Quelle  md.c

/*-------------------------------------------------------------------------
 *
 * md.c
 *   This code manages relations that reside on magnetic disk.
 *
 * Or at least, that was what the Berkeley folk had in mind when they named
 * this file.  In reality, what this code provides is an interface from
 * the smgr API to Unix-like filesystem APIs, so it will work with any type
 * of device for which the operating system provides filesystem support.
 * It doesn't matter whether the bits are on spinning rust or some other
 * storage technology.
 *
 * Portions Copyright (c) 1996-2025, PostgreSQL Global Development Group
 * Portions Copyright (c) 1994, Regents of the University of California
 *
 *
 * IDENTIFICATION
 *   src/backend/storage/smgr/md.c
 *
 *-------------------------------------------------------------------------
 */
#include "postgres.h"

#include <unistd.h>
#include <fcntl.h>
#include <sys/file.h>

#include "access/xlogutils.h"
#include "commands/tablespace.h"
#include "common/file_utils.h"
#include "miscadmin.h"
#include "pg_trace.h"
#include "pgstat.h"
#include "storage/aio.h"
#include "storage/bufmgr.h"
#include "storage/fd.h"
#include "storage/md.h"
#include "storage/relfilelocator.h"
#include "storage/smgr.h"
#include "storage/sync.h"
#include "utils/memutils.h"

/*
 * The magnetic disk storage manager keeps track of open file
 * descriptors in its own descriptor pool.  This is done to make it
 * easier to support relations that are larger than the operating
 * system's file size limit (often 2GBytes).  In order to do that,
 * we break relations up into "segment" files that are each shorter than
 * the OS file size limit.  The segment size is set by the RELSEG_SIZE
 * configuration constant in pg_config.h.
 *
 * On disk, a relation must consist of consecutively numbered segment
 * files in the pattern
 * -- Zero or more full segments of exactly RELSEG_SIZE blocks each
 * -- Exactly one partial segment of size 0 <= size < RELSEG_SIZE blocks
 * -- Optionally, any number of inactive segments of size 0 blocks.
 * The full and partial segments are collectively the "active" segments.
 * Inactive segments are those that once contained data but are currently
 * not needed because of an mdtruncate() operation.  The reason for leaving
 * them present at size zero, rather than unlinking them, is that other
 * backends and/or the checkpointer might be holding open file references to
 * such segments.  If the relation expands again after mdtruncate(), such
 * that a deactivated segment becomes active again, it is important that
 * such file references still be valid --- else data might get written
 * out to an unlinked old copy of a segment file that will eventually
 * disappear.
 *
 * File descriptors are stored in the per-fork md_seg_fds arrays inside
 * SMgrRelation. The length of these arrays is stored in md_num_open_segs.
 * Note that a fork's md_num_open_segs having a specific value does not
 * necessarily mean the relation doesn't have additional segments; we may
 * just not have opened the next segment yet.  (We could not have "all
 * segments are in the array" as an invariant anyway, since another backend
 * could extend the relation while we aren't looking.)  We do not have
 * entries for inactive segments, however; as soon as we find a partial
 * segment, we assume that any subsequent segments are inactive.
 *
 * The entire MdfdVec array is palloc'd in the MdCxt memory context.
 */

typedef struct _MdfdVec
{
 File  mdfd_vfd;  /* fd number in fd.c's pool */
 BlockNumber mdfd_segno;  /* segment number, from 0 */
} MdfdVec;

static MemoryContext MdCxt;  /* context for all MdfdVec objects */


/* Populate a file tag describing an md.c segment file. */
#define INIT_MD_FILETAG(a,xx_rlocator,xx_forknum,xx_segno) \
( \
 memset(&(a), 0, sizeof(FileTag)), \
 (a).handler = SYNC_HANDLER_MD, \
 (a).rlocator = (xx_rlocator), \
 (a).forknum = (xx_forknum), \
 (a).segno = (xx_segno) \
)


