webapp: speed up encode_and_buffer
[~helmut/debian-dedup.git] / webapp.py
1 #!/usr/bin/python3
2
3 import argparse
4 import contextlib
5 import datetime
6 import io
7 import sqlite3
8 from wsgiref.simple_server import make_server
9
10 import jinja2
11 from werkzeug.exceptions import HTTPException, NotFound
12 from werkzeug.routing import Map, Rule
13 from werkzeug.utils import redirect
14 from werkzeug.wrappers import Request, Response
15 try:
16     from werkzeug.middleware.shared_data import SharedDataMiddleware
17 except ImportError:
18     from werkzeug.wsgi import SharedDataMiddleware
19
20 from dedup.utils import fetchiter
21
22 jinjaenv = jinja2.Environment(loader=jinja2.PackageLoader("dedup", "templates"))
23
24 def format_size(size):
25     size = float(size)
26     fmt = "%d B"
27     if size >= 1024:
28         size /= 1024
29         fmt = "%.1f KB"
30     if size >= 1024:
31         size /= 1024
32         fmt = "%.1f MB"
33     if size >= 1024:
34         size /= 1024
35         fmt = "%.1f GB"
36     return fmt % size
37
38 def function_combination(function1, function2):
39     if function1 == function2:
40         return function1
41     return "%s -> %s" % (function1, function2)
42
43 # Workaround for jinja bug #59 (broken filesizeformat)
44 jinjaenv.filters["filesizeformat"] = format_size
45
46 base_template = jinjaenv.get_template("base.html")
47 package_template = jinjaenv.get_template("binary.html")
48 detail_template = jinjaenv.get_template("compare.html")
49 hash_template = jinjaenv.get_template("hash.html")
50 index_template = jinjaenv.get_template("index.html")
51 source_template = jinjaenv.get_template("source.html")
52
53 def encode_and_buffer(stream):
54     stream.enable_buffering(16)
55     buff = io.BytesIO()
56     for elem in stream:
57         buff.write(elem.encode("utf8"))
58         if buff.tell() >= 2048:
59             yield buff.getvalue()
60             buff = io.BytesIO()
61     if buff.tell() > 0:
62         yield buff.getvalue()
63
64 def html_response(unicode_iterator, max_age=24 * 60 * 60):
65     resp = Response(encode_and_buffer(unicode_iterator), mimetype="text/html")
66     resp.cache_control.max_age = max_age
67     resp.expires = datetime.datetime.now() + datetime.timedelta(seconds=max_age)
68     return resp
69
70 class InternalRedirect(Exception):
71     def __init__(self, target, code=301):
72         Exception.__init__(self)
73         self.target = target
74         self.code = code
75
76 class Application:
77     def __init__(self, db):
78         self.db = db
79         self.routingmap = Map([
80             Rule("/", methods=("GET",), endpoint="index"),
81             Rule("/binary/<package>", methods=("GET",), endpoint="package"),
82             Rule("/compare/<package1>/<package2>", methods=("GET",), endpoint="detail"),
83             Rule("/hash/<function>/<hashvalue>", methods=("GET",), endpoint="hash"),
84             Rule("/source/<package>", methods=("GET",), endpoint="source"),
85         ])
86
87     @Request.application
88     def __call__(self, request):
89         mapadapter = self.routingmap.bind_to_environ(request.environ)
90         try:
91             endpoint, args = mapadapter.match()
92             if endpoint == "package":
93                 return self.show_package(args["package"])
94             elif endpoint == "detail":
95                 return self.show_detail(args["package1"], args["package2"])
96             elif endpoint == "hash":
97                 if args["function"] == "image_sha512":
98                     # backwards compatibility
99                     raise InternalRedirect("/hash/png_sha512/%s" %
100                                            args["hashvalue"])
101                 return self.show_hash(args["function"], args["hashvalue"])
102             elif endpoint == "index":
