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
   7 module Redwood
   8
   9 class Index
  10   include Singleton
  11
  12   attr_reader :index
  13   def initialize dir=BASE_DIR
  14     @dir = dir
  15     @sources = {}
  16     @sources_dirty = false
  17
  18     wsa = Ferret::Analysis::WhiteSpaceAnalyzer.new false
  19     sa = Ferret::Analysis::StandardAnalyzer.new Ferret::Analysis::FULL_ENGLISH_STOP_WORDS, true
  20     @analyzer = Ferret::Analysis::PerFieldAnalyzer.new wsa
  21     @analyzer[:body] = sa
  22     @qparser ||= Ferret::QueryParser.new :default_field => :body, :analyzer => @analyzer
  23
  24     self.class.i_am_the_instance self
  25   end
  26
  27   def load
  28     load_sources
  29     load_index
  30   end
  31
  32   def save
  33     FileUtils.mkdir_p @dir unless File.exists? @dir
  34     save_sources
  35     save_index
  36   end
  37
  38   def add_source source
  39     raise "duplicate source!" if @sources.include? source
  40     @sources_dirty = true
  41     source.id ||= @sources.size
  42     ##TODO: why was this necessary?
  43     ##source.id += 1 while @sources.member? source.id
  44     @sources[source.id] = source
  45   end
  46
  47   def source_for uri; @sources.values.find { |s| s.is_source_for? uri }; end
  48   def usual_sources; @sources.values.find_all { |s| s.usual? }; end
  49   def sources; @sources.values; end
  50
  51   def load_index dir=File.join(@dir, "ferret")
  52     if File.exists? dir
  53       Redwood::log "loading index..."
  54       @index = Ferret::Index::Index.new(:path => dir, :analyzer => @analyzer)
  55       Redwood::log "loaded index of #{@index.size} messages"
  56     else
  57       Redwood::log "creating index..."
  58       field_infos = Ferret::Index::FieldInfos.new :store => :yes
  59       field_infos.add_field :message_id
  60       field_infos.add_field :source_id
  61       field_infos.add_field :source_info
  62       field_infos.add_field :date, :index => :untokenized
  63       field_infos.add_field :body, :store => :no
  64       field_infos.add_field :label
  65       field_infos.add_field :subject
  66       field_infos.add_field :from
  67       field_infos.add_field :to
  68       field_infos.add_field :refs
  69       field_infos.add_field :snippet, :index => :no, :term_vector => :no
  70       field_infos.create_index dir
  71       @index = Ferret::Index::Index.new(:path => dir, :analyzer => @analyzer)
  72     end
  73   end
  74
  75   ## Update the message state on disk, by deleting and re-adding it.
  76   ## The message must exist in the index. docid and entry are found
  77   ## unless given.
  78   def update_message m, docid=nil, entry=nil
  79     unless docid && entry
  80       docid, entry = load_entry_for_id m.id
  81       raise ArgumentError, "cannot find #{m.id} in the index" unless entry
  82     end
  83
  84     raise "no entry and no source info for message #{m.id}" unless m.source && m.source_info
  85
  86     raise "deleting non-corresponding entry #{docid}" unless @index[docid][:message_id] == m.id
  87
  88     @index.delete docid
  89     add_message m
  90   end
  91
  92   ## for each new message form the source, yields a bunch of stuff,
  93   ## gets the message back from the block, and adds it or updates it.
  94   def add_new_messages_from source
  95     found = {}
  96     return if source.done? || source.broken?
  97
  98     source.each do |offset, labels|
  99       if source.broken?
 100         Redwood::log "error loading messages from #{source}: #{source.broken_msg}"
 101         return
 102       end
 103
 104       labels.each { |l| LabelManager << l }
 105
 106       begin
 107         m = Message.new :source => source, :source_info => offset, :labels => labels
 108         if found[m.id]
 109           puts "skipping duplicate message #{m.id}"
 110           next
 111         else
 112           found[m.id] = true
 113         end
 114
 115         if m.source_marked_read?
 116           m.remove_label :unread
 117           labels.delete :unread
 118         end
 119
 120         docid, entry = load_entry_for_id m.id
 121         m = yield m, offset, labels, entry
 122         next unless m
 123         if entry
 124           update_message m, docid, entry
 125         else
 126           add_message m
 127         end
 128       rescue MessageFormatError, SourceError => e
 129         Redwood::log "ignoring erroneous message at #{source}##{offset}: #{e.message}"
 130       end
 131     end
 132   end
 133
 134   def save_index fn=File.join(@dir, "ferret")
 135     # don't have to do anything,  apparently
 136   end
 137
 138   def contains_id? id
 139     @index.search(Ferret::Search::TermQuery.new(:message_id, id)).total_hits > 0
 140   end
 141   def contains? m; contains_id? m.id; end
 142   def size; @index.size; end
 143
 144   ## you should probably not call this on a block that doesn't break
 145   ## rather quickly because the results will probably be, as we say
 146   ## in scotland, frikkin' huuuge.
