source: tags/ms_r17q3/ARBDB/adoptimize.cxx

Last change on this file was 15640, checked in by westram, 8 years ago
  • Property svn:eol-style set to native
  • Property svn:keywords set to Author Date Id Revision
File size: 94.4 KB
Line 
1// =============================================================== //
2//                                                                 //
3//   File      : adoptimize.cxx                                    //
4//   Purpose   :                                                   //
5//                                                                 //
6//   Institute of Microbiology (Technical University Munich)       //
7//   http://www.arb-home.de/                                       //
8//                                                                 //
9// =============================================================== //
10
11#include <climits>
12#include <netinet/in.h>
13
14#include <arb_file.h>
15#include <arb_diff.h>
16
17#include <arbdbt.h>
18
19#include "gb_key.h"
20#include "gb_compress.h"
21#include "gb_dict.h"
22
23#include "arb_progress.h"
24
25#if defined(DEBUG)
26// #define TEST_DICT
27#endif // DEBUG
28
29typedef unsigned char        unsigned_char;
30typedef unsigned char       *u_str;
31typedef const unsigned char *cu_str;
32
33static int gbdByKey_cnt;
34struct O_gbdByKey { // one for each diff. keyQuark
35    int      cnt;
36    GBDATA **gbds;              // gbdoff
37};
38
39struct FullDictTree;
40struct SingleDictTree;
41
42union DictTree {
43    FullDictTree   *full;
44    SingleDictTree *single;
45    void           *exists;
46
47};
48
49enum DictNodeType { SINGLE_NODE, FULL_NODE };
50
51struct FullDictTree {
52    DictNodeType typ;           // always FULL_NODE
53    int          usedSons;
54    int          count[256];
55    DictTree     son[256];      // index == character
56};
57
58struct SingleDictTree {
59    DictNodeType  typ;          // always SINGLE_NODE
60    unsigned_char ch;           // the character
61    int           count;        // no of occurrences of this branch
62    DictTree      son;
63    DictTree      brother;
64
65};
66
67// **************************************************
68
69#define COMPRESSIBLE(type) ((type) >= GB_BYTES && (type)<=GB_STRING)
70#define DICT_MEM_WEIGHT    4
71
72#define WORD_HELPFUL(wordlen, occurrences)      ((long)((occurrences)*3 + DICT_MEM_WEIGHT*(2*sizeof(GB_NINT)+(wordlen))) \
73                                                 < \
74                                                 (long)((occurrences)*(wordlen)))
75/* (occurrences)*4                      compressed size
76 * 2*sizeof(GB_NINT)+(wordlen)          size in dictionary
77 * (occurrences)*(wordlen)              uncompressed size
78 */
79
80// **************************************************
81
82#define MIN_WORD_LEN    8       // minimum length of words in dictionary
83#define MAX_WORD_LEN    50      // maximum length of words in dictionary
84#define MAX_BROTHERS    10      /* maximum no of brothers linked with SingleDictTree
85                                 * above we use FullDictTree */
86#define MAX_DIFFER       2      /* percentage of difference (of occurrences of strings) below which two
87                                 * consecutive parts are treated as EQUAL # of occurrences */
88#define INCR_DIFFER      1      // the above percentage is incremented from 0 to MAX_DIFFER by INCR_DIFFER per step
89
90#define DICT_STRING_INCR 1024   // dictionary string will be incremented by this size
91
92// ******************* Tool functions ******************
93
94inline cu_str get_data_n_size(GBDATA *gbd, size_t *size) {
95    GB_CSTR data;
96    *size = 0;
97
98    switch (gbd->type()) {
99        case GB_STRING: data = GB_read_char_pntr(gbd); break;
100        case GB_BYTES:  data = GB_read_bytes_pntr(gbd); break;
101        case GB_INTS:   data = (char*)GB_read_ints_pntr(gbd); break;
102        case GB_FLOATS: data = (char*)GB_read_floats_pntr(gbd); break;
103        default:
104            data = 0;
105            gb_assert(0);
106            break;
107    }
108
109    if (data) *size = gbd->as_entry()->uncompressed_size();
110    return (cu_str)data;
111}
112
113static inline long min(long a, long b) {
114    return a<b ? a : b;
115}
116
117// **************************************************
118
119static void g_b_opti_scanGbdByKey(GB_MAIN_TYPE *Main, GBDATA *gbd, O_gbdByKey *gbk) {
120    if (gbd->is_container()) {
121        GBCONTAINER *gbc = gbd->as_container();
122        for (int idx=0; idx < gbc->d.nheader; idx++) {
123            GBDATA *gbd2 = GBCONTAINER_ELEM(gbc, idx);
124            if (gbd2) g_b_opti_scanGbdByKey(Main, gbd2, gbk);
125        }
126    }
127
128    GBQUARK quark = GB_KEY_QUARK(gbd);
129    if (quark)
130    {
131        gb_assert(gbk[quark].cnt < Main->keys[quark].nref || quark==0);
132        gb_assert(gbk[quark].gbds != 0);
133
134        gbk[quark].gbds[gbk[quark].cnt] = gbd;
135        gbk[quark].cnt++;
136    }
137}
138
139static O_gbdByKey *g_b_opti_createGbdByKey(GB_MAIN_TYPE *Main)
140{
141    O_gbdByKey *gbk = ARB_calloc<O_gbdByKey>(Main->keycnt);
142
143    gbdByKey_cnt = Main->keycnt; // always use gbdByKey_cnt instead of Main->keycnt cause Main->keycnt can change
144
145    for (int idx=1; idx<gbdByKey_cnt; idx++) {
146        gbk[idx].cnt = 0;
147
148        gb_Key& KEY = Main->keys[idx];
149        if (KEY.key && KEY.nref>0) {
150            ARB_calloc(gbk[idx].gbds, KEY.nref);
151        }
152        else {
153            gbk[idx].gbds = NULL;
154        }
155    }
156
157    gbk[0].cnt  = 0;
158    ARB_calloc(gbk[0].gbds, 1);
159
160    g_b_opti_scanGbdByKey(Main, Main->gb_main(), gbk);
161
162    for (int idx=0; idx<gbdByKey_cnt; idx++) {
163        if (gbk[idx].cnt != Main->keys[idx].nref && idx)
164        {
165            printf("idx=%i gbk[idx].cnt=%i Main->keys[idx].nref=%li\n",             // Main->keys[].nref ist falsch
166                   idx, gbk[idx].cnt, Main->keys[idx].nref);
167
168            Main->keys[idx].nref = gbk[idx].cnt;
169        }
170    }
171    return gbk;
172}
173
174static void g_b_opti_freeGbdByKey(O_gbdByKey *gbk) {
175    for (int idx=0; idx<gbdByKey_cnt; idx++) free(gbk[idx].gbds);
176    free(gbk);
177}
178
179// ******************* Convert old compression style to new style ******************
180
181static GB_ERROR gb_convert_compression(GBDATA *gbd) {
182    GB_ERROR error = 0;
183
184    if (gbd->is_container()) {
185        for (GBDATA *gb_child = GB_child(gbd); gb_child; gb_child = GB_nextChild(gb_child)) {
186            if (gb_child->flags.compressed_data || gb_child->is_container()) {
187                error = gb_convert_compression(gb_child);
188                if (error) break;
189            }
190        }
191    }
192    else {
193        char    *str        = 0;
194        GBENTRY *gbe        = gbd->as_entry();
195        long     elems      = gbe->size();
196        size_t   data_size  = gbe->uncompressed_size();
197        size_t   new_size   = -1;
198        int      expectData = 1;
199
200        switch (gbd->type()) {
201            case GB_STRING:
202            case GB_OBSOLETE:
203            case GB_BYTES:
204                str = gb_uncompress_bytes(gbe->data(), data_size, &new_size);
205                if (str) {
206                    gb_assert(new_size == data_size);
207                    str = GB_memdup(str, data_size);
208                }
209                break;
210
211            case GB_INTS:
212            case GB_FLOATS:
213                str = gb_uncompress_longs_old(gbe->data(), elems, &new_size);
214                if (str) {
215                    gb_assert(new_size == data_size);
216                    str = GB_memdup(str, data_size);
217                }
218                break;
219
220            default:
221                expectData = 0;
222                break;
223        }
224
225        if (!str) {
226            if (expectData) {
227                error = GBS_global_string("Can't read old data to convert compression (Reason: %s)", GB_await_error());
228            }
229        }
230        else {
231            switch (gbd->type()) {
232                case GB_STRING:
233                    error             = GB_write_string(gbe, "");
234                    if (!error) error = GB_write_string(gbe, str);
235                    break;
236
237                case GB_OBSOLETE:
238                    error = GB_set_temporary(gbe); // exclude obsolete type from next save
239                    break;
240
241                case GB_BYTES:
242                    error             = GB_write_bytes(gbe, "", 0);
243                    if (!error) error = GB_write_bytes(gbe, str, data_size);
244                    break;
245
246                case GB_INTS:
247                case GB_FLOATS:
248                    error = GB_write_pntr(gbe, str, data_size, elems);
249                    break;
250
251                default:
252                    gb_assert(0);
253                    break;
254            }
255
256            free(str);
257        }
258    }
259    return error;
260}
261
262GB_ERROR gb_convert_V2_to_V3(GBDATA *gb_main) {
263    GB_ERROR  error     = 0;
264    GBDATA   *gb_system = GB_search(gb_main, GB_SYSTEM_FOLDER, GB_FIND);
265
266    if (!gb_system) {
267        GB_create_container(gb_main, GB_SYSTEM_FOLDER);
268        if (GB_entry(gb_main, "extended_data")) {
269            GB_warning("Converting data from old V2.0 to V2.1 Format:\n"
270                       " Please Wait (may take some time)");
271        }
272        error = gb_convert_compression(gb_main);
273        GB_disable_quicksave(gb_main, "Database converted to new format");
274    }
275    return error;
276}
277
278
279// ********************* Compress by dictionary ********************
280
281
282/* compression tag format:
283 *
284 * unsigned int compressed:1;
285 *     if compressed==0:
286 *         unsigned int last:1;         ==1 -> this is the last block
287 *         unsigned int len:6;          length of uncompressible bytes
288 *         char[len];
289 *     if compressed==1:
290 *         unsigned int idxlen:1;       ==0 -> 10-bit index
291 *                                      ==1 -> 18-bit index
292 *         unsigned int idxhigh:2;      the 2 highest bits of the index
293 *         unsigned int len:4;          (length of word) - (MIN_COMPR_WORD_LEN-1)
294 *         if len==0:
295 *             char extralen;           (length of word) -
296 *         char[idxlen+1];              index (low,high)
297 *
298 *     tag == 64 -> end of dictionary compressed block (if not coded in last uncompressed block)
299 */
300
301inline int INDEX_DICT_OFFSET(int idx, GB_DICTIONARY *dict) {
302    gb_assert(idx<dict->words);
303    return ntohl(dict->offsets[idx]);
304}
305inline int ALPHA_DICT_OFFSET(int idx, GB_DICTIONARY *dict) {
306    int realIndex;
307    gb_assert(idx<dict->words);
308    realIndex = ntohl(dict->resort[idx]);
309    return INDEX_DICT_OFFSET(realIndex, dict);
310}
311
312// #define ALPHA_DICT_OFFSET(i)         ntohl(offset[ntohl(resort[i])])
313// #define INDEX_DICT_OFFSET(i)         ntohl(offset[i])
314
315#define LEN_BITS       4
316#define INDEX_BITS     2
317#define INDEX_LEN_BITS 1
318
319#define LEN_SHIFT       0
320#define INDEX_SHIFT     (LEN_SHIFT+LEN_BITS)
321#define INDEX_LEN_SHIFT (INDEX_SHIFT+INDEX_BITS)
322
323#define BITMASK(bits)   ((1<<(bits))-1)
324#define GETVAL(tag,typ) (((tag)>>typ##_SHIFT)&BITMASK(typ##_BITS))
325
326#define MIN_SHORTLEN 6
327#define MAX_SHORTLEN (BITMASK(LEN_BITS)+MIN_SHORTLEN-1)
328#define MIN_LONGLEN  (MAX_SHORTLEN+1)
329#define MAX_LONGLEN  (MIN_LONGLEN+255)
330
331#define SHORTLEN_DECR (MIN_SHORTLEN-1)               // !! zero is used as flag for long len !!
