git.notmuchmail.org Git - notmuch/blob - notmuch-index-message.cc

   1 /*
   2  * Copyright © 2009 Carl Worth
   3  *
   4  * This program is free software: you can redistribute it and/or modify
   5  * it under the terms of the GNU General Public License as published by
   6  * the Free Software Foundation, either version 3 of the License, or
   7  * (at your option) any later version.
   8  *
   9  * This program is distributed in the hope that it will be useful,
  10  * but WITHOUT ANY WARRANTY; without even the implied warranty of
  11  * MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  12  * GNU General Public License for more details.
  13  *
  14  * You should have received a copy of the GNU General Public License
  15  * along with this program.  If not, see http://www.gnu.org/licenses/ .
  16  *
  17  * Author: Carl Worth <cworth@cworth.org>
  18  */
  19
  20 /* This indexer creates a Xapian mail index that is remarkably similar
  21  * to that created by sup. The big difference, (and the thing that
  22  * will keep a notmuch index from being used by sup directly), is that
  23  * sup expects a serialized ruby data structure in the document's data
  24  * field, but notmuch just puts the mail's filename there (trusting
  25  * that the email client can get the data in needs from the filename).
  26  *
  27  * Note: One bug here is that sup actually merges together fields such
  28  * as To, CC, Bcc etc. when finding multiple emails with the same
  29  * message ID. To support something similar, notmuch should list
  30  * multiple files in the data field.
  31  *
  32  * Other differences between sup and notmuch-index identified so far:
  33  *
  34  *   o sup supports encrypted mime parts by prompting for a passphrase
  35  *     to decrypt the message. So far, notmuch doesn't support this,
  36  *     both because I'm lazy to code it, and I also think doing so
  37  *     would present a security leak.
  38  *
  39  *   o sup and notmuch have different heuristics for identifying (and
  40  *     thus ignoring) signatures. For example, sup considers a line
  41  *     consisting of two hypens as a signature separator, while
  42  *     notmuch expects those two hyphens to be followed by a space
  43  *     character.
  44  *
  45  *   o sup as been seen to split some numbers before indexing
  46  *     them. For example, the number 1754 in an email message was
  47  *     indexed by sup as separate terms 17 and 54. I couldn't find any
  48  *     explanation for this behavior and did not try to replicate it
  49  *     in notmuch.
  50  */
  51
  52 #include <stdio.h>
  53 #include <stdlib.h>
  54 #include <string.h>
  55 #include <errno.h>
  56 #include <time.h>
  57 #include <sys/time.h>
  58
  59 #include <iostream>
  60
  61 #include <gmime/gmime.h>
  62
  63 #include <xapian.h>
  64
  65 using namespace std;
  66
  67 #define ARRAY_SIZE(arr) (sizeof (arr) / sizeof (arr[0]))
  68
  69 /* Xapian complains if we provide a term longer than this. */
  70 #define NOTMUCH_MAX_TERM 245
  71
  72 /* These prefix values are specifically chosen to be compatible
  73  * with sup, (http://sup.rubyforge.org), written by
  74  * William Morgan <wmorgan-sup@masanjin.net>, and released
  75  * under the GNU GPL v2.
