Merge branch 'ee/clean-test-fixes'
[git] / xdiff / xprepare.c
1 /*
2  *  LibXDiff by Davide Libenzi ( File Differential Library )
3  *  Copyright (C) 2003  Davide Libenzi
4  *
5  *  This library is free software; you can redistribute it and/or
6  *  modify it under the terms of the GNU Lesser General Public
7  *  License as published by the Free Software Foundation; either
8  *  version 2.1 of the License, or (at your option) any later version.
9  *
10  *  This library is distributed in the hope that it will be useful,
11  *  but WITHOUT ANY WARRANTY; without even the implied warranty of
12  *  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the GNU
13  *  Lesser General Public License for more details.
14  *
15  *  You should have received a copy of the GNU Lesser General Public
16  *  License along with this library; if not, write to the Free Software
17  *  Foundation, Inc., 59 Temple Place, Suite 330, Boston, MA  02111-1307  USA
18  *
19  *  Davide Libenzi <davidel@xmailserver.org>
20  *
21  */
22
23 #include "xinclude.h"
24
25
26 #define XDL_KPDIS_RUN 4
27 #define XDL_MAX_EQLIMIT 1024
28 #define XDL_SIMSCAN_WINDOW 100
29 #define XDL_GUESS_NLINES1 256
30 #define XDL_GUESS_NLINES2 20
31
32
33 typedef struct s_xdlclass {
34         struct s_xdlclass *next;
35         unsigned long ha;
36         char const *line;
37         long size;
38         long idx;
39         long len1, len2;
40 } xdlclass_t;
41
42 typedef struct s_xdlclassifier {
43         unsigned int hbits;
44         long hsize;
45         xdlclass_t **rchash;
46         chastore_t ncha;
47         xdlclass_t **rcrecs;
48         long alloc;
49         long count;
50         long flags;
51 } xdlclassifier_t;
52
53
54
55
56 static int xdl_init_classifier(xdlclassifier_t *cf, long size, long flags);
57 static void xdl_free_classifier(xdlclassifier_t *cf);
58 static int xdl_classify_record(unsigned int pass, xdlclassifier_t *cf, xrecord_t **rhash,
59                                unsigned int hbits, xrecord_t *rec);
60 static int xdl_prepare_ctx(unsigned int pass, mmfile_t *mf, long narec, xpparam_t const *xpp,
61                            xdlclassifier_t *cf, xdfile_t *xdf);
62 static void xdl_free_ctx(xdfile_t *xdf);
63 static int xdl_clean_mmatch(char const *dis, long i, long s, long e);
64 static int xdl_cleanup_records(xdlclassifier_t *cf, xdfile_t *xdf1, xdfile_t *xdf2);
65 static int xdl_trim_ends(xdfile_t *xdf1, xdfile_t *xdf2);
66 static int xdl_optimize_ctxs(xdlclassifier_t *cf, xdfile_t *xdf1, xdfile_t *xdf2);
67
68
69
70
71 static int xdl_init_classifier(xdlclassifier_t *cf, long size, long flags) {
72         cf->flags = flags;
73
74         cf->hbits = xdl_hashbits((unsigned int) size);
75         cf->hsize = 1 << cf->hbits;
76
77         if (xdl_cha_init(&cf->ncha, sizeof(xdlclass_t), size / 4 + 1) < 0) {
78
79                 return -1;
80         }
81         if (!(cf->rchash = (xdlclass_t **) xdl_malloc(cf->hsize * sizeof(xdlclass_t *)))) {
82
83                 xdl_cha_free(&cf->ncha);
84                 return -1;
85         }
86         memset(cf->rchash, 0, cf->hsize * sizeof(xdlclass_t *));
87
88         cf->alloc = size;
89         if (!(cf->rcrecs = (xdlclass_t **) xdl_malloc(cf->alloc * sizeof(xdlclass_t *)))) {
90
