.id)).inspect}" unless source && source_info
  86
  87     raise "deleting non-corresponding entry #{docid}" unless @index[docid][:message_id] == m.id
  88     @index.delete docid
  89     add_message m
  90   end
  91
  92   def save_index fn=File.join(@dir, "ferret")
  93     # don't have to do anything apparently
  94   end
  95
  96   def contains_id? id
  97     @index.search(Ferret::Search::TermQuery.new(:message_id, id)).total_hits > 0
  98   end
  99   def contains? m; contains_id? m.id; end
 100   def size; @index.size; end
 101
 102   ## you should probably not call this on a block that doesn't break
 103   ## rather quickly because the results will probably be, as we say
 104   ## in scotland, frikkin' huuuge.
 105   EACH_BY_DATE_NUM = 100
 106   def each_id_by_date opts={}
 107     return if @index.size == 0 # otherwise ferret barfs ###TODO: remove this once my ferret patch is accepted
 108     query = build_query opts
 109     offset = 0
 110     while true
 111       results = @index.search(query, :sort => "date DESC", :limit => EACH_BY_DATE_NUM, :offset => offset)
 112       Redwood::log "got #{results.total_hits} results for query (offset #{offset}) #{query.inspect}"
 113       results.hits.each { |hit| yield @index[hit.doc][:message_id], lambda { build_message hit.doc } }
 114       break if offset >= results.total_hits - EACH_BY_DATE_NUM
 115       offset += EACH_BY_DATE_NUM
 116     end
 117   end
 118
 119   def num_results_for opts={}
 120     return 0 if @index.size == 0 # otherwise ferret barfs ###TODO: remove this once my ferret patch is accepted
 121     q = build_query opts
 122     index.search(q).total_hits
 123   end
 124
 125   ## yield all messages in the thread containing 'm' by repeatedly
 126   ## querying the index.  yields pairs of message ids and
 127   ## message-building lambdas, so that building an unwanted message
 128   ## can be skipped in the block if desired.
 129   SAME_SUBJECT_DATE_LIMIT = 7
 130   def each_message_in_thread_for m, opts={}
 131     messages = {}
 132     searched = {}
 133     num_queries = 0
 134
 135     ## temporarily disabling subject searching because it's a
 136     ## significant slowdown.
 137     ##
 138     ## TODO: make this configurable, i guess
 139     if true
 140       date_min = m.date - (SAME_SUBJECT_DATE_LIMIT * 12 * 3600)
 141       date_max = m.date + (SAME_SUBJECT_DATE_LIMIT * 12 * 3600)
 142
 143       q = Ferret::Search::BooleanQuery.new true
 144       sq = Ferret::Search::PhraseQuery.new(:subject)
 145       wrap_subj(Message.normalize_subj(m.subj)).split(/\s+/).each do |t|
 146         sq.add_term t
 147       end
 148       q.add_query sq, :must
 149       q.add_query Ferret::Search::TermQuery.new(:label, "spam"), :must_not
 150       q.add_query Ferret::Search::RangeQuery.new(:date, :>= => date_min.to_indexable_s, :<= => date_max.to_indexable_s), :must
 151
 152       pending = @index.search(q).hits.map { |hit| @index[hit.doc][:message_id] }
 153       Redwood::log "found #{pending.size} results for subject query #{q}"
 154     else
 155       pending = [m.id]
 156     end
 157
 158     until pending.empty? || (opts[:limit] && messages.size >= opts[:limit])
 159       id = pending.pop
 160       next if searched.member? id
 161       searched[id] = true
 162       q = Ferret::Search::BooleanQuery.new true
 163       q.add_query Ferret::Search::TermQuery.new(:message_id, id), :should
 164       q.add_query Ferret::Search::TermQuery.new(:refs, id), :should
 165
 166       num_queries += 1
 167       @index.search_each(q, :limit => :all) do |docid, score|
 168         break if opts[:limit] && messages.size >= opts[:limit]
 169         mid = @index[docid][:message_id]
 170         unless messages.member? mid
 171           messages[mid] ||= lambda { build_message docid }
 172           refs = @index[docid][:refs].split(" ")
 173           pending += refs
 174         end
 175       end
 176     end
 177     Redwood::log "ran #{num_queries} queries to build thread of #{messages.size} messages for #{m.id}" if num_queries > 0
 178     messages.each { |mid, builder| yield mid, builder }
 179   end
 180
 181   ## builds a message object from a ferret result
 182   def build_message docid
 183     doc = @index[docid]
 184     source = @sources[doc[:source_id].to_i]
 185     #puts "building message #{doc[:message_id]} (#{source}##{doc[:source_info]})"
 186     raise "invalid source #{doc[:source_id]}" unless source
 187
 188     fake_header = {
 189       "date" => Time.at(doc[:date].to_i),
 190       "subject" => unwrap_subj(doc[:subject]),
 191       "from" => doc[:from],
 192       "to" => doc[:to],
 193       "message-id" => doc[:message_id],
 194       "references" => doc[:refs],
 195     }
 196
 197     Message.new :source => source, :source_info => doc[:source_info].to_i,
 198                 :labels => doc[:label].split(" ").map { |s| s.intern },