  76  */
  77
  78 typedef struct {
  79     const char *name;
  80     const char *prefix;
  81 } prefix_t;
  82
  83 prefix_t NORMAL_PREFIX[] = {
  84     { "subject", "S" },
  85     { "body", "B" },
  86     { "from_name", "FN" },
  87     { "to_name", "TN" },
  88     { "name", "N" },
  89     { "attachment", "A" }
  90 };
  91
  92 prefix_t BOOLEAN_PREFIX[] = {
  93     { "type", "K" },
  94     { "from_email", "FE" },
  95     { "to_email", "TE" },
  96     { "email", "E" },
  97     { "date", "D" },
  98     { "label", "L" },
  99     { "source_id", "I" },
 100     { "attachment_extension", "O" },
 101     { "msgid", "Q" },
 102     { "thread", "H" },
 103     { "ref", "R" }
 104 };
 105
 106 /* Similarly, these value numbers are also chosen to be sup
 107  * compatible. */
 108
 109 typedef enum {
 110     NOTMUCH_VALUE_MESSAGE_ID = 0,
 111     NOTMUCH_VALUE_THREAD = 1,
 112     NOTMUCH_VALUE_DATE = 2
 113 } notmuch_value_t;
 114
 115 static const char *
 116 find_prefix (const char *name)
 117 {
 118     unsigned int i;
 119
 120     for (i = 0; i < ARRAY_SIZE (NORMAL_PREFIX); i++)
 121         if (strcmp (name, NORMAL_PREFIX[i].name) == 0)
 122             return NORMAL_PREFIX[i].prefix;
 123
 124     for (i = 0; i < ARRAY_SIZE (BOOLEAN_PREFIX); i++)
 125         if (strcmp (name, BOOLEAN_PREFIX[i].name) == 0)
 126             return BOOLEAN_PREFIX[i].prefix;
 127
 128     return "";
 129 }
 130
 131 int TERM_COMBINED = 0;
 132
 133 static void
 134 add_term (Xapian::Document doc,
 135           const char *prefix_name,
 136           const char *value)
 137 {
 138     const char *prefix;
 139     char *term;
 140
 141     if (value == NULL)
 142         return;
 143
 144     prefix = find_prefix (prefix_name);
 145
 146     term = g_strdup_printf ("%s%s", prefix, value);
 147
 148     if (strlen (term) <= NOTMUCH_MAX_TERM)
 149         doc.add_term (term);
 150
 151     g_free (term);
 152 }
 153
 154 static void
 155 gen_terms (Xapian::TermGenerator term_gen,
 156            const char *prefix_name,
 157            const char *text)
 158 {
 159     const char *prefix;
 160
 161     if (text == NULL)
 162         return;
 163
 164     prefix = find_prefix (prefix_name);
 165
 166     term_gen.index_text (text, 1, prefix);
 167 }
 168
 169 static void
 170 gen_terms_address_name (Xapian::TermGenerator term_gen,
 171                         InternetAddress *address,
 172                         const char *prefix_name)
 173 {
 174     const char *name;
 175     int own_name = 0;
 176
 177     name = internet_address_get_name (address);
 178
 179     /* In the absence of a name, we'll strip the part before the @
 180      * from the address. */
 181     if (! name) {
 182         InternetAddressMailbox *mailbox = INTERNET_ADDRESS_MAILBOX (address);
 183         const char *addr = internet_address_mailbox_get_addr (mailbox);
 184         const char *at;
 185
 186         at = strchr (addr, '@');
 187         if (at) {
 188             name = strndup (addr, at - addr);
 189             own_name = 1;
 190         }
 191     }
 192
 193     if (name)
 194         gen_terms (term_gen, prefix_name, name);
 195
 196     if (own_name)
 197         free ((void *) name);
 198 }
 199
 200 static void
 201 gen_terms_address_names (Xapian::TermGenerator term_gen,
 202                          InternetAddressList *addresses,
 203                          const char *address_type)
 204 {
 205     int i;
 206     InternetAddress *address;
 207
 208     if (addresses == NULL)
 209         return;
 210
 211     for (i = 0; i < internet_address_list_length (addresses); i++) {
 212         address = internet_address_list_get_address (addresses, i);
 213         gen_terms_address_name (term_gen, address, address_type);
 214         gen_terms_address_name (term_gen, address, "name");
 215         gen_terms_address_name (term_gen, address, "body");
 216     }
 217 }
 218
 219 static void
 220 add_term_address_addr (Xapian::Document doc,
 221                        InternetAddress *address,
 222                        const char *prefix_name)
 223 {
 224     InternetAddressMailbox *mailbox = INTERNET_ADDRESS_MAILBOX (address);