/*** behavior for mdopen & _mdfd_getseg ***/
/* ereport if segment not present */
#define EXTENSION_FAIL    (1 << 0)
/* return NULL if segment not present */
#define EXTENSION_RETURN_NULL  (1 << 1)
/* create new segments as needed */
#define EXTENSION_CREATE   (1 << 2)
/* create new segments if needed during recovery */
#define EXTENSION_CREATE_RECOVERY (1 << 3)
/* don't try to open a segment, if not already open */
#define EXTENSION_DONT_OPEN   (1 << 5)


/*
 * Fixed-length string to represent paths to files that need to be built by
 * md.c.
 *
 * The maximum number of segments is MaxBlockNumber / RELSEG_SIZE, where
 * RELSEG_SIZE can be set to 1 (for testing only).
 */
#define SEGMENT_CHARS OIDCHARS
#define MD_PATH_STR_MAXLEN \
 (\
  REL_PATH_STR_MAXLEN \
  + sizeof((char)'.') \
  + SEGMENT_CHARS \
 )
typedef struct MdPathStr
{
 char  str[MD_PATH_STR_MAXLEN + 1];
} MdPathStr;


/* local routines */
static void mdunlinkfork(RelFileLocatorBackend rlocator, ForkNumber forknum,
       bool isRedo);
static MdfdVec *mdopenfork(SMgrRelation reln, ForkNumber forknum, int behavior);
static void register_dirty_segment(SMgrRelation reln, ForkNumber forknum,
           MdfdVec *seg);
static void register_unlink_segment(RelFileLocatorBackend rlocator, ForkNumber forknum,
         BlockNumber segno);
static void register_forget_request(RelFileLocatorBackend rlocator, ForkNumber forknum,
         BlockNumber segno);
static void _fdvec_resize(SMgrRelation reln,
        ForkNumber forknum,
        int nseg);
static MdPathStr _mdfd_segpath(SMgrRelation reln, ForkNumber forknum,
          BlockNumber segno);
static MdfdVec *_mdfd_openseg(SMgrRelation reln, ForkNumber forknum,
         BlockNumber segno, int oflags);
static MdfdVec *_mdfd_getseg(SMgrRelation reln, ForkNumber forknum,
        BlockNumber blkno, bool skipFsync, int behavior);
static BlockNumber _mdnblocks(SMgrRelation reln, ForkNumber forknum,
         MdfdVec *seg);

static PgAioResult md_readv_complete(PgAioHandle *ioh, PgAioResult prior_result, uint8 cb_data);
static void md_readv_report(PgAioResult result, const PgAioTargetData *td, int elevel);

const PgAioHandleCallbacks aio_md_readv_cb = {
 .complete_shared = md_readv_complete,
 .report = md_readv_report,
};


static inline int
_mdfd_open_flags(void)
{
 int   flags = O_RDWR | PG_BINARY;

 if (io_direct_flags & IO_DIRECT_DATA)
  flags |= PG_O_DIRECT;

 return flags;
}

/*
 * mdinit() -- Initialize private state for magnetic disk storage manager.
 */
void
mdinit(void)
{
 MdCxt = AllocSetContextCreate(TopMemoryContext,
          "MdSmgr",
          ALLOCSET_DEFAULT_SIZES);
}

/*
 * mdexists() -- Does the physical file exist?
 *
 * Note: this will return true for lingering files, with pending deletions
 */
bool
mdexists(SMgrRelation reln, ForkNumber forknum)
{
 /*
  * Close it first, to ensure that we notice if the fork has been unlinked
  * since we opened it.  As an optimization, we can skip that in recovery,
  * which already closes relations when dropping them.
 */
 if (!InRecovery)
  mdclose(reln, forknum);

 return (mdopenfork(reln, forknum, EXTENSION_RETURN_NULL) != NULL);
}

/*
 * mdcreate() -- Create a new relation on magnetic disk.
 *
 * If isRedo is true, it's okay for the relation to exist already.
 */
void
mdcreate(SMgrRelation reln, ForkNumber forknum, bool isRedo)
{
 MdfdVec    *mdfd;
 RelPathStr path;
 File  fd;

 if (isRedo && reln->md_num_open_segs[forknum] > 0)
  return;     /* created and opened already... */