332#define LONGLEN_DECR  MIN_LONGLEN
333
334#define MIN_COMPR_WORD_LEN MIN_SHORTLEN
335#define MAX_COMPR_WORD_LEN MAX_LONGLEN
336
337#define MAX_SHORT_INDEX BITMASK(INDEX_BITS+8)
338#define MAX_LONG_INDEX  BITMASK(INDEX_BITS+16)
339
340#define LAST_COMPRESSED_BIT 64
341
342#ifdef DEBUG
343# define DUMP_COMPRESSION_TEST  0
344/*      0 = only compression ratio
345 *      1 = + original/compressed/decompressed
346 *      2 = + words used to compress/uncompress
347 *      3 = + matching words in dictionary
348 *      4 = + search of words in dictionary
349 */
350#else
351# define DUMP_COMPRESSION_TEST  0
352#endif
353
354#ifdef DEBUG
355// #define COUNT_CHUNKS
356
357#if defined(COUNT_CHUNKS)
358
359static long uncompressedBlocks[64];
360static long compressedBlocks[MAX_LONGLEN];
361
362static void clearChunkCounters() {
363    int i;
364
365    for (i=0; i<64; i++) uncompressedBlocks[i] = 0;
366    for (i=0; i<MAX_LONGLEN; i++) compressedBlocks[i] = 0;
367}
368
369static void dumpChunkCounters() {
370    int i;
371
372    printf("------------------------------\n" "Uncompressed blocks used:\n");
373    for (i=0; i<64; i++) if (uncompressedBlocks[i]) printf("  size=%i used=%li\n", i, uncompressedBlocks[i]);
374    printf("------------------------------\n" "Words used:\n");
375    for (i=0; i<MAX_LONGLEN; i++) if (compressedBlocks[i]) printf("  size=%i used=%li\n", i, compressedBlocks[i]);
376    printf("------------------------------\n");
377}
378#endif // COUNT_CHUNKS
379
380static cu_str lstr(cu_str s, int len) {
381#define BUFLEN 20000
382    static unsigned_char buf[BUFLEN];
383
384    gb_assert(len<BUFLEN);
385    memcpy(buf, s, len);
386    buf[len] = 0;
387
388    return buf;
389}
390
391#if DUMP_COMPRESSION_TEST>=2
392
393static cu_str dict_word(GB_DICTIONARY *dict, int idx, int len) {
394    return lstr(dict->text+INDEX_DICT_OFFSET(idx, dict), len);
395}
396
397#endif
398
399#if DUMP_COMPRESSION_TEST>=1
400
401static void dumpBinary(u_str data, long size) {
402#define PER_LINE 12
403    int cnt = 0;
404
405    while (size--) {
406        unsigned_char c = *data++;
407        int bitval = 128;
408        int bits = 8;
409
410        while (bits--) {
411            putchar(c&bitval ? '1' : '0');
412            bitval>>=1;
413        }
414        putchar(' ');
415
416        cnt = (cnt+1)%PER_LINE;
417        if (!cnt) putchar('\n');
418    }
419
420    if (cnt) putchar('\n');
421}
422
423#endif
424
425#endif
426
427inline int GB_MEMCMP(const void *vm1, const void *vm2, long size) {
428    char *c1 = (char*)vm1,
429        *c2 = (char*)vm2;
430    int diff = 0;
431
432    while (size-- && !diff) diff = *c1++-*c2++;
433    return diff;
434}
435
436// --------------------------------------------------
437
438static int searchWord(GB_DICTIONARY *dict, cu_str source, long size, unsigned long *wordIndex, int *wordLen)
439{
440    int      idx    = -1;
441    int      l      = 0;
442    int      h      = dict->words-1;
443    cu_str   text   = dict->text;
444    GB_NINT *resort = dict->resort;
445    int      dsize  = dict->textlen;
446    int      ilen   = 0;
447
448    while (l<h-1) {
449        int    m        = (l+h)/2;
450        long   off      = ALPHA_DICT_OFFSET(m, dict);
451        cu_str dictword = text+off;
452        long   msize    = min(size, dsize-off);
453
454#if DUMP_COMPRESSION_TEST>=4
455        printf("  %s (%i)\n", lstr(dictword, 20), m);
456#endif
457
458        if (GB_MEMCMP(source, dictword, msize)<=0)      h = m;
459        else                                                            l = m;
460    }
461
462    while (l<=h) {
463        int    off   = ALPHA_DICT_OFFSET(l, dict);
464        cu_str word  = text+off;
465        int    msize = (int)min(size, dsize-off);
466        int    equal = 0;
467        cu_str s     = source;
468
469        while (msize-- && *s++==*word++) equal++;
470
471#if DUMP_COMPRESSION_TEST>=3
472        if (equal>=MIN_COMPR_WORD_LEN) {
473            printf("  EQUAL=%i '%s' (%i->%i, off=%i)", equal, lstr(text+off, equal), l, ntohl(resort[l]), ALPHA_DICT_OFFSET(l, dict));
474            printf(" (context=%s)\n", lstr(text+off-min(off, 20), min(off, 20)+equal+20));
475        }
476#endif
477
478        if (equal>ilen) {
479            ilen = equal;
480            idx  = ntohl(resort[l]);
481            gb_assert(idx<dict->words);
482        }
483
484        l++;
485    }
486
487    *wordIndex = idx;
488    *wordLen = (int)min(ilen, MAX_COMPR_WORD_LEN);
489
490    return idx!=-1 && ilen>=MIN_COMPR_WORD_LEN;
491}
492
493#ifdef DEBUG
494int lookup_DICTIONARY(GB_DICTIONARY *dict, GB_CSTR source) { // used for debugging
495    unsigned long wordIndex;
496    int           wordLen;
497    int           wordFound = searchWord(dict, (cu_str)source, strlen(source), &wordIndex, &wordLen);
498
499    if (wordFound) {
500        printf("'%s' (idx=%lu, off=%i)\n", lstr(dict->text+ntohl(dict->offsets[wordIndex]), wordLen), wordIndex, ntohl(dict->offsets[wordIndex]));
501    }
502
503    return wordFound;
504}
505#endif
506
507
508
509static char *gb_uncompress_by_dictionary_internal(GB_DICTIONARY *dict, /* GBDATA *gbd, */ GB_CSTR s_source, const size_t size, bool append_zero, size_t *new_size) {
510    cu_str source = (cu_str)s_source;
511    u_str  dest;
512    u_str  buffer;
513    cu_str text   = dict->text;
514    int    done   = 0;
515    long   left   = size;
516
517    dest = buffer = (u_str)GB_give_other_buffer(s_source, size+2);
518
519    while (left && !done) {
520        int c;
521
522        if ((c=*source++)&128) { // compressed data
523            int indexLen = GETVAL(c, INDEX_LEN);
524            unsigned long idx = GETVAL(c, INDEX);
525
526            c = GETVAL(c, LEN); // ==wordLen
527            if (c)      c += SHORTLEN_DECR;
528            else        c = *source+++LONGLEN_DECR;
529
530            gb_assert(indexLen>=0 && indexLen<=1);
531
532            if (indexLen==0) {
533                idx = (idx << 8) | *source++;
534            }
535            else {
536                idx = (((idx << 8) | source[1]) << 8) | source[0];
537                source += 2;
538            }
539
540            gb_assert(idx<(GB_ULONG)dict->words);
541
542            {
543                cu_str word = text+INDEX_DICT_OFFSET(idx, dict);
544
545#if DUMP_COMPRESSION_TEST>=2
546                printf("  word='%s' (idx=%lu, off=%li, len=%i)\n",
547                       lstr(word, c), idx, (long)ntohl(dict->offsets[idx]), c);
548#endif
549
550                {
551                    u_str d = dest;
552                    gb_assert(((d + c) <= word) || (d >= (word + c)));
553                    while (c--) *d++ = *word++;
554                    dest = d;
555                }
556            }
557        }
558        else {                  // uncompressed bytes
559            if (c & LAST_COMPRESSED_BIT) {
560                done = 1;
561                c ^= LAST_COMPRESSED_BIT;
562            }
563
564            left -= c;
565            {
566                u_str d = dest;
567                gb_assert(((d + c) <= source) || (d >= (source + c)));
568                while (c--) *d++ = *source++;
569                dest=d;
570            }
571        }
572    }
573
574    if (append_zero) *dest++ = 0;
575
576    *new_size = dest-buffer;
577    gb_assert(size >= *new_size); // buffer overflow
578
579    return (char *)buffer;
580}
581
582char *gb_uncompress_by_dictionary(GBDATA *gbd, GB_CSTR s_source, size_t size, size_t *new_size)
583{
584    GB_DICTIONARY *dict        = gb_get_dictionary(GB_MAIN(gbd), GB_KEY_QUARK(gbd));
585    bool           append_zero = gbd->is_a_string();
586
587    if (!dict) {
588        GB_ERROR error = GBS_global_string("Cannot decompress db-entry '%s' (no dictionary found)\n", GB_get_db_path(gbd));
589        GB_export_error(error);
590        return 0;
591    }
592
593    return gb_uncompress_by_dictionary_internal(dict, s_source, size, append_zero, new_size);
594}
595
596char *gb_compress_by_dictionary(GB_DICTIONARY *dict, GB_CSTR s_source, size_t size, size_t *msize, int last_flag, int search_backward, int search_forward)
597{
598    cu_str source           = (cu_str)s_source;
599    u_str  dest;
600    u_str  buffer;
601    cu_str unknown          = source; // start of uncompressible bytes
602    u_str  lastUncompressed = NULL; // ptr to start of last block of uncompressible bytes (in dest)
603
604#if defined(ASSERTION_USED)
605    const size_t org_size = size;
606#endif                          // ASSERTION_USED
607
608    gb_assert(size>0); // compression of zero-length data fails!
609
610    dest = buffer = (u_str)GB_give_other_buffer((GB_CSTR)source, 1+(size/63+1)+size);
611    *dest++ = GB_COMPRESSION_DICTIONARY | last_flag;
612
613    while (size) {
614        unsigned long wordIndex;
615        int wordLen;
616        int wordFound;
617
618        if ((wordFound = searchWord(dict, source, size, &wordIndex, &wordLen))) {
619            int length;
620
621        takeRest :
622            length = source-unknown;
623
624            if (length) {
625                int shift;
626                int takeShift = 0;
627                int maxShift = (int)min(search_forward, wordLen-1);
628
629                for (shift=1; shift<=maxShift; shift++) {
630                    unsigned long wordIndex2;
631                    int wordLen2;
632                    int wordFound2;
633
634                    if ((wordFound2 = searchWord(dict, source+shift, size-shift, &wordIndex2, &wordLen2))) {
635                        if (wordLen2>(wordLen+shift)) {
636                            wordIndex = wordIndex2;
637                            wordLen = wordLen2;
638                            takeShift = shift;
639                        }
640                    }
641                }
642
643                if (takeShift) {
644                    source += takeShift;
645                    size -= takeShift;
646                    length = source-unknown;
647                }
648            }
649
650            while (length) {    // if there were uncompressible bytes
651                int take = (int)min(length, 63);
652
653#ifdef COUNT_CHUNKS
654                uncompressedBlocks[take]++;
655#endif
656
657                lastUncompressed = dest;
658
659                *dest++ = take; // tag byte
660                memcpy(dest, unknown, take);
661                dest += take;
662                unknown += take;
663                length -= take;
664            }
665
666            gb_assert(unknown==source);
667
668            while (wordFound) { // as long as we find words in dictionary
669                int           indexLen      = wordIndex>MAX_SHORT_INDEX;
670                int           indexHighBits = indexLen==0 ? wordIndex>>8 : wordIndex>>16;
671                int           nextWordFound;
672                int           nextWordLen;
673                unsigned long nextWordIndex;
674
675                gb_assert((long)wordIndex<dict->words);
676                gb_assert((long)wordIndex <= MAX_LONG_INDEX);
677                gb_assert(indexHighBits==(indexHighBits & BITMASK(INDEX_BITS)));
678                gb_assert(wordLen>=MIN_SHORTLEN);
679
680                lastUncompressed = NULL;
681
682                {
683                    cu_str source2 = source+wordLen;
684                    long size2 = size-wordLen;
685
686                    if (!(nextWordFound=searchWord(dict, source+wordLen, size-wordLen, &nextWordIndex, &nextWordLen))) { // no word right afterwards
687                        int shift;
688
689                        for (shift=1; shift<=search_backward && shift<(wordLen-MIN_COMPR_WORD_LEN); shift++) {
690                            // try to cut end of word to get a better result
691                            unsigned long wordIndex2;
692                            int wordLen2;
693                            int wordFound2;
694
695                            if ((wordFound2=searchWord(dict, source2-shift, size2+shift, &wordIndex2, &wordLen2))) {
696                                if (wordLen2>(shift+1)) {
697                                    wordLen -= shift;
698
699                                    nextWordFound = 1;
700                                    nextWordIndex = wordIndex2;
701                                    nextWordLen = wordLen2;
702                                    break;
703                                }
704                            }
705                        }
706                    }
707                }
708
709#ifdef COUNT_CHUNKS
710                compressedBlocks[wordLen]++;
711#endif
712
713#if DUMP_COMPRESSION_TEST>=2
714                printf("  word='%s' (idx=%li, off=%i, len=%i)\n",
715                       dict_word(dict, wordIndex, wordLen), wordIndex, (int)ntohl(dict->offsets[wordIndex]), wordLen);
716#endif
717
718                if (wordLen<=MAX_SHORTLEN) {
719                    *dest++ = 128 |
720                        (indexLen << INDEX_LEN_SHIFT) |
721                        (indexHighBits << INDEX_SHIFT) |
722                        ((wordLen-SHORTLEN_DECR) << LEN_SHIFT);
723                }
724                else {
725                    *dest++ = 128 |
726                        (indexLen << INDEX_LEN_SHIFT) |
727                        (indexHighBits << INDEX_SHIFT);
728                    *dest++ = wordLen-LONGLEN_DECR; // extra length byte
729                }
730
731                *dest++ = (char)wordIndex; // low index byte
732                if (indexLen)