91                 xdl_free(cf->rchash);
92                 xdl_cha_free(&cf->ncha);
93                 return -1;
94         }
95
96         cf->count = 0;
97
98         return 0;
99 }
100
101
102 static void xdl_free_classifier(xdlclassifier_t *cf) {
103
104         xdl_free(cf->rcrecs);
105         xdl_free(cf->rchash);
106         xdl_cha_free(&cf->ncha);
107 }
108
109
110 static int xdl_classify_record(unsigned int pass, xdlclassifier_t *cf, xrecord_t **rhash,
111                                unsigned int hbits, xrecord_t *rec) {
112         long hi;
113         char const *line;
114         xdlclass_t *rcrec;
115         xdlclass_t **rcrecs;
116
117         line = rec->ptr;
118         hi = (long) XDL_HASHLONG(rec->ha, cf->hbits);
119         for (rcrec = cf->rchash[hi]; rcrec; rcrec = rcrec->next)
120                 if (rcrec->ha == rec->ha &&
121                                 xdl_recmatch(rcrec->line, rcrec->size,
122                                         rec->ptr, rec->size, cf->flags))
123                         break;
124
125         if (!rcrec) {
126                 if (!(rcrec = xdl_cha_alloc(&cf->ncha))) {
127
128                         return -1;
129                 }
130                 rcrec->idx = cf->count++;
131                 if (cf->count > cf->alloc) {
132                         cf->alloc *= 2;
133                         if (!(rcrecs = (xdlclass_t **) xdl_realloc(cf->rcrecs, cf->alloc * sizeof(xdlclass_t *)))) {
134
135                                 return -1;
136                         }
137                         cf->rcrecs = rcrecs;
138                 }
139                 cf->rcrecs[rcrec->idx] = rcrec;
140                 rcrec->line = line;
141                 rcrec->size = rec->size;
142                 rcrec->ha = rec->ha;
143                 rcrec->len1 = rcrec->len2 = 0;
144                 rcrec->next = cf->rchash[hi];
145                 cf->rchash[hi] = rcrec;
146         }
147
148         (pass == 1) ? rcrec->len1++ : rcrec->len2++;
149
150         rec->ha = (unsigned long) rcrec->idx;
151
152         hi = (long) XDL_HASHLONG(rec->ha, hbits);
153         rec->next = rhash[hi];
154         rhash[hi] = rec;
155
156         return 0;
157 }
158
159
160 static int xdl_prepare_ctx(unsigned int pass, mmfile_t *mf, long narec, xpparam_t const *xpp,
161                            xdlclassifier_t *cf, xdfile_t *xdf) {
162         unsigned int hbits;
163         long nrec, hsize, bsize;
164         unsigned long hav;
165         char const *blk, *cur, *top, *prev;
166         xrecord_t *crec;
167         xrecord_t **recs, **rrecs;
168         xrecord_t **rhash;
169         unsigned long *ha;
170         char *rchg;
171         long *rindex;
172
173         ha = NULL;
174         rindex = NULL;
175         rchg = NULL;
176         rhash = NULL;
177         recs = NULL;
178
179         if (xdl_cha_init(&xdf->rcha, sizeof(xrecord_t), narec / 4 + 1) < 0)
180                 goto abort;
181         if (!(recs = (xrecord_t **) xdl_malloc(narec * sizeof(xrecord_t *))))
182                 goto abort;
183
184         if (XDF_DIFF_ALG(xpp->flags) == XDF_HISTOGRAM_DIFF)
185                 hbits = hsize = 0;
186         else {
187                 hbits = xdl_hashbits((unsigned int) narec);