 225     const char *addr;
 226
 227     addr = internet_address_mailbox_get_addr (mailbox);
 228
 229     if (addr)
 230         add_term (doc, prefix_name, addr);
 231 }
 232
 233 static void
 234 add_terms_address_addrs (Xapian::Document doc,
 235                          InternetAddressList *addresses,
 236                          const char *address_type)
 237 {
 238     int i;
 239     InternetAddress *address;
 240
 241     if (addresses == NULL)
 242         return;
 243
 244     for (i = 0; i < internet_address_list_length (addresses); i++) {
 245         address = internet_address_list_get_address (addresses, i);
 246         add_term_address_addr (doc, address, address_type);
 247         add_term_address_addr (doc, address, "email");
 248     }
 249 }
 250
 251 static const char *
 252 skip_re_in_subject (const char *subject)
 253 {
 254     const char *s = subject;
 255
 256     while (*s) {
 257         while (*s && isspace (*s))
 258             s++;
 259         if (strncasecmp (s, "re:", 3) == 0)
 260             s += 3;
 261         else
 262             break;
 263     }
 264
 265     return s;
 266 }
 267
 268 static void
 269 find_messages_by_term (Xapian::Database db,
 270                        const char *prefix_name,
 271                        const char *value,
 272                        Xapian::PostingIterator *begin,
 273                        Xapian::PostingIterator *end)
 274 {
 275     Xapian::PostingIterator i;
 276     char *term;
 277
 278     term = g_strdup_printf ("%s%s", find_prefix (prefix_name), value);
 279
 280     *begin = db.postlist_begin (term);
 281
 282     if (end)
 283         *end = db.postlist_end (term);
 284
 285     free (term);
 286 }
 287
 288 Xapian::Document
 289 find_message_by_docid (Xapian::Database db, Xapian::docid docid)
 290 {
 291     return db.get_document (docid);
 292 }
 293
 294 Xapian::Document
 295 find_message_by_message_id (Xapian::Database db, const char *message_id)
 296 {
 297     Xapian::PostingIterator i, end;
 298
 299     find_messages_by_term (db, "msgid", message_id, &i, &end);
 300
 301     if (i != end)
 302         return find_message_by_docid (db, *i);
 303     else
 304         return Xapian::Document ();
 305 }
 306
 307 static void
 308 insert_thread_id (GHashTable *thread_ids, Xapian::Document doc)
 309 {
 310     string value_string;
 311     const char *value, *id, *comma;
 312
 313     value_string = doc.get_value (NOTMUCH_VALUE_THREAD);
 314     value = value_string.c_str();
 315     if (strlen (value)) {
 316         id = value;
 317         while (*id) {
 318             comma = strchr (id, ',');
 319             if (comma == NULL)
 320                 comma = id + strlen (id);
 321             g_hash_table_insert (thread_ids,
 322                                  strndup (id, comma - id), NULL);
 323             id = comma;
 324             if (*id)
 325                 id++;
 326         }
 327     }
 328 }
 329
 330 /* Return one or more thread_ids, (as a GPtrArray of strings), for the
 331  * given message based on looking into the database for any messages
 332  * referenced in parents, and also for any messages in the database
 333  * referencing message_id.
 334  *
 335  * Caller should free all strings in the array and the array itself,
 336  * (g_ptr_array_free) when done. */
 337 static GPtrArray *
 338 find_thread_ids (Xapian::Database db,
 339                  GPtrArray *parents,
 340                  const char *message_id)
 341 {
 342     Xapian::PostingIterator child, children_end;
 343     Xapian::Document doc;
 344     GHashTable *thread_ids;
 345     GList *keys, *l;
 346     unsigned int i;
 347     const char *parent_message_id;
 348     GPtrArray *result;
 349
 350     thread_ids = g_hash_table_new (g_str_hash, g_str_equal);
 351
 352     find_messages_by_term (db, "ref", message_id, &child, &children_end);
 353     for ( ; child != children_end; child++) {
 354         doc = find_message_by_docid (db, *child);
 355         insert_thread_id (thread_ids, doc);
 356     }
 357
 358     for (i = 0; i < parents->len; i++) {