733                    *dest++ = (char)(wordIndex >> 8); // high index byte
734
735                unknown = source += wordLen;
736                size -= wordLen;
737
738                wordFound = nextWordFound;
739                wordIndex = nextWordIndex;
740                wordLen = nextWordLen;
741            }
742        }
743        else {
744            source++;
745            if (--size==0) goto takeRest;
746        }
747    }
748
749    if (lastUncompressed)       *lastUncompressed |= LAST_COMPRESSED_BIT;
750    else                        *dest++ = LAST_COMPRESSED_BIT;
751
752    *msize = dest-buffer;
753
754#if defined(ASSERTION_USED)
755    {
756        size_t  new_size = -1;
757        char   *test     = gb_uncompress_by_dictionary_internal(dict, (GB_CSTR)buffer+1, org_size + GB_COMPRESSION_TAGS_SIZE_MAX, true, &new_size);
758
759        gb_assert(memcmp(test, s_source, org_size) == 0);
760        gb_assert((org_size+1) == new_size);
761    }
762#endif // ASSERTION_USED
763
764    return (char*)buffer;
765}
766
767
768#if defined(TEST_DICT)
769
770static void test_dictionary(GB_DICTIONARY *dict, O_gbdByKey *gbk, long *uncompSum, long *compSum) {
771    long uncompressed_sum = 0;
772    long compressed_sum   = 0;
773
774    long dict_size = (dict->words*2+1)*sizeof(GB_NINT)+dict->textlen;
775
776    long char_count[256];
777    for (int i=0; i<256; i++) char_count[i] = 0;
778
779    printf("  * Testing compression..\n");
780
781#ifdef COUNT_CHUNKS
782    clearChunkCounters();
783#endif
784
785    for (int cnt=0; cnt<gbk->cnt; cnt++) {
786        GBDATA *gbd = gbk->gbds[cnt];
787
788        if (COMPRESSIBLE(gbd->type())) {
789            size_t size;
790            cu_str data = get_data_n_size(gbd, &size);
791
792            if (gbd->is_a_string()) size--;
793            if (size<1) continue;
794
795            u_str copy = (u_str)gbm_get_mem(size, GBM_DICT_INDEX);
796            gb_assert(copy!=0);
797            memcpy(copy, data, size);
798
799#if DUMP_COMPRESSION_TEST>=1
800            printf("----------------------------\n");
801            printf("original    : %3li b = '%s'\n", size, data);
802#endif
803
804            int    last_flag  = 0;
805            size_t compressedSize;
806            u_str  compressed = (u_str)gb_compress_by_dictionary(dict, (GB_CSTR)data, size, &compressedSize, last_flag, 9999, 2);
807
808#if DUMP_COMPRESSION_TEST>=1
809            printf("compressed  : %3li b = '%s'\n", compressedSize, lstr(compressed, compressedSize));
810            dumpBinary(compressed, compressedSize);
811#endif
812
813            for (size_t i=0; i<compressedSize; i++) char_count[compressed[i]]++;
814
815            size_t new_size     = -1;
816            u_str  uncompressed = (u_str)gb_uncompress_by_dictionary(gbd, (char*)compressed+1, size+GB_COMPRESSION_TAGS_SIZE_MAX, &new_size);
817
818#if DUMP_COMPRESSION_TEST>=1
819            printf("copy        : %3li b = '%s'\n", size, lstr(copy, size));
820            printf("decompressed: %3li b = '%s'\n", size, lstr(uncompressed, size));
821#endif
822
823            if (GB_MEMCMP(copy, uncompressed, size)!=0) {
824                int byte = 0;
825
826                while (copy[byte]==uncompressed[byte]) byte++;
827                printf("Error in compression (off=%i, '%s'", byte, lstr(copy+byte, 10));
828                printf("!='%s'\n", lstr(uncompressed+byte, 10));
829            }
830
831            if (compressedSize<size) {
832                uncompressed_sum += size;
833                compressed_sum += compressedSize;
834            }
835            else {
836                uncompressed_sum += size;
837                compressed_sum += size;
838            }
839
840            gbm_free_mem(copy, size, GBM_DICT_INDEX);
841        }
842    }
843
844#ifdef COUNT_CHUNKS
845    dumpChunkCounters();
846#endif
847
848    {
849        long  compressed_plus_dict = compressed_sum+dict_size;
850        char *dict_text            = GBS_global_string_copy("+dict %li b", dict_size);
851        long  ratio                = (compressed_plus_dict*100)/uncompressed_sum;
852
853        printf("    uncompressed size = %10li b\n"
854               "      compressed size = %10li b\n"
855               "    %17s = %10li b (Ratio=%li%%)\n",
856               uncompressed_sum,
857               compressed_sum,
858               dict_text, compressed_plus_dict, ratio);
859
860        free(dict_text);
861    }
862
863    *uncompSum += uncompressed_sum;
864    *compSum   += compressed_sum+dict_size;
865}
866
867#endif // TEST_DICT
868
869
870// ******************* Build dictionary ******************
871
872#ifdef DEBUG
873#define TEST                    // test trees?
874// #define DUMP_TREE // dump trees?
875
876// #define DUMP_EXPAND
877/*
878  #define SELECT_WORDS
879  #define SELECTED_WORDS "oropl"
880*/
881
882# ifdef SELECT_WORDS
883static char *strnstr(char *s1, int len, char *s2) {
884    char c    = *s2;
885    int  len2 = strlen(s2);
886
887    while (len-->=len2) {
888        if (*s1==c) {
889            if (strncmp(s1, s2, len2)==0) return s1;
890        }
891        s1++;
892    }
893
894    return NULL;
895}
896# endif
897
898#ifdef DUMP_TREE
899static void dump_dtree(int deep, DictTree tree)
900{
901    static unsigned_char buffer[1024];
902
903    if (tree.full) {
904        switch (tree.full->typ) {
905            case FULL_NODE: {
906                int idx;
907
908                for (idx=0; idx<256; idx++) {
909                    buffer[deep] = idx;
910                    buffer[deep+1] = 0;
911
912                    if (tree.full->son[idx].exists) dump_dtree(deep+1, tree.full->son[idx]);
913                    else if (tree.full->count[idx]>0) printf(" '%s' (%i) [array]\n", buffer, tree.full->count[idx]);
914                }
915                break;
916            }
917            case SINGLE_NODE: {
918                buffer[deep] = tree.single->ch;
919                buffer[deep+1] = 0;
920
921                if (tree.single->son.exists) dump_dtree(deep+1, tree.single->son);
922                else printf(" '%s' (%i) [single]\n", buffer, tree.single->count);
923
924                if (tree.single->brother.exists) dump_dtree(deep, tree.single->brother);
925                break;
926            }
927        }
928    }
929}
930#endif
931
932#else
933#ifdef DUMP_TREE
934# define dump_dtree(deep, tree)
935#endif
936#endif
937
938#ifdef TEST
939static int testCounts(DictTree tree) {
940    // tests if all inner nodes have correct 'count's
941    int cnt = 0;
942
943    if (tree.exists) {
944        switch (tree.full->typ) {
945            case SINGLE_NODE: {
946                while (tree.exists) {
947                    if (tree.single->son.exists) {
948                        int son_cnt = testCounts(tree.single->son);
949#ifdef COUNT_EQUAL
950                        gb_assert(son_cnt==tree.single->count);
951#else
952                        gb_assert(son_cnt<=tree.single->count);
953#endif
954                    }
955
956                    gb_assert(tree.single->count>0);
957                    cnt += tree.single->count;
958                    tree = tree.single->brother;
959                }
960                break;
961            }
962            case FULL_NODE: {
963                int idx,
964                    sons = 0;
965
966                for (idx=0; idx<256; idx++) {
967                    if (tree.full->son[idx].exists) {
968                        int son_cnt = testCounts(tree.full->son[idx]);
969#ifdef COUNT_EQUAL
970                        gb_assert(son_cnt==tree.full->count[idx]);
971#else
972                        gb_assert(son_cnt<=tree.full->count[idx]);
973#endif
974                        if (tree.full->usedSons)    gb_assert(tree.full->count[idx]>0);
975                        else                        gb_assert(tree.full->count[idx]==0);
976
977                        sons++;
978                    }
979                    else if (tree.full->count[idx]) {
980                        sons++;
981                    }
982
983                    cnt += tree.full->count[idx];
984                }
985
986                gb_assert(sons==tree.full->usedSons);
987                break;
988            }
989        }
990    }
991
992    return cnt;
993}
994
995// #define TEST_MAX_OCCUR_COUNT
996
997#ifdef TEST_MAX_OCCUR_COUNT
998#define MAX_OCCUR_COUNT 600000
999#endif
1000
1001static DictTree test_dtree(DictTree tree)
1002// only correct while tree is under contruction (build_dict_tree())
1003{
1004    if (tree.exists) {
1005        switch (tree.full->typ) {
1006            case SINGLE_NODE: {
1007#if defined(TEST_MAX_OCCUR_COUNT)
1008                gb_assert(tree.single->count<MAX_OCCUR_COUNT);  // quite improbable
1009#endif // TEST_MAX_OCCUR_COUNT
1010
1011                if (tree.single->son.exists) {
1012                    gb_assert(tree.single->count==0);
1013                    test_dtree(tree.single->son);
1014                }
1015                else {
1016                    gb_assert(tree.single->count>0);
1017                }
1018
1019                if (tree.single->brother.exists) test_dtree(tree.single->brother);
1020                break;
1021            }
1022            case FULL_NODE: {
1023                int idx;
1024                int countSons = 0;
1025
1026                for (idx=0; idx<256; idx++) {
1027#if defined(TEST_MAX_OCCUR_COUNT)
1028                    gb_assert(tree.full->count[idx]<MAX_OCCUR_COUNT); // quite improbable
1029#endif // TEST_MAX_OCCUR_COUNT
1030
1031                    if (tree.full->son[idx].exists) {
1032                        gb_assert(tree.full->count[idx]==0);
1033                        test_dtree(tree.full->son[idx]);
1034                        countSons++;
1035                    }
1036                    else {
1037                        gb_assert(tree.full->count[idx]>=0);
1038                        if (tree.full->count[idx]>0)
1039                            countSons++;
1040                    }
1041                }
1042
1043                gb_assert(countSons==tree.full->usedSons);
1044
1045                break;
1046            }
1047        }
1048    }
1049
1050    return tree;
1051}
1052
1053#else
1054# define test_dtree(tree)       // (tree)
1055# define testCounts(tree)       // 0
1056#endif
1057
1058
1059static DictTree new_dtree(cu_str text, long len, long *memcount) {
1060    // creates a new (sub-)tree from 'text' (which has length 'len')
1061    DictTree tree;
1062
1063    if (len) {
1064        SingleDictTree *tail = NULL;
1065        SingleDictTree *head = NULL;
1066
1067        while (len) {
1068            if (tail)   tail = tail->son.single = (SingleDictTree*)gbm_get_mem(sizeof(*tail), GBM_DICT_INDEX);
1069            else        tail = head = (SingleDictTree*)gbm_get_mem(sizeof(*tail), GBM_DICT_INDEX);
1070
1071            (*memcount) += sizeof(*tail);
1072
1073            tail->typ = SINGLE_NODE;
1074            tail->ch = *text++;
1075            len--;
1076
1077            tail->brother.single = NULL;
1078            tail->son.single     = NULL;
1079        }
1080
1081        tail->count = 1;
1082        tree.single = head;
1083    }
1084    else {
1085        tree.single = NULL;
1086    }
1087
1088    return tree;
1089}
1090
1091static DictTree single2full_dtree(DictTree tree, long *memcount) {
1092    if (tree.exists && tree.single->typ==SINGLE_NODE) {
1093        FullDictTree *full = (FullDictTree*)gbm_get_mem(sizeof(*full), GBM_DICT_INDEX);
1094        int idx;
1095
1096        (*memcount) += sizeof(*full);
1097        full->typ = FULL_NODE;
1098        full->usedSons = 0;
1099
1100        for (idx=0; idx<256; idx++) {
1101            full->son[idx].exists = NULL;
1102            full->count[idx] = 0;
1103        }
1104
1105        while (tree.exists) {
1106            SingleDictTree *t = tree.single;
1107
1108            gb_assert(t->typ==SINGLE_NODE);
1109            gb_assert(full->son[t->ch].exists==NULL);
1110
1111            full->son[t->ch] = t->son;
1112            full->count[t->ch] = t->count;
1113            full->usedSons++;
1114
1115            tree.single = t->brother.single;
1116
1117            gbm_free_mem(t, sizeof(*t), GBM_DICT_INDEX);
1118            (*memcount) -= sizeof(*t);
1119        }
1120
1121        tree.full = full;
1122    }
1123
1124    return tree;
1125}
1126
1127static void free_dtree(DictTree tree)
1128{
1129    if (tree.exists) {
1130        switch (tree.full->typ) {
1131            case SINGLE_NODE: {
1132                if (tree.single->son.exists) free_dtree(tree.single->son);
1133                if (tree.single->brother.exists) free_dtree(tree.single->brother);
1134
1135                gbm_free_mem(tree.single, sizeof(*(tree.single)), GBM_DICT_INDEX);
1136                break;
1137            }
1138            case FULL_NODE: {
1139                int idx;
1140
1141                for (idx=0; idx<256; idx++) if (tree.full->son[idx].exists) free_dtree(tree.full->son[idx]);
1142                gbm_free_mem(tree.full, sizeof(*(tree.full)), GBM_DICT_INDEX);
1143                break;
1144            }
1145        }
1146    }
1147}
1148
1149
1150
1151static DictTree cut_dtree(DictTree tree, int cut_count, long *memcount, long *leafcount)
1152/* removes all branches from 'tree' which are referenced less/equal than cut_count
1153 * returns: the reduced tree */
1154{
1155    if (tree.exists) {
1156        switch (tree.full->typ) {
1157            case SINGLE_NODE: {