188                 hsize = 1 << hbits;
189                 if (!(rhash = (xrecord_t **) xdl_malloc(hsize * sizeof(xrecord_t *))))
190                         goto abort;
191                 memset(rhash, 0, hsize * sizeof(xrecord_t *));
192         }
193
194         nrec = 0;
195         if ((cur = blk = xdl_mmfile_first(mf, &bsize)) != NULL) {
196                 for (top = blk + bsize; cur < top; ) {
197                         prev = cur;
198                         hav = xdl_hash_record(&cur, top, xpp->flags);
199                         if (nrec >= narec) {
200                                 narec *= 2;
201                                 if (!(rrecs = (xrecord_t **) xdl_realloc(recs, narec * sizeof(xrecord_t *))))
202                                         goto abort;
203                                 recs = rrecs;
204                         }
205                         if (!(crec = xdl_cha_alloc(&xdf->rcha)))
206                                 goto abort;
207                         crec->ptr = prev;
208                         crec->size = (long) (cur - prev);
209                         crec->ha = hav;
210                         recs[nrec++] = crec;
211
212                         if ((XDF_DIFF_ALG(xpp->flags) != XDF_HISTOGRAM_DIFF) &&
213                             xdl_classify_record(pass, cf, rhash, hbits, crec) < 0)
214                                 goto abort;
215                 }
216         }
217
218         if (!(rchg = (char *) xdl_malloc((nrec + 2) * sizeof(char))))
219                 goto abort;
220         memset(rchg, 0, (nrec + 2) * sizeof(char));
221
222         if (!(rindex = (long *) xdl_malloc((nrec + 1) * sizeof(long))))
223                 goto abort;
224         if (!(ha = (unsigned long *) xdl_malloc((nrec + 1) * sizeof(unsigned long))))
225                 goto abort;
226
227         xdf->nrec = nrec;
228         xdf->recs = recs;
229         xdf->hbits = hbits;
230         xdf->rhash = rhash;
231         xdf->rchg = rchg + 1;
232         xdf->rindex = rindex;
233         xdf->nreff = 0;
234         xdf->ha = ha;
235         xdf->dstart = 0;
236         xdf->dend = nrec - 1;
237
238         return 0;
239
240 abort:
241         xdl_free(ha);
242         xdl_free(rindex);
243         xdl_free(rchg);
244         xdl_free(rhash);
245         xdl_free(recs);
246         xdl_cha_free(&xdf->rcha);
247         return -1;
248 }
249
250
251 static void xdl_free_ctx(xdfile_t *xdf) {
252
253         xdl_free(xdf->rhash);
254         xdl_free(xdf->rindex);
255         xdl_free(xdf->rchg - 1);
256         xdl_free(xdf->ha);
257         xdl_free(xdf->recs);
258         xdl_cha_free(&xdf->rcha);
259 }
260
261
262 int xdl_prepare_env(mmfile_t *mf1, mmfile_t *mf2, xpparam_t const *xpp,
263                     xdfenv_t *xe) {
264         long enl1, enl2, sample;
265         xdlclassifier_t cf;
266
267         memset(&cf, 0, sizeof(cf));
268
269         /*
270          * For histogram diff, we can afford a smaller sample size and
271          * thus a poorer estimate of the number of lines, as the hash
272          * table (rhash) won't be filled up/grown. The number of lines
273          * (nrecs) will be updated correctly anyway by
274          * xdl_prepare_ctx().