 147   EACH_BY_DATE_NUM = 100
 148   def each_id_by_date opts={}
 149     return if @index.size == 0 # otherwise ferret barfs ###TODO: remove this once my ferret patch is accepted
 150     query = build_query opts
 151     offset = 0
 152     while true
 153       results = @index.search(query, :sort => "date DESC", :limit => EACH_BY_DATE_NUM, :offset => offset)
 154       Redwood::log "got #{results.total_hits} results for query (offset #{offset}) #{query.inspect}"
 155       results.hits.each { |hit| yield @index[hit.doc][:message_id], lambda { build_message hit.doc } }
 156       break if offset >= results.total_hits - EACH_BY_DATE_NUM
 157       offset += EACH_BY_DATE_NUM
 158     end
 159   end
 160
 161   def num_results_for opts={}
 162     return 0 if @index.size == 0 # otherwise ferret barfs ###TODO: remove this once my ferret patch is accepted
 163     q = build_query opts
 164     index.search(q).total_hits
 165   end
 166
 167   ## yield all messages in the thread containing 'm' by repeatedly
 168   ## querying the index.  yields pairs of message ids and
 169   ## message-building lambdas, so that building an unwanted message
 170   ## can be skipped in the block if desired.
 171   SAME_SUBJECT_DATE_LIMIT = 7
 172   def each_message_in_thread_for m, opts={}
 173     messages = {}
 174     searched = {}
 175     num_queries = 0
 176
 177     ## temporarily disabling subject searching because it's a
 178     ## significant slowdown.
 179     ##
 180     ## TODO: make this configurable, i guess
 181     if true
 182       date_min = m.date - (SAME_SUBJECT_DATE_LIMIT * 12 * 3600)
 183       date_max = m.date + (SAME_SUBJECT_DATE_LIMIT * 12 * 3600)
 184
 185       q = Ferret::Search::BooleanQuery.new true
 186       sq = Ferret::Search::PhraseQuery.new(:subject)
 187       wrap_subj(Message.normalize_subj(m.subj)).split(/\s+/).each do |t|
 188         sq.add_term t
 189       end
 190       q.add_query sq, :must
 191       q.add_query Ferret::Search::TermQuery.new(:label, "spam"), :must_not
 192       q.add_query Ferret::Search::RangeQuery.new(:date, :>= => date_min.to_indexable_s, :<= => date_max.to_indexable_s), :must
 193
 194       pending = @index.search(q).hits.map { |hit| @index[hit.doc][:message_id] }
 195       Redwood::log "found #{pending.size} results for subject query #{q}"
 196     else
 197       pending = [m.id]
 198     end
 199
 200     until pending.empty? || (opts[:limit] && messages.size >= opts[:limit])
 201       id = pending.pop
 202       next if searched.member? id
 203       searched[id] = true
 204       q = Ferret::Search::BooleanQuery.new true
 205       q.add_query Ferret::Search::TermQuery.new(:message_id, id), :should
 206       q.add_query Ferret::Search::TermQuery.new(:refs, id), :should
 207
 208       num_queries += 1
 209       @index.search_each(q, :limit => :all) do |docid, score|
 210         break if opts[:limit] && messages.size >= opts[:limit]
 211         mid = @index[docid][:message_id]
 212         unless messages.member? mid
 213           messages[mid] ||= lambda { build_message docid }
 214           refs = @index[docid][:refs].split(" ")
 215           pending += refs
 216         end
 217       end
 218     end
 219     Redwood::log "ran #{num_queries} queries to build thread of #{messages.size} messages for #{m.id}" if num_queries > 0
 220     messages.each { |mid, builder| yield mid, builder }
 221   end
 222
 223   ## builds a message object from a ferret result
 224   def build_message docid
 225     doc = @index[docid]
 226     source = @sources[doc[:source_id].to_i]
 227     #puts "building message #{doc[:message_id]} (#{source}##{doc[:source_info]})"
 228     raise "invalid source #{doc[:source_id]}" unless source
 229
 230     fake_header = {
 231       "date" => Time.at(doc[:date].to_i),
 232       "subject" => unwrap_subj(doc[:subject]),
 233       "from" => doc[:from],
 234       "to" => doc[:to],
 235       "message-id" => doc[:message_id],
 236       "references" => doc[:refs],
 237     }
 238
 239     Message.new :source => source, :source_info => doc[:source_info].to_i,
 240                 :labels => doc[:label].split(" ").map { |s| s.intern },
 241                 :snippet => doc[:snippet], :header => fake_header
 242   end
 243
 244   def fresh_thread_id; @next_thread_id += 1; end
 245   def wrap_subj subj; "__START_SUBJECT__ #{subj} __END_SUBJECT__"; end
 246   def unwrap_subj subj; subj =~ /__START_SUBJECT__ (.*?) __END_SUBJECT__/ && $1; end
 247
 248   ## Adds a message to the index. The message cannot already exist in
 249   ## the index.