1158                if (tree.single->son.exists) tree.single->son = cut_dtree(tree.single->son, cut_count, memcount, leafcount);
1159
1160                if (!tree.single->son.exists) { // leaf
1161                    if (tree.single->count<=cut_count) { // leaf with less/equal references
1162                        DictTree brother = tree.single->brother;
1163
1164                        gbm_free_mem(tree.single, sizeof(*tree.single), GBM_DICT_INDEX);
1165                        (*memcount) -= sizeof(*tree.single);
1166                        if (brother.exists) return cut_dtree(brother, cut_count, memcount, leafcount);
1167
1168                        tree.single = NULL;
1169                        break;
1170                    }
1171                    else {
1172                        (*leafcount)++;
1173                    }
1174                }
1175
1176                if (tree.single->brother.exists) tree.single->brother = cut_dtree(tree.single->brother, cut_count, memcount, leafcount);
1177                break;
1178            }
1179            case FULL_NODE: {
1180                int idx;
1181                int count = 0;
1182
1183                for (idx=0; idx<256; idx++) {
1184                    if (tree.full->son[idx].exists) {
1185                        tree.full->son[idx] = cut_dtree(tree.full->son[idx], cut_count, memcount, leafcount);
1186
1187                        if (tree.full->son[idx].exists)         count++;
1188                        else                                                tree.full->count[idx] = 0;
1189                    }
1190                    else if (tree.full->count[idx]>0) {
1191                        if (tree.full->count[idx]<=cut_count) {
1192                            tree.full->count[idx] = 0;
1193                        }
1194                        else {
1195                            count++;
1196                            (*leafcount)++;
1197                        }
1198                    }
1199                }
1200
1201                tree.full->usedSons = count;
1202
1203                if (!count) {           // no more sons
1204                    gbm_free_mem(tree.full, sizeof(*(tree.full)), GBM_DICT_INDEX);
1205                    (*memcount) -= sizeof(*(tree.full));
1206                    tree.exists = NULL;
1207                }
1208
1209                break;
1210            }
1211        }
1212    }
1213
1214    return tree;
1215}
1216static DictTree cut_useless_words(DictTree tree, int deep, long *removed)
1217/* removes/shortens all branches of 'tree' which are not useful for compression
1218 * 'deep' should be zero (incremented by cut_useless_words)
1219 * 'removed' will be set to the # of removed occurrences
1220 * returns: the reduced tree
1221 */
1222{
1223    *removed = 0;
1224
1225    if (tree.exists) {
1226        deep++;
1227
1228        switch (tree.full->typ) {
1229            long removed_single;
1230
1231            case SINGLE_NODE: {
1232                if (tree.single->son.exists) {
1233                    tree.single->son = cut_useless_words(tree.single->son, deep, &removed_single);
1234                    tree.single->count -= removed_single;
1235                    *removed += removed_single;
1236                }
1237
1238                if (!tree.single->son.exists && !WORD_HELPFUL(deep, tree.single->count)) {
1239                    DictTree brother = tree.single->brother;
1240
1241                    *removed += tree.single->count;
1242                    gbm_free_mem(tree.single, sizeof(*tree.single), GBM_DICT_INDEX);
1243
1244                    if (brother.exists) {
1245                        tree = cut_useless_words(brother, deep-1, &removed_single);
1246                        *removed += removed_single;
1247                    }
1248                    else {
1249                        tree.exists = NULL;
1250                    }
1251
1252                    break;
1253                }
1254
1255                if (tree.single->brother.exists) {
1256                    tree.single->brother = cut_useless_words(tree.single->brother, deep-1, &removed_single);
1257                    *removed += removed_single;
1258                }
1259
1260                break;
1261            }
1262            case FULL_NODE: {
1263                int idx;
1264                int count = 0;
1265
1266                for (idx=0; idx<256; idx++) {
1267                    if (tree.full->son[idx].exists) {
1268                        tree.full->son[idx] = cut_useless_words(tree.full->son[idx], deep, &removed_single);
1269                        tree.full->count[idx] -= removed_single;
1270                        *removed += removed_single;
1271                    }
1272
1273                    if (tree.full->son[idx].exists) {
1274                        count++;
1275                    }
1276                    else if (tree.full->count[idx]) {
1277                        if (!WORD_HELPFUL(deep, tree.full->count[idx])) {       // useless!
1278                            *removed += tree.full->count[idx];
1279                            tree.full->count[idx] = 0;
1280                        }
1281                        else {
1282                            count++;
1283                        }
1284                    }
1285                }
1286
1287                tree.full->usedSons = count;
1288
1289                if (!count) {           // no more sons
1290                    gbm_free_mem(tree.full, sizeof(*(tree.full)), GBM_DICT_INDEX);
1291                    tree.exists = NULL;
1292                }
1293
1294                break;
1295            }
1296        }
1297    }
1298
1299    return tree;
1300}
1301
1302static DictTree add_dtree_to_dtree(DictTree toAdd, DictTree to, long *memcount)
1303/* adds 'toAdd' as brother of 'to' (must be leftmost of all SINGLE_NODEs or a FULL_NODE)
1304 * returns: the leftmost of all SINGLE_NODEs or a FULL_NODE
1305 */
1306{
1307    DictTree tree = toAdd;
1308
1309    gb_assert(toAdd.single->typ==SINGLE_NODE);
1310
1311    if (to.exists) {
1312        switch (to.full->typ) {
1313            case SINGLE_NODE: {
1314                SingleDictTree *left = to.single;
1315
1316                gb_assert(left!=0);
1317
1318                if (toAdd.single->ch < to.single->ch) {
1319                    toAdd.single->brother = to;
1320                    return toAdd;
1321                }
1322
1323                while (to.single->brother.exists) {
1324                    if (toAdd.single->ch < to.single->brother.single->ch) {
1325                        toAdd.single->brother = to.single->brother;
1326                        to.single->brother = toAdd;
1327
1328                        tree.single = left;
1329                        return tree;
1330                    }
1331                    to = to.single->brother;
1332                }
1333
1334                to.single->brother = toAdd;
1335                tree.single = left;
1336                break;
1337            }
1338            case FULL_NODE: {
1339                unsigned_char ch = toAdd.single->ch;
1340
1341                gb_assert(to.full->son[ch].exists==NULL);
1342                gb_assert(to.full->count[ch]==0); // if this fails, count must be added & tested
1343                gb_assert(toAdd.single->brother.exists==NULL);
1344
1345                to.full->son[ch] = toAdd.single->son;
1346                to.full->count[ch] = toAdd.single->count;
1347                to.full->usedSons++;
1348
1349                tree = to;
1350
1351                gbm_free_mem(toAdd.single, sizeof(*(toAdd.single)), GBM_DICT_INDEX);
1352                (*memcount) -= sizeof(toAdd.single);
1353
1354                break;
1355            }
1356        }
1357    }
1358
1359    return tree;
1360}
1361
1362static DictTree add_to_dtree(DictTree tree, cu_str text, long len, long *memcount)
1363/* adds the string 'text' (which has length 'len') to 'tree'
1364 * returns: new tree
1365 */
1366{
1367    if (tree.exists) {
1368        switch (tree.full->typ) {
1369            case SINGLE_NODE: {
1370                SingleDictTree *t = tree.single;
1371                int count = 0;
1372
1373                do {
1374                    count++;
1375                    if (t->ch==text[0]) {                               // we found an existing subtree
1376                        if (len>1) {
1377                            t->son = add_to_dtree(t->son, text+1, len-1, memcount);     // add rest of text to subtree
1378                        }
1379                        else {
1380                            gb_assert(len==1);
1381                            gb_assert(t->son.exists==NULL);
1382                            t->count++;
1383                        }
1384
1385                        return count>MAX_BROTHERS ? single2full_dtree(tree, memcount) : tree;
1386                    }
1387                    else if (t->ch > text[0]) {
1388                        break;
1389                    }
1390                }
1391                while ((t=t->brother.single)!=NULL);
1392
1393                tree = add_dtree_to_dtree(new_dtree(text, len, memcount),               // otherwise we create a new subtree
1394                                          count>MAX_BROTHERS ? single2full_dtree(tree, memcount) : tree,
1395                                          memcount);
1396                break;
1397            }
1398            case FULL_NODE: {
1399                unsigned_char ch = text[0];
1400
1401                if (tree.full->son[ch].exists) {
1402                    tree.full->son[ch] = add_to_dtree(tree.full->son[ch], text+1, len-1, memcount);
1403                }
1404                else {
1405                    tree.full->son[ch] = new_dtree(text+1, len-1, memcount);
1406                    if (!tree.full->son[ch].exists) {
1407                        if (tree.full->count[ch]==0) tree.full->usedSons++;
1408                        tree.full->count[ch]++;
1409                    }
1410                    else {
1411                        tree.full->usedSons++;
1412                    }
1413                }
1414                break;
1415            }
1416        }
1417
1418        return tree;
1419    }
1420
1421    return new_dtree(text, len, memcount);
1422}
1423
1424static long calcCounts(DictTree tree)
1425{
1426    long cnt = 0;
1427
1428    gb_assert(tree.exists!=0);
1429
1430    switch (tree.full->typ) {
1431        case SINGLE_NODE: {
1432            while (tree.exists) {
1433                if (tree.single->son.exists) tree.single->count = calcCounts(tree.single->son);
1434                gb_assert(tree.single->count>0);
1435                cnt += tree.single->count;
1436                tree = tree.single->brother;
1437            }
1438            break;
1439        }
1440        case FULL_NODE: {
1441            int idx;
1442
1443            for (idx=0; idx<256; idx++) {
1444                if (tree.full->son[idx].exists) {
1445                    tree.full->count[idx] = calcCounts(tree.full->son[idx]);
1446                    gb_assert(tree.full->count[idx]>0);
1447                }
1448                else {
1449                    gb_assert(tree.full->count[idx]>=0);
1450                }
1451                cnt += tree.full->count[idx];
1452            }
1453            break;
1454        }
1455    }
1456
1457    return cnt;
1458}
1459
1460static int count_dtree_leafs(DictTree tree, int deep, int *maxdeep) {
1461    // returns # of leafs and max. depth of tree
1462    int leafs = 0;
1463
1464    gb_assert(tree.exists!=0);
1465
1466    if (++deep>*maxdeep) *maxdeep = deep;
1467
1468    switch (tree.full->typ) {
1469        case SINGLE_NODE: {
1470            if (tree.single->son.exists)        leafs += count_dtree_leafs(tree.single->son, deep, maxdeep);
1471            else                                            leafs++;
1472            if (tree.single->brother.exists)    leafs += count_dtree_leafs(tree.single->brother, deep, maxdeep);
1473            break;
1474        }
1475        case FULL_NODE: {
1476            int idx;
1477
1478            for (idx=0; idx<256; idx++) {
1479                if (tree.full->son[idx].exists)         leafs += count_dtree_leafs(tree.full->son[idx], deep, maxdeep);
1480                else if (tree.full->count[idx])         leafs++;
1481            }
1482            break;
1483        }
1484    }
1485
1486    return leafs;
1487}
1488
1489static int COUNT(DictTree tree) {
1490    // counts sum of # of occurrences of tree
1491    int cnt = 0;
1492
1493    switch (tree.single->typ) {
1494        case SINGLE_NODE: {
1495            while (tree.exists) {
1496                cnt += tree.single->count;
1497                tree = tree.single->brother;
1498            }
1499            break;
1500        }
1501        case FULL_NODE: {
1502            int idx;
1503
1504            for (idx=0; idx<256; idx++) cnt += tree.full->count[idx];
1505            break;
1506        }
1507    }
1508
1509    return cnt;
1510}
1511
1512static DictTree removeSubsequentString(DictTree *tree_pntr, cu_str buffer, int len, int max_occur) {
1513    /* searches tree for 'buffer' (length='len')
1514     *
1515     * returns  - rest below found string
1516     *            (if found and if the # of occurrences of the string is less/equal than 'max_occur')
1517     *          - NULL otherwise
1518     *
1519     * removes the whole found string from the tree (not only the rest!)