275          */
276         sample = (XDF_DIFF_ALG(xpp->flags) == XDF_HISTOGRAM_DIFF
277                   ? XDL_GUESS_NLINES2 : XDL_GUESS_NLINES1);
278
279         enl1 = xdl_guess_lines(mf1, sample) + 1;
280         enl2 = xdl_guess_lines(mf2, sample) + 1;
281
282         if (XDF_DIFF_ALG(xpp->flags) != XDF_HISTOGRAM_DIFF &&
283             xdl_init_classifier(&cf, enl1 + enl2 + 1, xpp->flags) < 0)
284                 return -1;
285
286         if (xdl_prepare_ctx(1, mf1, enl1, xpp, &cf, &xe->xdf1) < 0) {
287
288                 xdl_free_classifier(&cf);
289                 return -1;
290         }
291         if (xdl_prepare_ctx(2, mf2, enl2, xpp, &cf, &xe->xdf2) < 0) {
292
293                 xdl_free_ctx(&xe->xdf1);
294                 xdl_free_classifier(&cf);
295                 return -1;
296         }
297
298         if ((XDF_DIFF_ALG(xpp->flags) != XDF_PATIENCE_DIFF) &&
299             (XDF_DIFF_ALG(xpp->flags) != XDF_HISTOGRAM_DIFF) &&
300             xdl_optimize_ctxs(&cf, &xe->xdf1, &xe->xdf2) < 0) {
301
302                 xdl_free_ctx(&xe->xdf2);
303                 xdl_free_ctx(&xe->xdf1);
304                 return -1;
305         }
306
307         if (!(xpp->flags & XDF_HISTOGRAM_DIFF))
308                 xdl_free_classifier(&cf);
309
310         return 0;
311 }
312
313
314 void xdl_free_env(xdfenv_t *xe) {
315
316         xdl_free_ctx(&xe->xdf2);
317         xdl_free_ctx(&xe->xdf1);
318 }
319
320
321 static int xdl_clean_mmatch(char const *dis, long i, long s, long e) {
322         long r, rdis0, rpdis0, rdis1, rpdis1;
323
324         /*
325          * Limits the window the is examined during the similar-lines
326          * scan. The loops below stops when dis[i - r] == 1 (line that
327          * has no match), but there are corner cases where the loop
328          * proceed all the way to the extremities by causing huge
329          * performance penalties in case of big files.
330          */
331         if (i - s > XDL_SIMSCAN_WINDOW)
332                 s = i - XDL_SIMSCAN_WINDOW;
333         if (e - i > XDL_SIMSCAN_WINDOW)
334                 e = i + XDL_SIMSCAN_WINDOW;
335
336         /*
337          * Scans the lines before 'i' to find a run of lines that either
338          * have no match (dis[j] == 0) or have multiple matches (dis[j] > 1).
339          * Note that we always call this function with dis[i] > 1, so the
340          * current line (i) is already a multimatch line.
341          */
342         for (r = 1, rdis0 = 0, rpdis0 = 1; (i - r) >= s; r++) {
343                 if (!dis[i - r])
344                         rdis0++;
345                 else if (dis[i - r] == 2)
346                         rpdis0++;
347                 else
348                         break;
349         }
350         /*
351          * If the run before the line 'i' found only multimatch lines, we
352          * return 0 and hence we don't make the current line (i) discarded.
353          * We want to discard multimatch lines only when they appear in the
354          * middle of runs with nomatch lines (dis[j] == 0).
355          */
356         if (rdis0 == 0)
357                 return 0;
358         for (r = 1, rdis1 = 0, rpdis1 = 1; (i + r) <= e; r++) {
359                 if (!dis[i + r])
360                         rdis1++;
361                 else if (dis[i + r] == 2)
362                         rpdis1++;
363                 else
364                         break;
365         }
366         /*
367          * If the run after the line 'i' found only multimatch lines, we
368          * return 0 and hence we don't make the current line (i) discarded.
369          */
370         if (rdis1 == 0)
371                 return 0;
372         rdis1 += rdis0;
373         rpdis1 += rpdis0;
374
375         return rpdis1 * XDL_KPDIS_RUN < (rpdis1 + rdis1);
376 }
377
378
379 /*
380  * Try to reduce the problem complexity, discard records that have no
381  * matches on the other file. Also, lines that have multiple matches
382  * might be potentially discarded if they happear in a run of discardable.