 359         parent_message_id = (char *) g_ptr_array_index (parents, i);
 360         doc = find_message_by_message_id (db, parent_message_id);
 361         insert_thread_id (thread_ids, doc);
 362     }
 363
 364     result = g_ptr_array_new ();
 365
 366     keys = g_hash_table_get_keys (thread_ids);
 367     for (l = keys; l; l = l->next) {
 368         char *id = (char *) l->data;
 369         g_ptr_array_add (result, id);
 370     }
 371
 372     return result;
 373 }
 374
 375 /* Add a term for each message-id in the References header of the
 376  * message. */
 377 static void
 378 parse_references (GPtrArray *array,
 379                   const char *refs_str)
 380 {
 381     GMimeReferences *refs, *r;
 382     const char *message_id;
 383
 384     if (refs_str == NULL)
 385         return;
 386
 387     refs = g_mime_references_decode (refs_str);
 388
 389     for (r = refs; r; r = r->next) {
 390         message_id = g_mime_references_get_message_id (r);
 391         g_ptr_array_add (array, g_strdup (message_id));
 392     }
 393
 394     g_mime_references_free (refs);
 395 }
 396
 397 /* Given a string representing the body of a message, generate terms
 398  * for it, (skipping quoted portions and signatures). */
 399 static void
 400 gen_terms_body_str (Xapian::TermGenerator term_gen,
 401                     char *body)
 402 {
 403     char *line, *line_end, *next_line;
 404
 405     if (body == NULL)
 406         return;
 407
 408     next_line = body;
 409
 410     while (1) {
 411         line = next_line;
 412         if (*line == '\0')
 413             break;
 414
 415         next_line = strchr (line, '\n');
 416         if (next_line == NULL) {
 417             next_line = line + strlen (line);
 418         }
 419         line_end = next_line - 1;
 420
 421         /* Get to the next non-blank line. */
 422         while (*next_line == '\n')
 423             next_line++;
 424
 425         /* Skip lines that are quotes. */
 426         if (*line == '>')
 427             continue;
 428
 429         /* Also skip lines introducing a quote on the next line. */
 430         if (*line_end == ':' && *next_line == '>')
 431             continue;
 432
 433         /* Finally, bail as soon as we see a signature. */
 434         /* XXX: Should only do this if "near" the end of the message. */
 435         if (strncmp (line, "-- ", 3) == 0 ||
 436             strncmp (line, "----------", 10) == 0 ||
 437             strncmp (line, "__________", 10) == 0)
 438             break;
 439
 440         *(line_end + 1) = '\0';
 441         gen_terms (term_gen, "body", line);
 442     }
 443 }
 444
 445
 446 /* Callback to generate terms for each mime part of a message. */
 447 static void
 448 gen_terms_part (Xapian::TermGenerator term_gen,
 449                 GMimeObject *part)
 450 {
 451     GMimeStream *stream;
 452     GMimeDataWrapper *wrapper;
 453     GByteArray *byte_array;
 454     GMimeContentDisposition *disposition;
 455     char *body;
 456
 457     if (GMIME_IS_MULTIPART (part)) {
 458         GMimeMultipart *multipart = GMIME_MULTIPART (part);
 459         int i;
 460
 461         for (i = 0; i < g_mime_multipart_get_count (multipart); i++) {
 462             if (GMIME_IS_MULTIPART_SIGNED (multipart)) {
 463                 /* Don't index the signature. */
 464                 if (i == 1)
 465                     continue;
 466                 if (i > 1)
 467                     fprintf (stderr, "Warning: Unexpected extra parts of mutlipart/signed. Indexing anyway.\n");
 468             }
 469             gen_terms_part (term_gen,
 470                             g_mime_multipart_get_part (multipart, i));
 471         }
 472         return;
 473     }
 474
 475     if (! GMIME_IS_PART (part)) {
 476         fprintf (stderr, "Warning: Not indexing unknown mime part: %s.\n",
 477                  g_type_name (G_OBJECT_TYPE (part)));
 478         return;
 479     }
 480
 481     disposition = g_mime_object_get_content_disposition (part);
 482     if (disposition &&
 483         strcmp (disposition->disposition, GMIME_DISPOSITION_ATTACHMENT) == 0)
 484     {
 485         const char *filename = g_mime_part_get_filename (GMIME_PART (part));