1520     */
1521    DictTree tree = *tree_pntr, rest;
1522    static int restCount;
1523
1524    rest.exists = NULL;
1525
1526    gb_assert(tree.exists!=0);
1527    gb_assert(len>0);
1528
1529    switch (tree.full->typ) {
1530        case SINGLE_NODE: {
1531            while (tree.single->ch <= buffer[0]) {
1532                if (tree.single->ch == buffer[0]) {     // found wanted character
1533                    if (tree.single->son.exists) {
1534                        if (len==1) {
1535                            if (tree.single->count <= max_occur) {
1536                                rest = tree.single->son;
1537                                restCount = COUNT(rest);
1538                                tree.single->son.exists = NULL;
1539                            }
1540                        }
1541                        else {
1542                            rest = removeSubsequentString(&tree.single->son, buffer+1, len-1, max_occur);
1543                        }
1544                    }
1545
1546                    if (rest.exists) { // the string was found
1547                        tree.single->count -= restCount;
1548                        gb_assert(tree.single->count >= 0);
1549
1550                        if (!tree.single->count) { // empty subtree -> delete myself
1551                            DictTree brother = tree.single->brother;
1552
1553                            tree.single->brother.exists = NULL; // elsewise it would be freed by free_dtree
1554                            free_dtree(tree);
1555                            *tree_pntr = tree = brother;
1556                        }
1557                    }
1558
1559                    break;
1560                }
1561
1562                tree_pntr = &(tree.single->brother);
1563                if (!(tree = tree.single->brother).exists) break;
1564            }
1565
1566            break;
1567        }
1568        case FULL_NODE: {
1569            unsigned_char ch;
1570
1571            if (tree.full->son[ch=buffer[0]].exists) {
1572                if (len==1) {
1573                    if (tree.full->count[ch] <= max_occur) {
1574                        rest = tree.full->son[ch];
1575                        restCount = COUNT(rest);
1576                        tree.full->son[ch].exists = NULL;
1577                    }
1578                }
1579                else {
1580                    rest = removeSubsequentString(&tree.full->son[ch], buffer+1, len-1, max_occur);
1581                }
1582
1583                if (rest.exists) {
1584                    gb_assert(restCount>0);
1585                    tree.full->count[ch] -= restCount;
1586                    gb_assert(tree.full->count[ch]>=0);
1587                    if (tree.full->count[ch]==0) {
1588                        gb_assert(tree.full->son[ch].exists==NULL);
1589
1590                        if (--tree.full->usedSons==0) { // last son deleted -> delete myself
1591                            free_dtree(tree);
1592                            tree.exists = NULL;
1593                            *tree_pntr = tree;
1594                        }
1595                    }
1596                }
1597            }
1598
1599            break;
1600        }
1601    }
1602
1603    return rest;
1604}
1605
1606static cu_str memstr(cu_str stringStart, int stringStartLen, cu_str inString, int inStringLen) {
1607    if (!inStringLen) return stringStart; // string of length zero is found everywhere
1608
1609    while (stringStartLen) {
1610        cu_str found = (cu_str)memchr(stringStart, inString[0], stringStartLen);
1611
1612        if (!found) break;
1613
1614        stringStartLen -= found-stringStart;
1615        stringStart = found;
1616
1617        if (stringStartLen<inStringLen) break;
1618
1619        if (GB_MEMCMP(stringStart, inString, inStringLen)==0) return stringStart;
1620
1621        stringStart++;
1622        stringStartLen--;
1623    }
1624
1625    return NULL;
1626}
1627
1628
1629static int expandBranches(u_str buffer, int deep, int minwordlen, int maxdeep, DictTree tree, DictTree root, int max_percent) {
1630    /* expands all branches in 'tree'
1631     *
1632     * this is done by searching every of these branches in 'root' and moving any subsequent parts from there to 'tree'
1633     * (this is only done, if the # of occurrences of the found part does not exceed the # of occurrences of 'tree' more than 'max_percent' percent)
1634     *
1635     *  'buffer'        strings are rebuild here while descending the tree (length of buffer==MAX_WORD_LEN)
1636     *  'deep'          recursion level
1637     *  'maxdeep'       maximum recursion level
1638     *  'minwordlen'    is the length of the words to search (usually equal to MIN_WORD_LEN-1)
1639     *
1640     * returns the # of occurrences which were added to 'tree'
1641     */
1642    int expand = 0;             // calculate count-sum of added subsequent parts
1643
1644    gb_assert(tree.exists!=0);
1645
1646    if (deep<maxdeep) {
1647        switch (tree.full->typ) {
1648            case SINGLE_NODE: {
1649                while (tree.exists) {
1650                    buffer[deep] = tree.single->ch;
1651
1652                    if (!tree.single->son.exists) {
1653                        DictTree rest;
1654                        u_str buf = buffer+1;
1655                        int len = deep;
1656
1657                        if (len>minwordlen) {           // do not search more than MIN_WORD_LEN-1 chars
1658                            buf += len-minwordlen;
1659                            len = minwordlen;
1660                        }
1661
1662                        if (len==minwordlen) {
1663                            cu_str self = memstr(buffer, deep+1, buf, len);
1664
1665                            gb_assert(self!=0);
1666                            if (self==buf)  rest = removeSubsequentString(&root, buf, len, ((100+max_percent)*tree.single->count)/100);
1667                            else            rest.exists = NULL;
1668                        }
1669                        else {
1670                            rest.exists = NULL;
1671                        }
1672
1673                        if (rest.exists) {
1674                            int cnt = COUNT(rest);
1675
1676                            tree.single->son = rest;
1677                            tree.single->count += cnt;
1678                            expand += cnt;
1679#ifdef DUMP_EXPAND
1680#define DUMP_MORE 1
1681                            printf("expanding '%s'", lstr(buffer, deep+1+DUMP_MORE));
1682                            printf(" (searching for '%s') -> found %i nodes\n", lstr(buf, len+DUMP_MORE), cnt);
1683#endif
1684                        }
1685                    }
1686
1687                    if (tree.single->son.exists) {
1688                        int added = expandBranches(buffer, deep+1, minwordlen, maxdeep, tree.single->son, root, max_percent);
1689
1690                        expand += added;
1691                        tree.single->count += added;
1692                    }
1693
1694                    tree = tree.single->brother;
1695                }
1696
1697                break;
1698            }
1699            case FULL_NODE: {
1700                int idx;
1701
1702                for (idx=0; idx<256; idx++) {
1703                    buffer[deep] = idx;
1704
1705                    if (!tree.full->son[idx].exists && tree.full->count[idx]) {  // leaf
1706                        DictTree rest;
1707                        u_str buf = buffer+1;
1708                        int len = deep;
1709
1710                        if (len>minwordlen) {     // do not search more than MIN_WORD_LEN-1 chars
1711                            buf += len-minwordlen;
1712                            len = minwordlen;
1713                        }
1714
1715                        if (len==minwordlen) {
1716                            cu_str self = memstr(buffer, deep+1, buf, len);
1717
1718                            gb_assert(self!=0);
1719                            if (self==buf)
1720                                rest = removeSubsequentString(&root, buf, len, ((100+max_percent)*tree.full->count[idx])/100);
1721                            else
1722                                rest.exists = NULL;
1723                        }
1724                        else {
1725                            rest.exists = NULL;
1726                        }
1727
1728                        if (rest.exists) {      // substring found!
1729                            int cnt = COUNT(rest);
1730
1731                            if (tree.full->count[idx]==0) tree.full->usedSons++;
1732                            tree.full->son[idx] = rest;
1733                            tree.full->count[idx] += cnt;
1734
1735                            expand += cnt;
1736#ifdef DUMP_EXPAND
1737                            printf("expanding '%s'", lstr(buffer, deep+1+DUMP_MORE));
1738                            printf(" (searching for '%s') -> found %i nodes\n", lstr(buf, len+DUMP_MORE), cnt);
1739#endif
1740                        }
1741                    }
1742
1743                    if (tree.full->son[idx].exists) {
1744                        int added = expandBranches(buffer, deep+1, minwordlen, maxdeep, tree.full->son[idx], root, max_percent);
1745
1746                        expand += added;
1747                        tree.full->count[idx] += added;
1748                    }
1749                }
1750
1751                break;
1752            }
1753        }
1754    }
1755
1756    return expand;
1757}
1758
1759static DictTree build_dict_tree(O_gbdByKey *gbk, long maxmem, long maxdeep, size_t minwordlen, long *data_sum)
1760/* builds a tree of the most used words
1761 *
1762 * 'maxmem' is the amount of memory that will be allocated
1763 * 'maxdeep' is the maximum length of the _returned_ words
1764 * 'minwordlen' is the minimum length a word needs to get into the tree
1765 *              this is used in the first pass as maximum tree depth
1766 * 'data_sum' will be set to the overall-size of data of which the tree was built
1767 */
1768{
1769    DictTree tree;
1770    long memcount = 0;
1771    long leafs = 0;
1772
1773    *data_sum = 0;
1774
1775    {
1776        int cnt;
1777        long lowmem = (maxmem*9)/10;
1778        int cut_count = 1;
1779
1780        // Build 8-level-deep tree of all existing words
1781
1782        tree.exists = NULL;             // empty tree
1783
1784        for (cnt=0; cnt<gbk->cnt; cnt++) {
1785            GBDATA *gbd = gbk->gbds[cnt];
1786
1787            if (COMPRESSIBLE(gbd->type())) {
1788                size_t size;
1789                cu_str data = get_data_n_size(gbd, &size);
1790                cu_str lastWord;
1791
1792                if (gbd->is_a_string()) size--;
1793                if (size<minwordlen) continue;
1794
1795                *data_sum += size;
1796                lastWord = data+size-minwordlen;
1797
1798#ifdef SELECT_WORDS
1799                if (strnstr(data, size, SELECTED_WORDS)) // test some words only
1800#endif
1801                {
1802
1803                    for (; data<=lastWord; data++) {
1804                        tree = add_to_dtree(tree, data, minwordlen, &memcount);
1805
1806                        while (memcount>maxmem) {
1807                            leafs = 0;
1808                            tree  = cut_dtree(tree, cut_count, &memcount, &leafs);
1809                            if (memcount<=lowmem) break;
1810                            cut_count++;
1811                        }
1812                    }
1813                }
1814            }
1815        }
1816    }
1817
1818    {
1819        int cutoff = 1;
1820
1821        leafs = 0;
1822        tree  = cut_dtree(tree, cutoff, &memcount, &leafs); // cut all single elements
1823        test_dtree(tree);
1824
1825#if defined(DEBUG)
1826        if (tree.exists) {
1827            int  maxdeep2 = 0;
1828            long counted  = count_dtree_leafs(tree, 0, &maxdeep2);
1829            gb_assert(leafs == counted);
1830        }
1831#endif // DEBUG
1832
1833        // avoid directory overflow (max. 18bit)
1834        while (leafs >= MAX_LONG_INDEX) {
1835            leafs = 0;
1836            ++cutoff;
1837#if defined(DEBUG)
1838            printf("Directory overflow (%li) -- reducing size (cutoff = %i)\n", leafs, cutoff);
1839#endif // DEBUG
1840            tree  = cut_dtree(tree, cutoff, &memcount, &leafs);
1841        }
1842    }
1843#ifdef DUMP_TREE
1844    printf("----------------------- tree with short branches:\n");
1845    dump_dtree(0, tree);
1846    printf("---------------------------\n");
1847#endif
1848
1849    // Try to create longer branches
1850
1851    if (tree.exists) {
1852        int add_count;
1853        u_str buffer = (u_str)gbm_get_mem(maxdeep, GBM_DICT_INDEX);
1854        int max_differ;
1855        long dummy;
1856
1857        if (tree.full->typ != FULL_NODE) tree = single2full_dtree(tree, &memcount);     // ensure root is FULL_NODE
1858
1859        test_dtree(tree);
1860        calcCounts(tree);       // calculate counters of inner nodes
1861        testCounts(tree);
1862
1863        for (max_differ=0; max_differ<=MAX_DIFFER; max_differ+=INCR_DIFFER) { // percent of allowed difference for concatenating tree branches
1864            do {
1865                int idx;
1866                add_count = 0;
1867
1868                for (idx=0; idx<256; idx++) {
1869                    if (tree.full->son[idx].exists) {
1870                        int added;
1871
1872                        buffer[0] = idx;
1873                        added = expandBranches(buffer, 1, minwordlen-1, maxdeep, tree.full->son[idx], tree, max_differ);
1874                        tree.full->count[idx] += added;
1875                        add_count += added;
1876                    }
1877                }
1878            }
1879            while (add_count);
1880        }
1881
1882        gbm_free_mem(buffer, maxdeep, GBM_DICT_INDEX);
1883
1884        tree = cut_useless_words(tree, 0, &dummy);
1885    }
1886
1887#ifdef DUMP_TREE
1888    printf("----------------------- tree with expanded branches:\n");
1889    dump_dtree(0, tree);
1890    printf("-----------------------\n");
1891#endif
1892    testCounts(tree);
1893
1894    return tree;
1895}
1896
1897static DictTree remove_word_from_dtree(DictTree tree, cu_str wordStart, int wordLen, u_str resultBuffer, int *resultLen, long *resultFrequency, long *removed) {
1898    /* searches 'tree' for a word starting with 'wordStart' an removes it from the tree
1899     * if there are more than one possibilities, the returned word will be the one with the most occurrences
1900     * if there was no possibility -> resultLen==0, tree unchanged
1901     * otherwise: resultBuffer contains the word, returns new tree with word removed
1902     */
1903    long removed_single = 0;
1904    gb_assert(tree.exists!=0);
1905    *removed = 0;
1906
1907    if (wordLen) {                      // search wanted path into tree
1908        switch (tree.full->typ) {
1909            case SINGLE_NODE: {
1910                if (tree.single->ch==*wordStart) {
1911                    *resultBuffer = *wordStart;
1912
1913                    if (tree.single->son.exists) {
1914                        gb_assert(tree.single->count>0);
1915                        tree.single->son = remove_word_from_dtree(tree.single->son, wordStart+1, wordLen-1,
1916                                                                  resultBuffer+1, resultLen, resultFrequency,
1917                                                                  &removed_single);
1918                        if (*resultLen) { // word removed
1919                            gb_assert(tree.single->count>=removed_single);
1920                            tree.single->count -= removed_single;
1921                            *removed += removed_single;
1922                            (*resultLen)++;
1923                        }
1924                    }
1925                    else {
1926                        *resultLen = wordLen==1;        // if wordLen==1 -> fully overlapping word found
1927                        *resultFrequency = tree.single->count;
1928                    }
1929
1930                    if (!tree.single->son.exists && *resultLen) {       // if no son and a word was found -> remove branch
1931                        DictTree brother = tree.single->brother;
1932
1933                        *removed += tree.single->count;
1934                        gbm_free_mem(tree.single, sizeof(*tree.single), GBM_DICT_INDEX);
1935
1936                        if (brother.exists)     tree = brother;
1937                        else                            tree.exists = NULL;
1938                    }
1939                }
1940                else if (tree.single->ch < *wordStart  &&  tree.single->brother.exists) {
1941                    tree.single->brother = remove_word_from_dtree(tree.single->brother, wordStart, wordLen,
1942                                                                  resultBuffer, resultLen, resultFrequency,
1943                                                                  &removed_single);
1944                    if (*resultLen) *removed += removed_single;
1945                }
1946                else {
1947                    *resultLen = 0; // not found
1948                }
1949
1950                break;
1951            }
1952            case FULL_NODE: {
1953                unsigned_char ch = *wordStart;
1954                *resultBuffer = ch;
1955
1956                if (tree.full->son[ch].exists) {
1957                    tree.full->son[ch] = remove_word_from_dtree(tree.full->son[ch], wordStart+1, wordLen-1,
1958                                                                resultBuffer+1, resultLen, resultFrequency,
1959                                                                &removed_single);
1960                    if (*resultLen) {
1961                        if (tree.full->son[ch].exists) { // another son?