 250   def add_message m
 251     raise ArgumentError, "index already contains #{m.id}" if contains? m
 252
 253     source_id =
 254       if m.source.is_a? Integer
 255         m.source
 256       else
 257         m.source.id or raise "unregistered source #{m.source} (id #{m.source.id.inspect})"
 258       end
 259
 260     to = (m.to + m.cc + m.bcc).map { |x| x.email }.join(" ")
 261     d = {
 262       :message_id => m.id,
 263       :source_id => source_id,
 264       :source_info => m.source_info,
 265       :date => m.date.to_indexable_s,
 266       :body => m.content,
 267       :snippet => m.snippet,
 268       :label => m.labels.join(" "),
 269       :from => m.from ? m.from.email : "",
 270       :to => (m.to + m.cc + m.bcc).map { |x| x.email }.join(" "),
 271       :subject => wrap_subj(Message.normalize_subj(m.subj)),
 272       :refs => (m.refs + m.replytos).uniq.join(" "),
 273     }
 274
 275     @index.add_document d
 276
 277     docid, entry = load_entry_for_id m.id
 278     ## this hasn't been triggered in a long time. TODO: decide whether it's still a problem.
 279     raise "just added message #{m.id} but couldn't find it in a search" unless docid
 280     true
 281   end
 282
 283   def drop_entry docno; @index.delete docno; end
 284
 285   def load_entry_for_id mid
 286     results = @index.search(Ferret::Search::TermQuery.new(:message_id, mid))
 287     return if results.total_hits == 0
 288     docid = results.hits[0].doc
 289     [docid, @index[docid]]
 290   end
 291
 292   def load_contacts emails, h={}
 293     q = Ferret::Search::BooleanQuery.new true
 294     emails.each do |e|
 295       qq = Ferret::Search::BooleanQuery.new true
 296       qq.add_query Ferret::Search::TermQuery.new(:from, e), :should
 297       qq.add_query Ferret::Search::TermQuery.new(:to, e), :should
 298       q.add_query qq
 299     end
 300     q.add_query Ferret::Search::TermQuery.new(:label, "spam"), :must_not
 301
 302     Redwood::log "contact search: #{q}"
 303     contacts = {}
 304     num = h[:num] || 20
 305     @index.search_each(q, :sort => "date DESC", :limit => :all) do |docid, score|
 306       break if contacts.size >= num
 307       #Redwood::log "got message with to: #{@index[docid][:to].inspect} and from: #{@index[docid][:from].inspect}"
 308       f = @index[docid][:from]
 309       t = @index[docid][:to]
 310
 311       if AccountManager.is_account_email? f
 312         t.split(" ").each { |e| #Redwood::log "adding #{e} because there's a message to him from account email #{f}";
 313           contacts[Person.for(e)] = true }
 314       else
 315         #Redwood::log "adding from #{f} because there's a message from him to #{t}"
 316         contacts[Person.for(f)] = true
 317       end
 318     end
 319
 320     contacts.keys.compact
 321   end
 322
 323 protected
 324
 325   def parse_user_query_string str; @qparser.parse str; end
 326   def build_query opts
 327     query = Ferret::Search::BooleanQuery.new
 328     query.add_query opts[:qobj], :must if opts[:qobj]
 329     labels = ([opts[:label]] + (opts[:labels] || [])).compact
 330     labels.each { |t| query.add_query Ferret::Search::TermQuery.new("label", t.to_s), :must }
 331     if opts[:participants]
 332       q2 = Ferret::Search::BooleanQuery.new
 333       opts[:participants].each do |p|
 334         q2.add_query Ferret::Search::TermQuery.new("from", p.email), :should
 335         q2.add_query Ferret::Search::TermQuery.new("to", p.email), :should
 336       end
 337       query.add_query q2, :must
 338     end
 339
 340     query.add_query Ferret::Search::TermQuery.new("label", "spam"), :must_not unless opts[:load_spam] || labels.include?(:spam)
 341     query.add_query Ferret::Search::TermQuery.new("label", "deleted"), :must_not unless opts[:load_deleted] || labels.include?(:deleted)
 342     query.add_query Ferret::Search::TermQuery.new("label", "killed"), :must_not unless opts[:load_killed] || labels.include?(:killed)
 343     query
 344   end
 345
 346   def load_sources fn=Redwood::SOURCE_FN
 347     @sources = Hash[*(Redwood::load_yaml_obj(fn) || []).map { |s| [s.id, s] }.flatten]
 348     @sources_dirty = false
 349   end
 350
 351   def save_sources fn=Redwood::SOURCE_FN
 352     if @sources_dirty || @sources.any? { |id, s| s.dirty? }
 353       bakfn = fn + ".bak"
 354       if File.exists? fn
 355         File.chmod 0600, fn
 356         FileUtils.mv fn, bakfn, :force => true unless File.exists?(bakfn) && File.size(bakfn) > File.size(fn)
 357       end
 358       Redwood::save_yaml_obj @sources.values, fn
 359       File.chmod 0600, fn
 360     end
 361     @sources_dirty = false
 362   end
 363 end
 364
 365 end