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 s3_stem
 211     @config["s3_dir"] + format("/%03d/%03d/%03d", sequence / 1000000, (sequence / 1000) % 1000, (sequence % 1000))
 212   end
 213
 214   def write_tmp_files!(changesets)
 215     data_file = data_stem + ".osm.gz"
 216     tmp_state = @config["state_file"] + ".tmp"
 217     tmp_data = data_file + ".tmp"
 218
 219     FileUtils.mkdir_p(File.dirname(data_file))
 220     Zlib::GzipWriter.open(tmp_data) do |fh|
 221       fh.write(changeset_dump(changesets))
 222     end
 223     File.write(tmp_state, YAML.dump(@state))
 224
 225     # fsync the files in their old locations.
 226     fsync(tmp_data)
 227     fsync(tmp_state)
 228
 229     # sync the directory as well, to ensure that the file is reachable
 230     # from the dirent and has been updated to account for any allocations.
 231     fdirsync(File.dirname(tmp_data))
 232     fdirsync(File.dirname(tmp_state))
 233
 234     # sanity check: the files we're moving into place
 235     # should be non-empty.
 236     raise "Temporary gzip file should exist, but doesn't." unless File.exist?(tmp_data)
 237     raise "Temporary state file should exist, but doesn't." unless File.exist?(tmp_state)
 238     raise "Temporary gzip file should be non-empty, but isn't." if File.zero?(tmp_data)
 239     raise "Temporary state file should be non-empty, but isn't." if File.zero?(tmp_state)
 240   end
 241
 242   def move_tmp_files_into_place!
 243     data_file = data_stem + ".osm.gz"
 244     data_state_file = data_stem + ".state.txt"
 245     tmp_state = @config["state_file"] + ".tmp"
 246     tmp_data = data_file + ".tmp"
 247
 248     FileUtils.mv(tmp_data, data_file)
 249     FileUtils.cp(tmp_state, @config["state_file"])
 250     FileUtils.mv(tmp_state, data_state_file)
 251
 252     # fsync the files in their new locations, in case the inodes have
 253     # changed in the move / copy.
 254     fsync(data_file)
 255     fsync(@config["state_file"])
 256     fsync(data_state_file)
 257
 258     # sync the directory as well, to ensure that the file is reachable
 259     # from the dirent and has been updated to account for any allocations.
 260     fdirsync(File.dirname(data_file))
 261     fdirsync(File.dirname(@config["state_file"]))
 262
 263     if @config["s3_dir"]
 264       s3_file = s3_stem + ".osm.gz"
 265       s3_state_file = s3_stem + ".state.txt"
 266
 267       system("/opt/awscli/v2/current/bin/aws", "--profile=osm-pds-upload", "s3", "cp", "--storage-class=INTELLIGENT_TIERING", "--no-progress", data_file, s3_file)
 268       system("/opt/awscli/v2/current/bin/aws", "--profile=osm-pds-upload", "s3", "cp", "--storage-class=INTELLIGENT_TIERING", "--no-progress", data_state_file, s3_state_file)
 269     end
 270   end
 271
 272   # saves new state (including the changeset dump xml)
 273   def save!
 274     File.open(@config["lock_file"], File::RDWR | File::CREAT, 0o600) do |fl|
 275       # take the lock in non-blocking mode. if this process doesn't get the lock
 276       # then another will be run from cron shortly. this prevents a whole bunch
 277       # of processes queueing on the lock and causing weirdness if/when they
 278       # get woken up in a random order.
 279       got_lock = fl.flock(File::LOCK_EX | File::LOCK_NB)
 280       break unless got_lock
 281
 282       # try and write the files to tmp locations and then
 283       # move them into place later, to avoid in-progress
 284       # clashes, or people seeing incomplete files.
 285       begin
 286         changesets = open_changesets
 287         @state["sequence"] = sequence
 288         @state["last_run"] = @now
 289
 290         write_tmp_files!(changesets)
 291
 292         move_tmp_files_into_place!
 293
 294         fl.flock(File::LOCK_UN)
 295       rescue StandardError
 296         warn "Error! Couldn't update state."
 297         fl.flock(File::LOCK_UN)
 298         raise
 299       end
 300     end
 301   end
 302 end
 303
 304 begin
 305   rep = Replicator.new(ARGV[0])
 306   rep.save!
 307 rescue StandardError => e
 308   warn "ERROR: #{e.message}"
 309   e.backtrace.each do |frame|
 310     warn "ERROR: #{frame}"
 311   end
 312   exit 1
 313 end