1962                            tree.full->count[ch] -= removed_single;
1963                        }
1964                        else {  // last son -> remove whole branch
1965                            removed_single = tree.full->count[ch];
1966                            tree.full->count[ch] = 0;
1967                            tree.full->usedSons--;
1968                        }
1969
1970                        *removed += removed_single;
1971                        (*resultLen)++;
1972                    }
1973                }
1974                else if (tree.full->count[ch]) {
1975                    *resultLen = (wordLen==1);
1976
1977                    if (*resultLen) {
1978                        *removed += removed_single = *resultFrequency = tree.full->count[ch];
1979                        tree.full->count[ch] = 0;
1980                        tree.full->usedSons--;
1981                    }
1982                }
1983                else {
1984                    *resultLen = 0; // not found
1985                }
1986
1987                if (!tree.full->usedSons) {
1988                    free_dtree(tree);
1989                    tree.exists = NULL;
1990                }
1991
1992                break;
1993            }
1994        }
1995    }
1996    else {      // take any word
1997        switch (tree.full->typ) {
1998            case SINGLE_NODE: {
1999                *resultBuffer = tree.single->ch;
2000                gb_assert(tree.single->count>0);
2001
2002                if (tree.single->son.exists) {
2003                    tree.single->son = remove_word_from_dtree(tree.single->son, wordStart, wordLen,
2004                                                              resultBuffer+1, resultLen, resultFrequency,
2005                                                              &removed_single);
2006                    gb_assert(*resultLen);
2007                    (*resultLen)++;
2008                }
2009                else {
2010                    *resultLen = 1;
2011                    *resultFrequency = tree.single->count;
2012                    removed_single = tree.single->count;
2013                }
2014
2015                gb_assert(*resultFrequency>0);
2016
2017                if (tree.single->son.exists) {
2018                    gb_assert(tree.single->count>=removed_single);
2019                    tree.single->count -= removed_single;
2020                    *removed += removed_single;
2021                }
2022                else {
2023                    DictTree brother = tree.single->brother;
2024
2025                    *removed += tree.single->count;
2026                    gbm_free_mem(tree.single, sizeof(*tree.single), GBM_DICT_INDEX);
2027
2028                    if (brother.exists) tree = brother;
2029                    else                tree.exists = NULL;
2030                }
2031
2032                break;
2033            }
2034            case FULL_NODE: {
2035                int idx;
2036
2037                for (idx=0; idx<256; idx++) {
2038                    if (tree.full->son[idx].exists) {
2039                        *resultBuffer = idx;
2040                        tree.full->son[idx] = remove_word_from_dtree(tree.full->son[idx], wordStart, wordLen,
2041                                                                     resultBuffer+1, resultLen, resultFrequency,
2042                                                                     &removed_single);
2043                        gb_assert(*resultLen);
2044                        (*resultLen)++;
2045
2046                        if (!tree.full->son[idx].exists) { // son branch removed -> zero count
2047                            removed_single = tree.full->count[idx];
2048                            tree.full->count[idx] = 0;
2049                            tree.full->usedSons--;
2050                        }
2051                        else {
2052                            tree.full->count[idx] -= removed_single;
2053                            gb_assert(tree.full->count[idx]>0);
2054                        }
2055
2056                        break;
2057                    }
2058                    else if (tree.full->count[idx]) {
2059                        *resultBuffer = idx;
2060                        *resultLen = 1;
2061                        *resultFrequency = tree.full->count[idx];
2062                        removed_single = tree.full->count[idx];
2063                        tree.full->count[idx] = 0;
2064                        tree.full->usedSons--;
2065                        break;
2066                    }
2067                }
2068
2069                gb_assert(idx<256); // gb_assert break was used to exit loop (== node had a son)
2070
2071                *removed += removed_single;
2072
2073                if (!tree.full->usedSons) {
2074                    free_dtree(tree);
2075                    tree.exists = NULL;
2076                }
2077
2078                break;
2079            }
2080        }
2081    }
2082
2083#ifdef DEBUG
2084    if (*resultLen) {
2085        gb_assert(*resultLen>0);
2086        gb_assert(*resultFrequency>0);
2087        gb_assert(*resultLen>=wordLen);
2088    }
2089#endif
2090
2091    return tree;
2092}
2093
2094#define cmp(i1, i2)     (heap2[i1]-heap2[i2])
2095#define swap(i1, i2) do                         \
2096    {                                           \
2097        int s = heap[i1];                       \
2098        heap[i1] = heap[i2];                    \
2099        heap[i2] = s;                           \
2100                                                \
2101        s = heap2[i1];                          \
2102        heap2[i1] = heap2[i2];                  \
2103        heap2[i2] = s;                          \
2104    }                                           \
2105    while (0)
2106
2107static void downheap(int *heap, int *heap2, int me, int num) {
2108    int lson = me*2;
2109    int rson = lson+1;
2110
2111    gb_assert(me>=1);
2112    if (lson>num) return;
2113
2114    if (cmp(lson, me)<0) {      // left son smaller than me?  (we sort in descending order!!!)
2115        if (rson<=num && cmp(lson, rson)>0) { // right son smaller than left son?
2116            swap(me, rson);
2117            downheap(heap, heap2, rson, num);
2118        }
2119        else {
2120            swap(me, lson);
2121            downheap(heap, heap2, lson, num);
2122        }
2123    }
2124    else if (rson<=num && cmp(me, rson)>0) { // right son smaller than me?
2125        swap(me, rson);
2126        downheap(heap, heap2, rson, num);
2127    }
2128}
2129
2130#undef cmp
2131#undef swap
2132
2133
2134
2135#define cmp(i1, i2)     GB_MEMCMP(dict->text+dict->offsets[heap[i1]], dict->text+dict->offsets[heap[i2]], dict->textlen)
2136#define swap(i1, i2)    do { int s = heap[i1]; heap[i1] = heap[i2]; heap[i2] = s; } while (0)
2137
2138static void downheap2(int *heap, GB_DICTIONARY *dict, int me, int num) {
2139    int lson = me*2;
2140    int rson = lson+1;
2141
2142    gb_assert(me>=1);
2143    if (lson>num) return;
2144
2145    if (cmp(lson, me)>0) {              // left son bigger than me?
2146        if (rson<=num && cmp(lson, rson)<0) { // right son bigger than left son?
2147            swap(me, rson);
2148            downheap2(heap, dict, rson, num);
2149        }
2150        else {
2151            swap(me, lson);
2152            downheap2(heap, dict, lson, num);
2153        }
2154    }
2155    else if (rson<=num && cmp(me, rson)<0) { // right son bigger than me?
2156        swap(me, rson);
2157        downheap2(heap, dict, rson, num);
2158    }
2159}
2160
2161#undef cmp
2162#undef swap
2163
2164static void sort_dict_offsets(GB_DICTIONARY *dict) {
2165    /* 1. sorts the 'dict->offsets' by frequency
2166     *    (frequency of each offset is stored in the 'dict->resort' with the same index)
2167     * 2. initializes & sorts 'dict->resort' in alphabetic order
2168     */
2169    int  i;
2170    int  num   = dict->words;
2171    int *heap  = dict->offsets-1;
2172    int *heap2 = dict->resort-1;
2173
2174    // sort offsets
2175
2176    for (i=num/2; i>=1; i--) downheap(heap, heap2, i, num);     // make heap
2177
2178    while (num>1) { // sort heap
2179        int big = heap[1];
2180        int big2 = heap2[1];
2181
2182        heap[1] = heap[num];
2183        heap2[1] = heap2[num];
2184
2185        downheap(heap, heap2, 1, num-1);
2186
2187        heap[num] = big;
2188        heap2[num] = big2;
2189
2190        num--;
2191    }
2192
2193    // initialize dict->resort
2194
2195    for (i=0, num=dict->words; i<num; i++) dict->resort[i] = i;
2196
2197    // sort dictionary alphabetically
2198
2199    for (i=num/2; i>=1; i--) downheap2(heap2, dict, i, num);    // make heap
2200
2201    while (num>1) {
2202        int big = heap2[1];
2203
2204        heap2[1] = heap2[num];
2205        downheap2(heap2, dict, 1, num-1);
2206        heap2[num] = big;
2207        num--;
2208    }
2209}
2210
2211// Warning dictionary is not in network byte order !!!!