 486         const char *extension;
 487
 488         add_term (term_gen.get_document (), "label", "attachment");
 489         gen_terms (term_gen, "attachment", filename);
 490
 491         if (filename) {
 492             extension = strchr (filename, '.');
 493             if (extension) {
 494                 add_term (term_gen.get_document (), "attachment_extension",
 495                           extension + 1);
 496             }
 497         }
 498
 499         return;
 500     }
 501
 502     byte_array = g_byte_array_new ();
 503
 504     stream = g_mime_stream_mem_new_with_byte_array (byte_array);
 505     g_mime_stream_mem_set_owner (GMIME_STREAM_MEM (stream), FALSE);
 506     wrapper = g_mime_part_get_content_object (GMIME_PART (part));
 507     if (wrapper)
 508         g_mime_data_wrapper_write_to_stream (wrapper, stream);
 509
 510     g_object_unref (stream);
 511
 512     g_byte_array_append (byte_array, (guint8 *) "\0", 1);
 513     body = (char *) g_byte_array_free (byte_array, FALSE);
 514
 515     gen_terms_body_str (term_gen, body);
 516
 517     free (body);
 518 }
 519
 520 static void
 521 index_file (Xapian::WritableDatabase db,
 522             Xapian::TermGenerator term_gen,
 523             const char *filename)
 524 {
 525     Xapian::Document doc;
 526
 527     GMimeStream *stream;
 528     GMimeParser *parser;
 529     GMimeMessage *message;
 530     InternetAddressList *addresses;
 531     GPtrArray *parents, *thread_ids;
 532
 533     FILE *file;
 534
 535     const char *subject, *refs, *in_reply_to, *from;
 536     const char *message_id;
 537
 538     time_t time;
 539     struct tm gm_time_tm;
 540     char date_str[16]; /* YYYYMMDDHHMMSS + 1 for Y100k compatibility ;-) */
 541     unsigned int i;
 542
 543     file = fopen (filename, "r");
 544     if (! file) {
 545         fprintf (stderr, "Error opening %s: %s\n", filename, strerror (errno));
 546         exit (1);
 547     }
 548
 549     stream = g_mime_stream_file_new (file);
 550
 551     parser = g_mime_parser_new_with_stream (stream);
 552
 553     message = g_mime_parser_construct_message (parser);
 554
 555     doc = Xapian::Document ();
 556
 557     doc.set_data (filename);
 558
 559     term_gen.set_stemmer (Xapian::Stem ("english"));
 560
 561     term_gen.set_document (doc);
 562
 563     from = g_mime_message_get_sender (message);
 564     addresses = internet_address_list_parse_string (from);
 565
 566     gen_terms_address_names (term_gen, addresses, "from_name");
 567
 568     addresses = g_mime_message_get_all_recipients (message);
 569     gen_terms_address_names (term_gen, addresses, "to_name");
 570
 571     subject = g_mime_message_get_subject (message);
 572     subject = skip_re_in_subject (subject);
 573     gen_terms (term_gen, "subject", subject);
 574     gen_terms (term_gen, "body", subject);
 575
 576     gen_terms_part (term_gen, g_mime_message_get_mime_part (message));
 577
 578     parents = g_ptr_array_new ();
 579
 580     refs = g_mime_object_get_header (GMIME_OBJECT (message), "references");
 581     parse_references (parents, refs);
 582
 583     in_reply_to = g_mime_object_get_header (GMIME_OBJECT (message),
 584                                             "in-reply-to");
 585     parse_references (parents, in_reply_to);
 586
 587     for (i = 0; i < parents->len; i++)
 588         add_term (doc, "ref", (char *) g_ptr_array_index (parents, i));
 589
 590     message_id = g_mime_message_get_message_id (message);
 591
 592     thread_ids = find_thread_ids (db, parents, message_id);
 593
 594     for (i = 0; i < parents->len; i++)
 595         g_free (g_ptr_array_index (parents, i));
 596     g_ptr_array_free (parents, TRUE);
 597
 598     from = g_mime_message_get_sender (message);
 599     addresses = internet_address_list_parse_string (from);
 600
 601     add_terms_address_addrs (doc, addresses, "from_email");
 602
 603     add_terms_address_addrs (doc,
 604                              g_mime_message_get_all_recipients (message),
 605                              "to_email");
 606
 607     g_mime_message_get_date (message, &time, NULL);
