]> git.openstreetmap.org Git - chef.git/blob - cookbooks/planet/files/default/replication-bin/replicate-changesets
Merge pull request #362 from hbogner/master
[chef.git] / cookbooks / planet / files / default / replication-bin / replicate-changesets
1 #!/usr/bin/ruby
2
3 require "rubygems"
4 require "pg"
5 require "yaml"
6 require "time"
7 require "fileutils"
8 require "xml/libxml"
9 require "zlib"
10 require "set"
11
12 # after this many changes, a changeset will be closed
13 CHANGES_LIMIT = 50000
14
15 # this is the scale factor for lat/lon values stored as integers in the database
16 GEO_SCALE = 10000000
17
18 ##
19 # replace characters which cannot be represented in XML 1.0.
20 def xml_sanitize(str)
21   str.gsub(/[\x00-\x08\x0b\x0c\x0e-\x1f]/, "?")
22 end
23
24 ##
25 # changeset class keeps some information about changesets downloaded from the
26 # database - enough to let us know which changesets are closed/open & recently
27 # closed.
28 class Changeset
29   attr_reader :id, :created_at, :closed_at, :num_changes
30
31   def initialize(row)
32     @id = row["id"].to_i
33     @created_at = Time.parse(row["created_at"])
34     @closed_at = Time.parse(row["closed_at"])
35     @num_changes = row["num_changes"].to_i
36   end
37
38   def closed?(t)
39     (@closed_at < t) || (@num_changes >= CHANGES_LIMIT)
40   end
41
42   def open?(t)
43     !closed?(t)
44   end
45
46   def activity_between?(t1, t2)
47     ((@closed_at >= t1) && (@closed_at < t2)) || ((@created_at >= t1) && (@created_at < t2))
48   end
49 end
50
51 ##
52 # builds an XML representation of a changeset from the database
53 class ChangesetBuilder
54   def initialize(now, conn)
55     @now = now
56     @conn = conn
57   end
58
59   def changeset_xml(cs)
60     xml = XML::Node.new("changeset")
61     xml["id"] = cs.id.to_s
62     xml["created_at"] = cs.created_at.getutc.xmlschema
63     xml["closed_at"] = cs.closed_at.getutc.xmlschema if cs.closed?(@now)
64     xml["open"] = cs.open?(@now).to_s
65     xml["num_changes"] = cs.num_changes.to_s
66
67     res = @conn.exec("select u.id, u.display_name, c.min_lat, c.max_lat, c.min_lon, c.max_lon from users u join changesets c on u.id=c.user_id where c.id=#{cs.id}")
68     xml["user"] = xml_sanitize(res[0]["display_name"])
69     xml["uid"] = res[0]["id"]
70
71     unless res[0]["min_lat"].nil? ||
72            res[0]["max_lat"].nil? ||
73            res[0]["min_lon"].nil? ||
74            res[0]["max_lon"].nil?
75       xml["min_lat"] = (res[0]["min_lat"].to_f / GEO_SCALE).to_s
76       xml["max_lat"] = (res[0]["max_lat"].to_f / GEO_SCALE).to_s
77       xml["min_lon"] = (res[0]["min_lon"].to_f / GEO_SCALE).to_s
78       xml["max_lon"] = (res[0]["max_lon"].to_f / GEO_SCALE).to_s
79     end
80
81     add_tags(xml, cs)
82     add_comments(xml, cs)
83
84     xml
85   end
86
87   def add_tags(xml, cs)
88     res = @conn.exec("select k, v from changeset_tags where changeset_id=#{cs.id}")
89     res.each do |row|
90       tag = XML::Node.new("tag")
91       tag["k"] = xml_sanitize(row["k"])
92       tag["v"] = xml_sanitize(row["v"])
93       xml << tag
94     end
95   end
96
97   def add_comments(xml, cs)
98     # grab the visible changeset comments as well
99     res = @conn.exec("select cc.author_id, u.display_name as author, cc.body, cc.created_at from changeset_comments cc join users u on cc.author_id=u.id where cc.changeset_id=#{cs.id} and cc.visible order by cc.created_at asc")
100     xml["comments_count"] = res.num_tuples.to_s
101
102     # early return if there aren't any comments
103     return unless res.num_tuples.positive?
104
105     discussion = XML::Node.new("discussion")
106     res.each do |row|
107       comment = XML::Node.new("comment")
108       comment["uid"] = row["author_id"]
109       comment["user"] = xml_sanitize(row["author"])
110       comment["date"] = Time.parse(row["created_at"]).getutc.xmlschema
111       text = XML::Node.new("text")
112       text.content = xml_sanitize(row["body"])
113       comment << text
114       discussion << comment
115     end
116     xml << discussion
117   end
118 end
119
120 ##
121 # sync a file to guarantee it's on disk
122 def fsync(f)
123   File.open(f, &:fsync)
124 end
125
126 ##
127 # sync a directory to guarantee it's on disk. have to recurse to the root
128 # to guarantee sync for newly created directories.
129 def fdirsync(d)
130   while d != "/"
131     Dir.open(d) do |dh|
132       io = IO.for_fd(dh.fileno)
133       io.fsync
134     end
135     d = File.dirname(d)
136   end
137 end
138
139 ##
140 # state and connections associated with getting changeset data
141 # replicated to a file.
142 class Replicator
143   def initialize(config)
144     @config = YAML.safe_load(File.read(config))
145     @state = YAML.safe_load(File.read(@config["state_file"]), [Time])
146     @conn = PG::Connection.connect(@config["db"])
147     # get current time from the database rather than the current system
148     @now = @conn.exec("select now() as now").map { |row| Time.parse(row["now"]) }[0]
149   end
150
151   def open_changesets
152     last_run = @state["last_run"]
153     last_run = (@now - 60) if last_run.nil?