2212static GB_DICTIONARY *gb_create_dictionary(O_gbdByKey *gbk, long maxmem) {
2213    long     data_sum;
2214    DictTree tree = build_dict_tree(gbk, maxmem, MAX_WORD_LEN, MIN_WORD_LEN, &data_sum);
2215
2216    if (tree.exists) {
2217        GB_DICTIONARY *dict    = (GB_DICTIONARY*)gbm_get_mem(sizeof(*dict), GBM_DICT_INDEX);
2218        int            maxdeep = 0;
2219        int            words   = count_dtree_leafs(tree, 0, &maxdeep);
2220        u_str          word;
2221
2222        int   wordLen;
2223        long  wordFrequency;
2224        int   offset      = 0;          // next free position in dict->text
2225        int   overlap     = 0;          // # of bytes overlapping with last word
2226        u_str buffer;
2227        long  dummy;
2228#if defined(DEBUG)
2229        long  word_sum    = 0;
2230        long  overlap_sum = 0;
2231        long  max_overlap = 0;
2232#endif
2233
2234        // reduce tree as long as it has to many leafs (>MAX_LONG_INDEX)
2235        while (words >= MAX_LONG_INDEX) {
2236
2237            words = count_dtree_leafs(tree, 0, &maxdeep);
2238        }
2239
2240        buffer = (u_str)gbm_get_mem(maxdeep, GBM_DICT_INDEX);
2241
2242        calcCounts(tree);
2243        testCounts(tree);
2244
2245#if DEBUG
2246        printf("    examined data was %li bytes\n", data_sum);
2247        printf("    tree contains %i words *** maximum tree depth = %i\n", words, maxdeep);
2248#endif
2249
2250        dict->words   = 0;
2251        dict->textlen = DICT_STRING_INCR;
2252
2253        dict->text    = (u_str)gbm_get_mem(DICT_STRING_INCR, GBM_DICT_INDEX);
2254        dict->offsets = (GB_NINT*)gbm_get_mem(sizeof(*(dict->offsets))*words, GBM_DICT_INDEX);
2255        dict->resort  = (GB_NINT*)gbm_get_mem(sizeof(*(dict->resort))*words, GBM_DICT_INDEX);
2256
2257        memset(buffer, '*', maxdeep);
2258        tree = remove_word_from_dtree(tree, NULL, 0, buffer, &wordLen, &wordFrequency, &dummy);
2259        testCounts(tree);
2260
2261        while (1) {
2262            int nextWordLen = 0;
2263            int len;
2264
2265#if DUMP_COMPRESSION_TEST>=4
2266            printf("word='%s' (occur=%li overlap=%i)\n", lstr(buffer, wordLen), wordFrequency, overlap);
2267#endif
2268
2269#if defined(DEBUG)
2270            overlap_sum += overlap;
2271            if (overlap>max_overlap) max_overlap = overlap;
2272            word_sum += wordLen;
2273#endif
2274
2275            if (offset-overlap+wordLen > dict->textlen) { // if not enough space allocated -> reallocate dictionary string
2276                u_str ntext = (u_str)gbm_get_mem(dict->textlen+DICT_STRING_INCR, GBM_DICT_INDEX);
2277
2278                memcpy(ntext, dict->text, dict->textlen);
2279                gbm_free_mem(dict->text, dict->textlen, GBM_DICT_INDEX);
2280
2281                dict->text = ntext;
2282                dict->textlen += DICT_STRING_INCR;
2283            }
2284
2285            dict->offsets[dict->words] = offset-overlap;
2286            dict->resort[dict->words] = wordFrequency;                  // temporarily miss-use this to store frequency
2287            dict->words++;
2288
2289            word = dict->text+offset-overlap;
2290            gb_assert(overlap==0 || GB_MEMCMP(word, buffer, overlap)==0); // test overlapping string-part
2291            memcpy(word, buffer, wordLen);                              // word -> dictionary string
2292            offset += wordLen-overlap;
2293
2294            if (!tree.exists) break;
2295
2296            for (len=min(10, wordLen-1); len>=0 && nextWordLen==0; len--) {
2297                memset(buffer, '*', maxdeep);
2298                tree = remove_word_from_dtree(tree, word+wordLen-len, len, buffer, &nextWordLen, &wordFrequency, &dummy);
2299                overlap = len;
2300            }
2301
2302            wordLen = nextWordLen;
2303        }
2304
2305        gb_assert(dict->words <= MAX_LONG_INDEX);
2306        gb_assert(dict->words==words);  /* dict->words == # of words stored in dictionary string
2307                                         * words           == # of words pre-calculated */
2308
2309#if DEBUG
2310        printf("    word_sum=%li overlap_sum=%li (%li%%) max_overlap=%li\n",
2311               word_sum, overlap_sum, (overlap_sum*100)/word_sum, max_overlap);
2312#endif
2313
2314        if (offset<dict->textlen) { // reallocate dict->text if it was allocated too large
2315            u_str ntext = (u_str)gbm_get_mem(offset, GBM_DICT_INDEX);
2316
2317            memcpy(ntext, dict->text, offset);
2318            gbm_free_mem(dict->text, dict->textlen, GBM_DICT_INDEX);
2319
2320            dict->text = ntext;
2321            dict->textlen = offset;
2322        }
2323
2324        sort_dict_offsets(dict);
2325
2326        gbm_free_mem(buffer, maxdeep, GBM_DICT_INDEX);
2327        free_dtree(tree);
2328
2329        return dict;
2330    }
2331
2332    return NULL;
2333}
2334
2335static void gb_free_dictionary(GB_DICTIONARY*& dict) {
2336    gbm_free_mem(dict->text, dict->textlen, GBM_DICT_INDEX);
2337    gbm_free_mem(dict->offsets, sizeof(*(dict->offsets))*dict->words, GBM_DICT_INDEX);
2338    gbm_free_mem(dict->resort, sizeof(*(dict->resort))*dict->words, GBM_DICT_INDEX);
2339
2340    gbm_free_mem(dict, sizeof(*dict), GBM_DICT_INDEX);
2341    dict = NULL;
2342}
2343
2344static GB_ERROR readAndWrite(O_gbdByKey *gbkp, size_t& old_size, size_t& new_size) {
2345    GB_ERROR error = 0;
2346
2347    old_size = 0;
2348    new_size = 0;
2349
2350    for (int i=0; i<gbkp->cnt && !error; i++) {
2351        GBDATA *gbd = gbkp->gbds[i];
2352
2353        if (COMPRESSIBLE(gbd->type())) {
2354            size_t  size;
2355            char   *data;
2356
2357            {
2358                cu_str d  = (cu_str)get_data_n_size(gbd, &size);
2359                old_size += gbd->as_entry()->memsize();
2360
2361                data = (char*)gbm_get_mem(size, GBM_DICT_INDEX);
2362                memcpy(data, d, size);
2363                gb_assert(data[size-1] == 0);
2364            }
2365
2366            switch (gbd->type()) {
2367                case GB_STRING:
2368                    error             = GB_write_string(gbd, "");
2369                    if (!error) error = GB_write_string(gbd, data);
2370                    break;
2371                case GB_BYTES:
2372                    error             = GB_write_bytes(gbd, 0, 0);
2373                    if (!error) error = GB_write_bytes(gbd, data, size);
2374                    break;
2375                case GB_INTS:
2376                    error             = GB_write_ints(gbd, (GB_UINT4 *)0, 0);
2377                    if (!error) error = GB_write_ints(gbd, (GB_UINT4 *)data, size);
2378                    break;
2379                case GB_FLOATS:
2380                    error             = GB_write_floats(gbd, (float*)0, 0);
2381                    if (!error) error = GB_write_floats(gbd, (float*)(void*)data, size);
2382                    break;
2383                default:
2384                    gb_assert(0);
2385                    break;
2386            }
2387
2388            new_size += gbd->as_entry()->memsize();
2389
2390            gbm_free_mem(data, size, GBM_DICT_INDEX);
2391        }
2392    }
2393    return error;
2394}
2395
2396static GB_ERROR gb_create_dictionaries(GB_MAIN_TYPE *Main, long maxmem) {
2397    GB_ERROR error = NULL;
2398#if defined(TEST_DICT)
2399    long uncompressed_sum = 0;
2400    long compressed_sum = 0;
2401#endif // TEST_DICT
2402
2403    printf("Creating GBDATA-Arrays..\n");
2404
2405    if (!error) {
2406        O_gbdByKey *gbk = g_b_opti_createGbdByKey(Main);
2407        int         idx = -1;
2408
2409        printf("Creating dictionaries..\n");
2410
2411#ifdef DEBUG
2412        // #define TEST_ONE // test only key specified below
2413        // #define TEST_SOME // test only some keys specified below
2414#if defined(TEST_ONE)
2415        // select wanted index
2416        for (idx=0; idx<gbdByKey_cnt; idx++) { // title author dew_author ebi_journal name ua_tax date full_name ua_title
2417            if (gbk[idx].cnt && strcmp(quark2key(Main, idx), "tree")==0) break;
2418        }
2419        gb_assert(idx<gbdByKey_cnt);
2420#endif
2421#endif
2422
2423#ifdef TEST_ONE
2424        // only create dictionary for index selected above (no loop)
2425#else
2426        // create dictionaries for all indices (this is the normal operation)
2427        arb_progress progress("Optimizing key data", gbdByKey_cnt-1);
2428        for (idx = gbdByKey_cnt-1; idx >= 1 && !error; --idx, progress.inc_and_check_user_abort(error))
2429#endif
2430
2431        {
2432            GB_DICTIONARY *dict;
2433
2434            GB_CSTR  key_name = quark2key(Main, idx);
2435            GBDATA  *gb_main  = Main->gb_main();
2436
2437#ifdef TEST_SOME
2438            if (!( // add all wanted keys here
2439                  strcmp(key_name, "REF") == 0 ||
2440                  strcmp(key_name, "ref") == 0
2441                  )) continue;
2442#endif                          // TEST_SOME
2443
2444#ifndef TEST_ONE
2445            if (!gbk[idx].cnt) continue; // there are no entries with this quark
2446
2447            GB_TYPES type = gbk[idx].gbds[0]->type();
2448
2449            GB_begin_transaction(gb_main);
2450            int compression_mask = gb_get_compression_mask(Main, idx, type);
2451            GB_commit_transaction(gb_main);
2452
2453            if ((compression_mask & GB_COMPRESSION_DICTIONARY) == 0) continue; // compression with dictionary is not allowed
2454            if (strcmp(key_name, "data")                       == 0) continue;
2455            if (strcmp(key_name, "quality")                    == 0) continue;
2456#endif
2457
2458            printf("- dictionary for '%s' (idx=%i)\n", key_name, idx);
2459            GB_begin_transaction(gb_main);
2460            dict = gb_create_dictionary(&(gbk[idx]), maxmem);
2461
2462            if (dict) {
2463                /* decompress with old dictionary and write
2464                   all data of actual type without compression: */
2465
2466                printf("  * Uncompressing all with old dictionary ...\n");
2467
2468                size_t old_compressed_size;
2469
2470                {
2471                    int& compr_mask     = Main->keys[idx].compression_mask;
2472                    int  old_compr_mask = compr_mask;
2473
2474                    size_t new_size;
2475
2476                    compr_mask &= ~GB_COMPRESSION_DICTIONARY;
2477                    error       = readAndWrite(&gbk[idx], old_compressed_size, new_size);
2478                    compr_mask  = old_compr_mask;
2479                }
2480
2481                if (!error) {
2482                    /* dictionary is saved in the following format:
2483                     *
2484                     * GB_NINT size
2485                     * GB_NINT offsets[dict->words]
2486                     * GB_NINT resort[dict->words]
2487                     * char *text
2488                     */
2489
2490                    int   dict_buffer_size = sizeof(GB_NINT) * (1+dict->words*2) + dict->textlen;
2491                    char *dict_buffer      = (char*)gbm_get_mem(dict_buffer_size, GBM_DICT_INDEX);
2492                    long  old_dict_buffer_size;
2493                    char *old_dict_buffer;
2494
2495                    {
2496                        GB_NINT *nint = (GB_NINT*)dict_buffer;
2497                        int n;
2498
2499                        *nint++ = htonl(dict->words);
2500                        for (n=0; n<dict->words; n++) *nint++ = htonl(dict->offsets[n]);
2501                        for (n=0; n<dict->words; n++) *nint++ = htonl(dict->resort[n]);
2502
2503                        memcpy(nint, dict->text, dict->textlen);
2504                    }
2505
2506                    const char *key = Main->keys[idx].key;
2507
2508                    error = gb_load_dictionary_data(gb_main, key, &old_dict_buffer, &old_dict_buffer_size);
2509                    if (!error) {
2510                        gb_save_dictionary_data(gb_main, key, dict_buffer, dict_buffer_size);
2511
2512                        // compress all data with new dictionary
2513                        printf("  * Compressing all with new dictionary ...\n");
2514
2515                        size_t old_size, new_compressed_size;
2516                        error = readAndWrite(&gbk[idx], old_size, new_compressed_size);
2517
2518                        if (!error) {
2519                            printf("    (compressed size: old=%zu new=%zu ratio=%.1f%%)\n",
2520                                   old_compressed_size, new_compressed_size, (new_compressed_size*100.0)/old_compressed_size);
2521
2522                            // @@@ for some keys compression fails (e.g. 'ref');
2523                            // need to find out why dictionary is so bad
2524                            // gb_assert(new_compressed_size <= old_compressed_size); // @@@ enable this (fails in unit-test)
2525                        }
2526
2527                        if (error) {
2528                            /* critical state: new dictionary has been written, but transaction will be aborted below.
2529                             * Solution: Write back old dictionary.
2530                             */
2531                            gb_save_dictionary_data(gb_main, key, old_dict_buffer, old_dict_buffer_size);
2532                        }
2533                    }
2534
2535                    gbm_free_mem(dict_buffer, dict_buffer_size, GBM_DICT_INDEX);
2536                    if (old_dict_buffer) gbm_free_mem(old_dict_buffer, old_dict_buffer_size, GBM_DICT_INDEX);
2537
2538#if defined(TEST_DICT)
2539                    if (!error) {
2540                        GB_DICTIONARY *dict_reloaded = gb_get_dictionary(Main, idx);
2541                        test_dictionary(dict_reloaded, &(gbk[idx]), &uncompressed_sum, &compressed_sum);
2542                    }
2543#endif // TEST_DICT
2544                }
2545
2546                gb_free_dictionary(dict);
2547            }
2548
2549            error = GB_end_transaction(gb_main, error);
2550        }
2551
2552#ifdef TEST_DICT
2553        if (!error) {
2554            printf("    overall uncompressed size = %li b\n"
2555                   "    overall   compressed size = %li b (Ratio=%li%%)\n",
2556                   uncompressed_sum, compressed_sum,
2557                   (compressed_sum*100)/uncompressed_sum);
2558        }
2559#endif // TEST_DICT
2560
2561        printf("Done.\n");
2562
2563        g_b_opti_freeGbdByKey(gbk);
2564    }
2565
2566    return error;
2567}
2568
2569GB_ERROR GB_optimize(GBDATA *gb_main) {
2570    unsigned long maxKB          = GB_get_usable_memory();
2571    long          maxMem;
2572    GB_ERROR      error          = 0;
2573    GB_UNDO_TYPE  prev_undo_type = GB_get_requested_undo_type(gb_main);
2574
2575#ifdef DEBUG
2576    maxKB /= 2;
2577#endif
2578
2579    if (maxKB<=(LONG_MAX/1024)) maxMem = maxKB*1024;
2580    else                        maxMem = LONG_MAX;
2581
2582    error = GB_request_undo_type(gb_main, GB_UNDO_KILL);
2583    if (!error) {
2584        error = gb_create_dictionaries(GB_MAIN(gb_main), maxMem);
2585        if (!error) GB_disable_quicksave(gb_main, "Database optimized");
2586        ASSERT_NO_ERROR(GB_request_undo_type(gb_main, prev_undo_type));
2587    }
2588    return error;
2589}
2590
2591// --------------------------------------------------------------------------------
2592
2593#ifdef UNIT_TESTS
2594#ifndef TEST_UNIT_H
2595#include <test_unit.h>
2596#endif
2597
2598// #define TEST_AUTO_UPDATE // uncomment to auto-update binary result of DB optimization
2599// #define TEST_AUTO_UPDATE_ASCII // uncomment to auto-update ascii-input from output (be careful with this!)