 199                 :snippet => doc[:snippet], :header => fake_header
 200   end
 201
 202   def fresh_thread_id; @next_thread_id += 1; end
 203   def wrap_subj subj; "__START_SUBJECT__ #{subj} __END_SUBJECT__"; end
 204   def unwrap_subj subj; subj =~ /__START_SUBJECT__ (.*?) __END_SUBJECT__/ && $1; end
 205
 206   def add_message m
 207     return false if contains? m
 208
 209     source_id =
 210       if m.source.is_a? Integer
 211         m.source
 212       else
 213         m.source.id or raise "unregistered source #{m.source} (id #{m.source.id.inspect})"
 214       end
 215
 216     to = (m.to + m.cc + m.bcc).map { |x| x.email }.join(" ")
 217     d = {
 218       :message_id => m.id,
 219       :source_id => source_id,
 220       :source_info => m.source_info,
 221       :date => m.date.to_indexable_s,
 222       :body => m.content,
 223       :snippet => m.snippet,
 224       :label => m.labels.join(" "),
 225       :from => m.from ? m.from.email : "",
 226       :to => (m.to + m.cc + m.bcc).map { |x| x.email }.join(" "),
 227       :subject => wrap_subj(Message.normalize_subj(m.subj)),
 228       :refs => (m.refs + m.replytos).uniq.join(" "),
 229     }
 230
 231     @index.add_document d
 232
 233     ## TODO: figure out why this is sometimes triggered
 234     docid, entry = load_entry_for_id m.id
 235     raise "just added message #{m.id} but couldn't find it in a search" unless docid
 236     true
 237   end
 238
 239   def drop_entry docno; @index.delete docno; end
 240
 241   def load_entry_for_id mid
 242     results = @index.search(Ferret::Search::TermQuery.new(:message_id, mid))
 243     return if results.total_hits == 0
 244     docid = results.hits[0].doc
 245     [docid, @index[docid]]
 246   end
 247
 248   def load_contacts emails, h={}
 249     q = Ferret::Search::BooleanQuery.new true
 250     emails.each do |e|
 251       qq = Ferret::Search::BooleanQuery.new true
 252       qq.add_query Ferret::Search::TermQuery.new(:from, e), :should
 253       qq.add_query Ferret::Search::TermQuery.new(:to, e), :should
 254       q.add_query qq
 255     end
 256     q.add_query Ferret::Search::TermQuery.new(:label, "spam"), :must_not
 257
 258     Redwood::log "contact search: #{q}"
 259     contacts = {}
 260     num = h[:num] || 20
 261     @index.search_each(q, :sort => "date DESC", :limit => :all) do |docid, score|
 262       break if contacts.size >= num
 263       #Redwood::log "got message with to: #{@index[docid][:to].inspect} and from: #{@index[docid][:from].inspect}"
 264       f = @index[docid][:from]
 265       t = @index[docid][:to]
 266
 267       if AccountManager.is_account_email? f
 268         t.split(" ").each { |e| #Redwood::log "adding #{e} because there's a message to him from account email #{f}";
 269           contacts[Person.for(e)] = true }
 270       else
 271         #Redwood::log "adding from #{f} because there's a message from him to #{t}"
 272         contacts[Person.for(f)] = true
 273       end
 274     end
 275
 276     contacts.keys.compact
 277   end
 278
 279 protected
 280
 281   def parse_user_query_string str; @qparser.parse str; end
 282   def build_query opts
 283     query = Ferret::Search::BooleanQuery.new
 284     query.add_query opts[:qobj], :must if opts[:qobj]
 285     labels = ([opts[:label]] + (opts[:labels] || [])).compact
 286     labels.each { |t| query.add_query Ferret::Search::TermQuery.new("label", t.to_s), :must }
 287     if opts[:participants]
 288       q2 = Ferret::Search::BooleanQuery.new
 289       opts[:participants].each do |p|
 290         q2.add_query Ferret::Search::TermQuery.new("from", p.email), :should
 291         q2.add_query Ferret::Search::TermQuery.new("to", p.email), :should
 292       end
 293       query.add_query q2, :must
 294     end
 295
 296     query.add_query Ferret::Search::TermQuery.new("label", "spam"), :must_not unless opts[:load_spam] || labels.include?(:spam)
 297     query.add_query Ferret::Search::TermQuery.new("label", "deleted"), :must_not unless opts[:load_deleted] || labels.include?(:deleted)
 298     query.add_query Ferret::Search::TermQuery.new("label", "killed"), :must_not unless opts[:load_killed] || labels.include?(:killed)
 299     query
 300   end
 301
 302   def load_sources fn=Redwood::SOURCE_FN
 303     @sources = Hash[*(Redwood::load_yaml_obj(fn) || []).map { |s| [s.id, s] }.flatten]
 304     @sources_dirty = false
 305   end
 306
 307   def save_sources fn=Redwood::SOURCE_FN
 308     if @sources_dirty || @sources.any? { |id, s| s.dirty? }
 309       bakfn = fn + ".bak"
 310       if File.exists? fn
 311         File.chmod 0600, fn
 312         FileUtils.mv fn, bakfn, :force => true unless File.exists?(bakfn) && File.size(bakfn) > File.size(fn)
 313       end
 314       Redwood::save_yaml_obj @sources.values, fn
 315       File.chmod 0600, fn
 316     end
 317     @sources_dirty = false
 318   end
 319 end
 320
 321 end