103                 if not request.environ["PATH_INFO"]:
104                     raise InternalRedirect("/")
105                 return html_response(index_template.stream(dict(urlroot="")))
106             elif endpoint == "source":
107                 return self.show_source(args["package"])
108             raise NotFound()
109         except InternalRedirect as r:
110             return redirect(request.environ["SCRIPT_NAME"] + r.target, r.code)
111         except HTTPException as e:
112             return e
113
114     def get_details(self, package):
115         with contextlib.closing(self.db.cursor()) as cur:
116             cur.execute("SELECT id, version, architecture FROM package WHERE name = ?;",
117                         (package,))
118             row = cur.fetchone()
119             if not row:
120                 raise NotFound()
121             pid, version, architecture = row
122             details = dict(pid=pid,
123                            package=package,
124                            version=version,
125                            architecture=architecture)
126             cur.execute("SELECT count(filename), sum(size) FROM content WHERE pid = ?;",
127                         (pid,))
128             num_files, total_size = cur.fetchone()
129         if total_size is None:
130             total_size = 0
131         details.update(dict(num_files=num_files, total_size=total_size))
132         return details
133
134     def get_dependencies(self, pid):
135         with contextlib.closing(self.db.cursor()) as cur:
136             cur.execute("SELECT required FROM dependency WHERE pid = ?;",
137                         (pid,))
138             return set(row[0] for row in fetchiter(cur))
139
140     def cached_sharedstats(self, pid):
141         sharedstats = {}
142         with contextlib.closing(self.db.cursor()) as cur:
143             cur.execute("SELECT pid2, package.name, f1.name, f2.name, files, size FROM sharing JOIN package ON sharing.pid2 = package.id JOIN function AS f1 ON sharing.fid1 = f1.id JOIN function AS f2 ON sharing.fid2 = f2.id WHERE pid1 = ? AND f1.eqclass = f2.eqclass;",
144                         (pid,))
145             for pid2, package2, func1, func2, files, size in fetchiter(cur):
146                 curstats = sharedstats.setdefault(
147                         function_combination(func1, func2), list())
148                 if pid2 == pid:
149                     package2 = None
150                 curstats.append(dict(package=package2, duplicate=files,
151                                      savable=size))
152         return sharedstats
153
154     def show_package(self, package):
155         params = self.get_details(package)
156         params["dependencies"] = self.get_dependencies(params["pid"])
157         params["shared"] = self.cached_sharedstats(params["pid"])
158         params["urlroot"] = ".."
159         cur = self.db.cursor()
160         cur.execute("SELECT content.filename, issue.issue FROM content JOIN issue ON content.id = issue.cid WHERE content.pid = ?;",
161                     (params["pid"],))
162         params["issues"] = dict(cur.fetchall())
163         cur.close()
164         return html_response(package_template.stream(params))
165
166     def compute_comparison(self, pid1, pid2):
167         """Compute a sequence of comparison objects ordered by the size of the
168         object in the first package. Each element of the sequence is a dict
169         defining the following keys:
170          * filenames: A set of filenames in package 1 (pid1) all referring to
171            the same object.
172          * size: Size of the object in bytes.
173          * matches: A mapping from filenames in package 2 (pid2) to a mapping
174            from hash function pairs to hash values.
