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 > 0
 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) do |fh|
 124     fh.fsync
 125   end
 126 end
 127
 128 ##
 129 # sync a directory to guarantee it's on disk. have to recurse to the root
 130 # to guarantee sync for newly created directories.
 131 def fdirsync(d)
 132   while d != "/"
 133     Dir.open(d) do |dh|
 134       io = IO.for_fd(dh.fileno)
 135       io.fsync
 136     end
 137     d = File.dirname(d)
 138   end
 139 end
 140
 141 ##
 142 # state and connections associated with getting changeset data
 143 # replicated to a file.
 144 class Replicator
 145   def initialize(config)
 146     @config = YAML.load(File.read(config))
 147     @state = YAML.load(File.read(@config["state_file"]))
 148     @conn = PGconn.connect(@config["db"])
 149     @now = Time.now.getutc
 150   end
 151
 152   def open_changesets
 153     last_run = @state["last_run"]
 154     last_run = (@now - 60) if last_run.nil?
 155     @state["last_run"] = @now
 156     # pretty much all operations on a changeset will modify its closed_at
 157     # time (see rails_port's changeset model). so it is probably enough
 158     # for us to look at anything that was closed recently, and filter from
 159     # there.
 160     changesets = @conn
 161                  .exec("select id, created_at, closed_at, num_changes from changesets where closed_at > ((now() at time zone 'utc') - '1 hour'::interval)")
 162                  .map { |row| Changeset.new(row) }
 163                  .select { |cs| cs.activity_between?(last_run, @now) }
 164
 165     # set for faster presence lookups by ID
 166     cs_ids = Set.new(changesets.map(&:id))
 167
 168     # but also add any changesets which have new comments
 169     new_ids = @conn
 170               .exec("select distinct changeset_id from changeset_comments where created_at >= '#{last_run}' and created_at < '#{@now}' and visible")
 171               .map { |row| row["changeset_id"].to_i }
 172               .select { |c_id| !cs_ids.include?(c_id) }
 173
 174     new_ids.each do |id|
 175       @conn
 176         .exec("select id, created_at, closed_at, num_changes from changesets where id=#{id}")
 177         .map { |row| Changeset.new(row) }
 178         .each { |cs| changesets << cs }
 179     end
 180
 181     changesets.sort_by(&:id)
 182   end
 183
 184   # creates an XML file containing the changeset information from the
 185   # list of changesets output by open_changesets.
 186   def changeset_dump(changesets)
 187     doc = XML::Document.new
 188     doc.root = XML::Node.new("osm")
 189     { "version" => "0.6",
 190       "generator" => "replicate_changesets.rb",
 191       "copyright" => "OpenStreetMap and contributors",
 192       "attribution" => "http://www.openstreetmap.org/copyright",
 193       "license" => "http://opendatacommons.org/licenses/odbl/1-0/" }
 194       .each { |k, v| doc.root[k] = v }
 195
 196     builder = ChangesetBuilder.new(@now, @conn)
 197     changesets.each do |cs|
 198       doc.root << builder.changeset_xml(cs)
 199     end
 200
 201     doc.to_s
 202   end
 203
 204   # saves new state (including the changeset dump xml)
 205   def save!
 206     File.open(@config["state_file"], "r") do |fl|
 207       fl.flock(File::LOCK_EX)
 208
 209       sequence = (@state.key?("sequence") ? @state["sequence"] + 1 : 0)
 210       data_stem = @config["data_dir"] + format("/%03d/%03d/%03d", sequence / 1000000, (sequence / 1000) % 1000, (sequence % 1000))
 211       data_file = data_stem + ".osm.gz"
 212       data_state_file = data_stem + ".state.txt"
 213       tmp_state = @config["state_file"] + ".tmp"
 214       tmp_data = data_file + ".tmp"
 215       # try and write the files to tmp locations and then
 216       # move them into place later, to avoid in-progress
 217       # clashes, or people seeing incomplete files.
 218       begin
 219         FileUtils.mkdir_p(File.dirname(data_file))
 220         Zlib::GzipWriter.open(tmp_data) do |fh|
 221           fh.write(changeset_dump(open_changesets))
 222         end
 223         @state["sequence"] = sequence
 224         File.open(tmp_state, "w") do |fh|
 225           fh.write(YAML.dump(@state))
 226         end
 227
 228         # fsync the files in their old locations.
 229         fsync(tmp_data)
 230         fsync(tmp_state)
 231
 232         # sync the directory as well, to ensure that the file is reachable
 233         # from the dirent and has been updated to account for any allocations.
 234         fdirsync(File.dirname(tmp_data))
 235         fdirsync(File.dirname(tmp_state))
 236
 237         # sanity check: the files we're moving into place
 238         # should be non-empty.
 239         raise "Temporary gzip file should exist, but doesn't." unless File.exist?(tmp_data)
 240         raise "Temporary state file should exist, but doesn't." unless File.exist?(tmp_state)
 241         raise "Temporary gzip file should be non-empty, but isn't." if File.zero?(tmp_data)
 242         raise "Temporary state file should be non-empty, but isn't." if File.zero?(tmp_state)
 243
 244         FileUtils.mv(tmp_data, data_file)
 245         FileUtils.cp(tmp_state, @config["state_file"])
 246         FileUtils.mv(tmp_state, data_state_file)
 247
 248         # fsync the files in their new locations, in case the inodes have
 249         # changed in the move / copy.
 250         fsync(data_fie)
 251         fsync(@config["state_file"])
 252         fsync(data_state_file)
 253
 254         # sync the directory as well, to ensure that the file is reachable
 255         # from the dirent and has been updated to account for any allocations.
 256         fdirsync(File.dirname(data_file))
 257         fdirsync(File.dirname(@config["state_file"]))
 258
 259         fl.flock(File::LOCK_UN)
 260
 261       rescue
 262         STDERR.puts("Error! Couldn't update state.")
 263         fl.flock(File::LOCK_UN)
 264         raise
 265       end
 266     end
 267   end
 268 end
 269
 270 begin
 271   rep = Replicator.new(ARGV[0])
 272   rep.save!
 273 rescue StandardError => e
 274   STDERR.puts "ERROR: #{e.message}"
 275   exit 1
 276 end