2600
2601void TEST_SLOW_optimize() {
2602    // test DB optimization (optimizes compression)
2603    // [current coverage ~89%]
2604    //
2605    // Note: a test for sequence compression is in adseqcompr.cxx@TEST_SLOW_sequence_compression
2606
2607    GB_shell shell;
2608
2609    const char *source_ascii = "TEST_opti_ascii_in.arb";
2610    const char *target_ascii = "TEST_opti_ascii_out.arb";
2611
2612    const char *nonopti     = "TEST_opti_none.arb";
2613    const char *optimized   = "TEST_opti_initial.arb";
2614    const char *reoptimized = "TEST_opti_again.arb";
2615    const char *expected    = "TEST_opti_expected.arb"; // expected result after optimize
2616
2617    // initial optimization of ASCII-DB
2618    {
2619        GBDATA *gb_main = GB_open(source_ascii, "rw");
2620
2621        TEST_EXPECT_NO_ERROR(GB_save_as(gb_main, nonopti, "b"));
2622
2623        GB_push_my_security(gb_main);
2624        TEST_EXPECT_NO_ERROR(GB_optimize(gb_main));
2625        GB_pop_my_security(gb_main);
2626
2627        GB_flush_cache(gb_main);
2628
2629        TEST_EXPECT_NO_ERROR(GB_save_as(gb_main, optimized, "b"));
2630        TEST_EXPECT_NO_ERROR(GB_save_as(gb_main, target_ascii, "a"));
2631
2632#if defined(TEST_AUTO_UPDATE)
2633        TEST_COPY_FILE(optimized, expected);
2634#endif
2635#if defined(TEST_AUTO_UPDATE_ASCII)
2636        TEST_COPY_FILE(target_ascii, source_ascii);
2637#endif
2638
2639        TEST_EXPECT_TEXTFILE_DIFFLINES(source_ascii, target_ascii, 0);
2640        TEST_EXPECT_FILES_EQUAL(optimized, expected);
2641
2642        // check that optimization made sense:
2643        long nonopti_size   = GB_size_of_file(nonopti);
2644        long optimized_size = GB_size_of_file(optimized);
2645        TEST_EXPECT_LESS(optimized_size, nonopti_size);         // did file shrink?
2646        TEST_EXPECT_EQUAL(optimized_size*100/nonopti_size, 74); // document compression ratio (in percent)
2647
2648        GB_close(gb_main);
2649    }
2650
2651    // re-optimize DB (which is already compressed)
2652    {
2653        GBDATA *gb_main = GB_open(optimized, "rw");
2654
2655        GB_push_my_security(gb_main);
2656        TEST_EXPECT_NO_ERROR(GB_optimize(gb_main));
2657        GB_pop_my_security(gb_main);
2658
2659        TEST_EXPECT_NO_ERROR(GB_save_as(gb_main, reoptimized, "b"));
2660        TEST_EXPECT_NO_ERROR(GB_save_as(gb_main, target_ascii, "a"));
2661
2662        TEST_EXPECT_TEXTFILE_DIFFLINES(source_ascii, target_ascii, 0);
2663        TEST_EXPECT_FILES_EQUAL(reoptimized, expected); // reoptimize should produce same result as initial optimize
2664
2665        GB_close(gb_main);
2666    }
2667
2668    TEST_EXPECT_NO_ERROR(GBK_system(GBS_global_string("rm %s %s %s %s", target_ascii, nonopti, optimized, reoptimized)));
2669}
2670
2671void TEST_ticket_742() {
2672    // reproduce problem reported in ticket #742
2673    GB_shell shell;
2674    {
2675        const char *opti_db = "TEST_opti_expected.arb";    // expected result after optimize
2676        GBDATA     *gb_main = GBT_open(opti_db, "rw");     // use GBT_open to create index for 'name'
2677
2678        for (int suf = 2; suf<=4; ++suf) {
2679            char *sainame     = GBS_global_string_copy("forcecompress_%i", suf);
2680            char *mod_sainame = GBS_global_string_copy("%s.mod", sainame);
2681
2682            GBDATA *gb_sai_name;
2683            {
2684                GB_transaction ta(gb_main);
2685
2686                GBDATA *gb_sai = GBT_find_SAI(gb_main, sainame);    TEST_REJECT_NULL(gb_sai);
2687                gb_sai_name    = GB_entry(gb_sai, "name");          TEST_REJECT_NULL(gb_sai_name);
2688
2689                TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_sai_name), sainame);
2690
2691                TEST_EXPECT_NO_ERROR(GB_write_string(gb_sai_name, mod_sainame));
2692                TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_sai_name), mod_sainame); // fixed
2693
2694                switch (suf) {
2695                    case 2:
2696                        // do nothing special (only test value in next TA below)
2697                        break;
2698                    case 3:
2699                        // flushing the cache "solves" the problem => GB_write_string does not flush correctly
2700                        GB_flush_cache(gb_sai_name);
2701                        TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_sai_name), mod_sainame);
2702                        break;
2703                    case 4:
2704                        // writing twice also "solves" the problem
2705                        TEST_EXPECT_NO_ERROR(GB_write_string(gb_sai_name, mod_sainame));
2706                        TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_sai_name), mod_sainame);
2707                        break;
2708
2709
2710                    default:
2711                        TEST_REJECT(true);
2712                        break;
2713                }
2714            }
2715
2716            {
2717                GB_transaction ta(gb_main);
2718                TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_sai_name), mod_sainame); // ok in next TA
2719            }
2720
2721            free(mod_sainame);
2722            free(sainame);
2723        }
2724
2725        {
2726            GB_transaction ta(gb_main);
2727
2728            GBDATA *gb_species = GBT_find_species(gb_main, "FrnPhilo");    TEST_REJECT_NULL(gb_species);
2729            GBDATA *gb_data    = GB_create(gb_species, "data", GB_STRING); TEST_REJECT_NULL(gb_data);
2730
2731            const char *seq1 = ".....................AUUCUGGUU-----GA--U-CC-U-G------------..............";
2732            const char *seq2 = "........A-A--CU---------------C-A-A-A-G-GA-G--AC---A-C-U-G...............";
2733
2734            TEST_EXPECT_NO_ERROR(GB_write_string(gb_data, seq1));
2735            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_data), seq1);
2736            TEST_EXPECT_EQUAL(gb_data->flags.compressed_data, 1);
2737            TEST_EXPECT_EQUAL(gb_data->flags2.extern_data, 1);
2738
2739            TEST_EXPECT_NO_ERROR(GB_write_string(gb_data, seq2));
2740            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_data), seq2);
2741            TEST_EXPECT_EQUAL(gb_data->flags.compressed_data, 1);
2742            TEST_EXPECT_EQUAL(gb_data->flags2.extern_data, 1);
2743
2744            TEST_EXPECT_NO_ERROR(GB_create_index(GBT_get_species_data(gb_main), "data", GB_IGNORE_CASE, 20));
2745
2746            TEST_EXPECT_NO_ERROR(GB_write_string(gb_data, seq1));
2747            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_data), seq1); // fixed
2748
2749            TEST_EXPECT_NO_ERROR(GB_write_string(gb_data, seq2));
2750            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_data), seq2); // seems to work ...
2751
2752            GB_flush_cache(gb_data);
2753            TEST_EXPECT_EQUAL(GB_read_char_pntr(gb_data), seq2); // fixed
2754        }
2755
2756        GB_close(gb_main);
2757    }
2758}
2759
2760void TEST_streamed_ascii_save_asUsedBy_silva_pipeline() {
2761    GB_shell shell;
2762
2763    const char *loadname = "TEST_loadsave_ascii.arb";
2764    const char *savename = "TEST_streamsaved.arb";
2765
2766    {
2767        GBDATA *gb_main1 = GB_open(loadname, "r");  TEST_REJECT_NULL(gb_main1);
2768        GBDATA *gb_main2 = GB_open(loadname, "rw"); TEST_REJECT_NULL(gb_main2);
2769
2770        // delete all species from DB2
2771        GBDATA *gb_species_data2 = NULL;
2772        {
2773            GB_transaction ta(gb_main2);
2774            GB_push_my_security(gb_main2);
2775            gb_species_data2 = GBT_get_species_data(gb_main2);
2776            for (GBDATA *gb_species = GBT_first_species_rel_species_data(gb_species_data2);
2777                 gb_species;
2778                 gb_species = GBT_next_species(gb_species))
2779            {
2780                TEST_EXPECT_NO_ERROR(GB_delete(gb_species));
2781            }
2782            GB_pop_my_security(gb_main2);
2783        }
2784
2785        for (int saveWhileTransactionOpen = 0; saveWhileTransactionOpen<=1; ++saveWhileTransactionOpen) {
2786            {
2787                ArbDBWriter *writer = NULL;
2788                TEST_EXPECT_NO_ERROR(GB_start_streamed_save_as(gb_main2, savename, "a", writer));
2789                TEST_EXPECT_NO_ERROR(GB_stream_save_part(writer, gb_main2, gb_species_data2));
2790
2791                {
2792                    GB_transaction ta1(gb_main1);
2793                    GB_transaction ta2(gb_main2);
2794
2795                    for (GBDATA *gb_species1 = GBT_first_species(gb_main1);
2796                         gb_species1;
2797                         gb_species1 = GBT_next_species(gb_species1))
2798                    {
2799                        GBDATA *gb_species2 = GB_create_container(gb_species_data2, "species");
2800                        if (!gb_species2) {
2801                            TEST_EXPECT_NO_ERROR(GB_await_error());
2802                        }
2803                        else {
2804                            TEST_EXPECT_NO_ERROR(GB_copy_with_protection(gb_species2, gb_species1, true));
2805                            GB_write_flag(gb_species2, GB_read_flag(gb_species1)); // copy marked flag
2806                        }
2807
2808                        if (!saveWhileTransactionOpen) GB_commit_transaction(gb_main2);
2809                        TEST_EXPECT_NO_ERROR(GB_stream_save_part(writer, gb_species2, gb_species2));
2810                        if (!saveWhileTransactionOpen) GB_begin_transaction(gb_main2);
2811
2812                        GB_push_my_security(gb_main2);
2813                        TEST_EXPECT_NO_ERROR(GB_delete(gb_species2));
2814                        GB_pop_my_security(gb_main2);
2815                    }
2816                }
2817
2818                TEST_EXPECT_NO_ERROR(GB_stream_save_part(writer, gb_species_data2, gb_main2));
2819                TEST_EXPECT_NO_ERROR(GB_finish_stream_save(writer));
2820            }
2821
2822            // test file content
2823            TEST_EXPECT_TEXTFILES_EQUAL(savename, loadname);
2824            TEST_EXPECT_ZERO_OR_SHOW_ERRNO(GB_unlink(savename));
2825        }
2826
2827        // test some error cases:
2828        {
2829            // 1. stream binary (not supported)
2830            ArbDBWriter *writer = NULL;
2831            TEST_EXPECT_NO_ERROR(GB_start_streamed_save_as(gb_main2, savename, "b", writer));
2832            TEST_EXPECT_ERROR_CONTAINS(GB_stream_save_part(writer, gb_main2, gb_species_data2), "only supported for ascii");
2833            GB_finish_stream_save(writer);
2834            TEST_EXPECT(!GB_is_regularfile(savename)); // no partial file remains
2835
2836            // 2. invalid use of GB_stream_save_part (not ancestors)
2837            TEST_EXPECT_NO_ERROR(GB_start_streamed_save_as(gb_main2, savename, "a", writer));
2838            TEST_EXPECT_NO_ERROR(GB_stream_save_part(writer, gb_main2, gb_species_data2));
2839            GBDATA *gb_extended_data2;
2840            {
2841                GB_transaction ta(gb_main2);
2842                gb_extended_data2 = GBT_get_SAI_data(gb_main2);
2843            }
2844            TEST_EXPECT_ERROR_CONTAINS(GB_stream_save_part(writer, gb_species_data2, gb_extended_data2), "has to be an ancestor");
2845            GB_finish_stream_save(writer);
2846            TEST_EXPECT(!GB_is_regularfile(savename)); // no partial file remains
2847
2848        }
2849        // TEST_EXPECT_ZERO_OR_SHOW_ERRNO(GB_unlink(savename));
2850
2851        GB_close(gb_main2);
2852        GB_close(gb_main1);
2853    }
2854}
2855
2856TEST_PUBLISH(TEST_streamed_ascii_save_asUsedBy_silva_pipeline);
2857
2858#endif // UNIT_TESTS
2859
2860// --------------------------------------------------------------------------------
2861
Note: See TracBrowser for help on using the repository browser.