175         """
176         cur = self.db.cursor()
177         cur.execute("SELECT content.id, content.filename, content.size, hash.hash FROM content JOIN hash ON content.id = hash.cid JOIN duplicate ON content.id = duplicate.cid JOIN function ON hash.fid = function.id WHERE pid = ? AND function.name = 'sha512' ORDER BY size DESC;",
178                     (pid1,))
179         cursize = -1
180         files = dict()
181         minmatch = 2 if pid1 == pid2 else 1
182         cur2 = self.db.cursor()
183         for cid, filename, size, hashvalue in fetchiter(cur):
184             if cursize != size:
185                 for entry in files.values():
186                     if len(entry["matches"]) >= minmatch:
187                         yield entry
188                 files.clear()
189                 cursize = size
190
191             if hashvalue in files:
192                 files[hashvalue]["filenames"].add(filename)
193                 continue
194
195             entry = dict(filenames=set((filename,)), size=size, matches={})
196             files[hashvalue] = entry
197
198             cur2.execute("SELECT fa.name, ha.hash, fb.name, filename FROM hash AS ha JOIN hash AS hb ON ha.hash = hb.hash JOIN content ON hb.cid = content.id JOIN function AS fa ON ha.fid = fa.id JOIN function AS fb ON hb.fid = fb.id WHERE ha.cid = ? AND pid = ? AND fa.eqclass = fb.eqclass;",
199                          (cid, pid2))
200             for func1, hashvalue, func2, filename in fetchiter(cur2):
201                 entry["matches"].setdefault(filename, {})[func1, func2] = \
202                         hashvalue
203         cur2.close()
204         cur.close()
205
206         for entry in files.values():
207             if len(entry["matches"]) >= minmatch:
208                 yield entry
209
210     def show_detail(self, package1, package2):
211         details1 = details2 = self.get_details(package1)
212         if package1 != package2:
213             details2 = self.get_details(package2)
214
215         shared = self.compute_comparison(details1["pid"], details2["pid"])
216         params = dict(
217             details1=details1,
218             details2=details2,
219             urlroot="../..",
220             shared=shared)
221         return html_response(detail_template.stream(params))
222
223     def show_hash(self, function, hashvalue):
224         with contextlib.closing(self.db.cursor()) as cur:
225             cur.execute("SELECT package.name, content.filename, content.size, f2.name FROM hash JOIN content ON hash.cid = content.id JOIN package ON content.pid = package.id JOIN function AS f2 ON hash.fid = f2.id JOIN function AS f1 ON f2.eqclass = f1.eqclass WHERE f1.name = ? AND hash = ?;",
226                         (function, hashvalue,))
227             entries = [dict(package=package, filename=filename, size=size,
228                             function=otherfunc)
229                        for package, filename, size, otherfunc in fetchiter(cur)]
230             if not entries:
231                 # Assumption: '~' serves as an infinite character larger than
232                 # any other character in the hash column.
233                 cur.execute("SELECT DISTINCT hash.hash FROM hash JOIN function ON hash.fid = function.id WHERE function.name = ? AND hash.hash >= ? AND hash.hash <= ? LIMIT 2;",
234                             (function, hashvalue, hashvalue + '~'))
235                 values = cur.fetchall()
236                 if len(values) == 1:
237                     raise InternalRedirect("/hash/%s/%s" %
238                                            (function, values[0][0]), 302)
239                 raise NotFound()
240         params = dict(function=function, hashvalue=hashvalue, entries=entries,
241                       urlroot="../..")
242         return html_response(hash_template.stream(params))
243
244     def show_source(self, package):
245         with contextlib.closing(self.db.cursor()) as cur:
246             cur.execute("SELECT name FROM package WHERE source = ?;",
247                         (package,))
248             binpkgs = dict.fromkeys(pkg for pkg, in fetchiter(cur))
249             if not binpkgs:
250                 raise NotFound
251             cur.execute("SELECT p1.name, p2.name, f1.name, f2.name, sharing.files, sharing.size FROM sharing JOIN package AS p1 ON sharing.pid1 = p1.id JOIN package AS p2 ON sharing.pid2 = p2.id JOIN function AS f1 ON sharing.fid1 = f1.id JOIN function AS f2 ON sharing.fid2 = f2.id WHERE p1.source = ?;",
252                         (package,))
253             for binary, otherbin, func1, func2, files, size in fetchiter(cur):
254                 entry = dict(package=otherbin,
255                              funccomb=function_combination(func1, func2),
256                              duplicate=files, savable=size)
257                 oldentry = binpkgs.get(binary)
258                 if not (oldentry and oldentry["savable"] >= size):
259                     binpkgs[binary] = entry
260         params = dict(source=package, packages=binpkgs, urlroot="..")
261         return html_response(source_template.stream(params))
262
263 def main():
264     parser = argparse.ArgumentParser()
265     parser.add_argument("-d", "--database", action="store",
266                         default="test.sqlite3",
267                         help="path to the sqlite3 database file")
268     args = parser.parse_args()
269     app = Application(sqlite3.connect(args.database))
270     app = SharedDataMiddleware(app, {"/static": ("dedup", "static")})
271     make_server("0.0.0.0", 8800, app).serve_forever()
272
273 if __name__ == "__main__":
274     main()