 608
 609     gmtime_r (&time, &gm_time_tm);
 610
 611     if (strftime (date_str, sizeof (date_str),
 612                   "%Y%m%d%H%M%S", &gm_time_tm) == 0) {
 613         fprintf (stderr, "Internal error formatting time\n");
 614         exit (1);
 615     }
 616
 617     add_term (doc, "date", date_str);
 618
 619     add_term (doc, "label", "inbox");
 620     add_term (doc, "label", "unread");
 621     add_term (doc, "type", "mail");
 622     add_term (doc, "source_id", "1");
 623
 624     add_term (doc, "msgid", message_id);
 625     doc.add_value (NOTMUCH_VALUE_MESSAGE_ID, message_id);
 626
 627     if (thread_ids->len) {
 628         unsigned int i;
 629         GString *thread_id;
 630         char *id;
 631
 632         for (i = 0; i < thread_ids->len; i++) {
 633             id = (char *) thread_ids->pdata[i];
 634
 635             add_term (doc, "thread", id);
 636
 637             if (i == 0)
 638                 thread_id = g_string_new (id);
 639             else
 640                 g_string_append_printf (thread_id, ",%s", id);
 641
 642             free (id);
 643         }
 644         g_ptr_array_free (thread_ids, TRUE);
 645
 646         doc.add_value (NOTMUCH_VALUE_THREAD, thread_id->str);
 647
 648         g_string_free (thread_id, TRUE);
 649     } else {
 650         /* If not referenced thread, use the message ID */
 651         add_term (doc, "thread", message_id);
 652         doc.add_value (NOTMUCH_VALUE_THREAD, message_id);
 653     }
 654
 655     doc.add_value (NOTMUCH_VALUE_DATE, Xapian::sortable_serialise (time));
 656
 657     db.add_document (doc);
 658
 659     g_object_unref (message);
 660     g_object_unref (parser);
 661     g_object_unref (stream);
 662 }
 663
 664 static void
 665 usage (const char *argv0)
 666 {
 667     fprintf (stderr, "Usage: %s <path-to-xapian-database>\n", argv0);
 668     fprintf (stderr, "\n");
 669     fprintf (stderr, "Messages to be indexed are read from stdnin as absolute filenames\n");
 670     fprintf (stderr, "one file per line.");
 671 }
 672
 673 int
 674 main (int argc, char **argv)
 675 {
 676     const char *database_path;
 677     char *filename;
 678     GIOChannel *channel;
 679     GIOStatus gio_status;
 680     GError *error = NULL;
 681     int count;
 682     struct timeval tv_start, tv_now;
 683
 684     if (argc < 2) {
 685         usage (argv[0]);
 686         exit (1);
 687     }
 688
 689     database_path = argv[1];
 690
 691     g_mime_init (0);
 692
 693     try {
 694         Xapian::WritableDatabase db;
 695         Xapian::TermGenerator term_gen;
 696
 697         db = Xapian::WritableDatabase (database_path,
 698                                        Xapian::DB_CREATE_OR_OPEN);
 699
 700         term_gen = Xapian::TermGenerator ();
 701
 702         channel = g_io_channel_unix_new (fileno (stdin));
 703
 704         count = 0;
 705
 706         gettimeofday (&tv_start, NULL);
 707
 708         while (1) {
 709             gio_status = g_io_channel_read_line (channel, &filename,
 710                                                  NULL, NULL, &error);
 711             if (gio_status == G_IO_STATUS_EOF)
 712                 break;
 713             if (gio_status != G_IO_STATUS_NORMAL) {
 714                 fprintf (stderr, "An error occurred reading from stdin: %s\n",
 715                          error->message);
 716                 exit (1);
 717             }
 718
 719             g_strchomp (filename);
 720             index_file (db, term_gen, filename);
 721
 722             g_free (filename);
 723
 724             count++;
 725             if (count % 250 == 0) {
 726                 gettimeofday (&tv_now, NULL);
 727                 printf ("Indexed %d messages (%g messages/second)\n",
 728                         count, count / ((tv_now.tv_sec - tv_start.tv_sec) +
 729                                         (tv_now.tv_usec - tv_start.tv_usec) / 1e6));
 730             }
 731         }
 732
 733     } catch (const Xapian::Error &error) {
 734         cerr << "A Xapian exception occurred: " << error.get_msg () << endl;
 735         exit (1);
 736     }
 737
 738     return 0;
 739 }