154     # pretty much all operations on a changeset will modify its closed_at
155     # time (see rails_port's changeset model). so it is probably enough
156     # for us to look at anything that was closed recently, and filter from
157     # there.
158     changesets = @conn
159                  .exec("select id, created_at, closed_at, num_changes from changesets where closed_at > ((now() at time zone 'utc') - '1 hour'::interval)")
160                  .map { |row| Changeset.new(row) }
161                  .select { |cs| cs.activity_between?(last_run, @now) }
162
163     # set for faster presence lookups by ID
164     cs_ids = Set.new(changesets.map(&:id))
165
166     # but also add any changesets which have new comments
167     new_ids = @conn
168               .exec("select distinct changeset_id from changeset_comments where created_at >= '#{last_run}' and created_at < '#{@now}' and visible")
169               .map { |row| row["changeset_id"].to_i }
170               .reject { |c_id| cs_ids.include?(c_id) }
171
172     new_ids.each do |id|
173       @conn
174         .exec("select id, created_at, closed_at, num_changes from changesets where id=#{id}")
175         .map { |row| Changeset.new(row) }
176         .each { |cs| changesets << cs }
177     end
178
179     changesets.sort_by(&:id)
180   end
181
182   # creates an XML file containing the changeset information from the
183   # list of changesets output by open_changesets.
184   def changeset_dump(changesets)
185     doc = XML::Document.new
186     doc.root = XML::Node.new("osm")
187     { "version" => "0.6",
188       "generator" => "replicate_changesets.rb",
189       "copyright" => "OpenStreetMap and contributors",
190       "attribution" => "https://www.openstreetmap.org/copyright",
191       "license" => "https://opendatacommons.org/licenses/odbl/1-0/" }
192       .each { |k, v| doc.root[k] = v }
193
194     builder = ChangesetBuilder.new(@now, @conn)
195     changesets.each do |cs|
196       doc.root << builder.changeset_xml(cs)
197     end
198
199     doc.to_s
200   end
201
202   def sequence
203     @state.key?("sequence") ? @state["sequence"] + 1 : 0
204   end
205
206   def data_stem
207     @config["data_dir"] + format("/%03d/%03d/%03d", sequence / 1000000, (sequence / 1000) % 1000, (sequence % 1000))
208   end
209
210   def write_tmp_files!(changesets)
211     data_file = data_stem + ".osm.gz"
212     tmp_state = @config["state_file"] + ".tmp"
213     tmp_data = data_file + ".tmp"
214
215     FileUtils.mkdir_p(File.dirname(data_file))
216     Zlib::GzipWriter.open(tmp_data) do |fh|
217       fh.write(changeset_dump(changesets))
218     end
219     File.open(tmp_state, "w") do |fh|
220       fh.write(YAML.dump(@state))
221     end
222
223     # fsync the files in their old locations.
224     fsync(tmp_data)
225     fsync(tmp_state)
226
227     # sync the directory as well, to ensure that the file is reachable
228     # from the dirent and has been updated to account for any allocations.
229     fdirsync(File.dirname(tmp_data))
230     fdirsync(File.dirname(tmp_state))
231
232     # sanity check: the files we're moving into place
233     # should be non-empty.
234     raise "Temporary gzip file should exist, but doesn't." unless File.exist?(tmp_data)
235     raise "Temporary state file should exist, but doesn't." unless File.exist?(tmp_state)
236     raise "Temporary gzip file should be non-empty, but isn't." if File.zero?(tmp_data)
237     raise "Temporary state file should be non-empty, but isn't." if File.zero?(tmp_state)
238   end
239
240   def move_tmp_files_into_place!
241     data_file = data_stem + ".osm.gz"
242     data_state_file = data_stem + ".state.txt"
243     tmp_state = @config["state_file"] + ".tmp"
244     tmp_data = data_file + ".tmp"
245
246     FileUtils.mv(tmp_data, data_file)
247     FileUtils.cp(tmp_state, @config["state_file"])
248     FileUtils.mv(tmp_state, data_state_file)
249
250     # fsync the files in their new locations, in case the inodes have
251     # changed in the move / copy.
252     fsync(data_file)
253     fsync(@config["state_file"])
254     fsync(data_state_file)
255
256     # sync the directory as well, to ensure that the file is reachable
257     # from the dirent and has been updated to account for any allocations.
258     fdirsync(File.dirname(data_file))
259     fdirsync(File.dirname(@config["state_file"]))
260   end
261
262   # saves new state (including the changeset dump xml)
263   def save!
264     File.open(@config["lock_file"], File::RDWR | File::CREAT, 0o600) do |fl|
265       # take the lock in non-blocking mode. if this process doesn't get the lock
266       # then another will be run from cron shortly. this prevents a whole bunch
267       # of processes queueing on the lock and causing weirdness if/when they
268       # get woken up in a random order.
269       got_lock = fl.flock(File::LOCK_EX | File::LOCK_NB)
270       return unless got_lock
271
272       # try and write the files to tmp locations and then
273       # move them into place later, to avoid in-progress
274       # clashes, or people seeing incomplete files.
275       begin
276         changesets = open_changesets
277         @state["sequence"] = sequence
278         @state["last_run"] = @now
279
280         write_tmp_files!(changesets)
281
282         move_tmp_files_into_place!
283
284         fl.flock(File::LOCK_UN)
285       rescue StandardError
286         warn "Error! Couldn't update state."
287         fl.flock(File::LOCK_UN)
288         raise
289       end
290     end
291   end
292 end
293
294 begin
295   rep = Replicator.new(ARGV[0])
296   rep.save!
297 rescue StandardError => e
298   warn "ERROR: #{e.message}"
299   exit 1
300 end