383  */
384 static int xdl_cleanup_records(xdlclassifier_t *cf, xdfile_t *xdf1, xdfile_t *xdf2) {
385         long i, nm, nreff, mlim;
386         xrecord_t **recs;
387         xdlclass_t *rcrec;
388         char *dis, *dis1, *dis2;
389
390         if (!(dis = (char *) xdl_malloc(xdf1->nrec + xdf2->nrec + 2))) {
391
392                 return -1;
393         }
394         memset(dis, 0, xdf1->nrec + xdf2->nrec + 2);
395         dis1 = dis;
396         dis2 = dis1 + xdf1->nrec + 1;
397
398         if ((mlim = xdl_bogosqrt(xdf1->nrec)) > XDL_MAX_EQLIMIT)
399                 mlim = XDL_MAX_EQLIMIT;
400         for (i = xdf1->dstart, recs = &xdf1->recs[xdf1->dstart]; i <= xdf1->dend; i++, recs++) {
401                 rcrec = cf->rcrecs[(*recs)->ha];
402                 nm = rcrec ? rcrec->len2 : 0;
403                 dis1[i] = (nm == 0) ? 0: (nm >= mlim) ? 2: 1;
404         }
405
406         if ((mlim = xdl_bogosqrt(xdf2->nrec)) > XDL_MAX_EQLIMIT)
407                 mlim = XDL_MAX_EQLIMIT;
408         for (i = xdf2->dstart, recs = &xdf2->recs[xdf2->dstart]; i <= xdf2->dend; i++, recs++) {
409                 rcrec = cf->rcrecs[(*recs)->ha];
410                 nm = rcrec ? rcrec->len1 : 0;
411                 dis2[i] = (nm == 0) ? 0: (nm >= mlim) ? 2: 1;
412         }
413
414         for (nreff = 0, i = xdf1->dstart, recs = &xdf1->recs[xdf1->dstart];
415              i <= xdf1->dend; i++, recs++) {
416                 if (dis1[i] == 1 ||
417                     (dis1[i] == 2 && !xdl_clean_mmatch(dis1, i, xdf1->dstart, xdf1->dend))) {
418                         xdf1->rindex[nreff] = i;
419                         xdf1->ha[nreff] = (*recs)->ha;
420                         nreff++;
421                 } else
422                         xdf1->rchg[i] = 1;
423         }
424         xdf1->nreff = nreff;
425
426         for (nreff = 0, i = xdf2->dstart, recs = &xdf2->recs[xdf2->dstart];
427              i <= xdf2->dend; i++, recs++) {
428                 if (dis2[i] == 1 ||
429                     (dis2[i] == 2 && !xdl_clean_mmatch(dis2, i, xdf2->dstart, xdf2->dend))) {
430                         xdf2->rindex[nreff] = i;
431                         xdf2->ha[nreff] = (*recs)->ha;
432                         nreff++;
433                 } else
434                         xdf2->rchg[i] = 1;
435         }
436         xdf2->nreff = nreff;
437
438         xdl_free(dis);
439
440         return 0;
441 }
442
443
444 /*
445  * Early trim initial and terminal matching records.
446  */
447 static int xdl_trim_ends(xdfile_t *xdf1, xdfile_t *xdf2) {
448         long i, lim;
449         xrecord_t **recs1, **recs2;
450
451         recs1 = xdf1->recs;
452         recs2 = xdf2->recs;
453         for (i = 0, lim = XDL_MIN(xdf1->nrec, xdf2->nrec); i < lim;
454              i++, recs1++, recs2++)
455                 if ((*recs1)->ha != (*recs2)->ha)
456                         break;
457
458         xdf1->dstart = xdf2->dstart = i;
459
460         recs1 = xdf1->recs + xdf1->nrec - 1;
461         recs2 = xdf2->recs + xdf2->nrec - 1;
462         for (lim -= i, i = 0; i < lim; i++, recs1--, recs2--)
463                 if ((*recs1)->ha != (*recs2)->ha)
464                         break;
465
466         xdf1->dend = xdf1->nrec - i - 1;
467         xdf2->dend = xdf2->nrec - i - 1;
468
469         return 0;
470 }
471
472
473 static int xdl_optimize_ctxs(xdlclassifier_t *cf, xdfile_t *xdf1, xdfile_t *xdf2) {
474
475         if (xdl_trim_ends(xdf1, xdf2) < 0 ||
476             xdl_cleanup_records(cf, xdf1, xdf2) < 0) {
477
478                 return -1;
479         }
480
481         return 0;
482 }