 Assert(reln->md_num_open_segs[forknum] == 0);

 /*
  * We may be using the target table space for the first time in this
  * database, so create a per-database subdirectory if needed.
  *
  * XXX this is a fairly ugly violation of module layering, but this seems
  * to be the best place to put the check.  Maybe TablespaceCreateDbspace
  * should be here and not in commands/tablespace.c?  But that would imply
  * importing a lot of stuff that smgr.c oughtn't know, either.
 */
 TablespaceCreateDbspace(reln->smgr_rlocator.locator.spcOid,
       reln->smgr_rlocator.locator.dbOid,
       isRedo);

 path = relpath(reln->smgr_rlocator, forknum);

 fd = PathNameOpenFile(path.str, _mdfd_open_flags() | O_CREAT | O_EXCL);

 if (fd < 0)
 {
  int   save_errno = errno;

  if (isRedo)
   fd = PathNameOpenFile(path.str, _mdfd_open_flags());
  if (fd < 0)
  {
   /* be sure to report the error reported by create, not open */
   errno = save_errno;
   ereport(ERROR,
     (errcode_for_file_access(),
      errmsg("could not create file \"%s\": %m", path.str)));
  }
 }

 _fdvec_resize(reln, forknum, 1);
 mdfd = &reln->md_seg_fds[forknum][0];
 mdfd->mdfd_vfd = fd;
 mdfd->mdfd_segno = 0;

 if (!SmgrIsTemp(reln))
  register_dirty_segment(reln, forknum, mdfd);
}

/*
 * mdunlink() -- Unlink a relation.
 *
 * Note that we're passed a RelFileLocatorBackend --- by the time this is called,
 * there won't be an SMgrRelation hashtable entry anymore.
 *
 * forknum can be a fork number to delete a specific fork, or InvalidForkNumber
 * to delete all forks.
 *
 * For regular relations, we don't unlink the first segment file of the rel,
 * but just truncate it to zero length, and record a request to unlink it after
 * the next checkpoint.  Additional segments can be unlinked immediately,
 * however.  Leaving the empty file in place prevents that relfilenumber
 * from being reused.  The scenario this protects us from is:
 * 1. We delete a relation (and commit, and actually remove its file).
 * 2. We create a new relation, which by chance gets the same relfilenumber as
 *   the just-deleted one (OIDs must've wrapped around for that to happen).
 * 3. We crash before another checkpoint occurs.
 * During replay, we would delete the file and then recreate it, which is fine
 * if the contents of the file were repopulated by subsequent WAL entries.
 * But if we didn't WAL-log insertions, but instead relied on fsyncing the
 * file after populating it (as we do at wal_level=minimal), the contents of
 * the file would be lost forever.  By leaving the empty file until after the
 * next checkpoint, we prevent reassignment of the relfilenumber until it's
 * safe, because relfilenumber assignment skips over any existing file.
 *
 * Additional segments, if any, are truncated and then unlinked.  The reason
 * for truncating is that other backends may still hold open FDs for these at
 * the smgr level, so that the kernel can't remove the file yet.  We want to
 * reclaim the disk space right away despite that.
 *
 * We do not need to go through this dance for temp relations, though, because
 * we never make WAL entries for temp rels, and so a temp rel poses no threat
 * to the health of a regular rel that has taken over its relfilenumber.
 * The fact that temp rels and regular rels have different file naming
 * patterns provides additional safety.  Other backends shouldn't have open
 * FDs for them, either.
 *
 * We also don't do it while performing a binary upgrade.  There is no reuse
 * hazard in that case, since after a crash or even a simple ERROR, the
 * upgrade fails and the whole cluster must be recreated from scratch.
 * Furthermore, it is important to remove the files from disk immediately,
 * because we may be about to reuse the same relfilenumber.
 *
 * All the above applies only to the relation's main fork; other forks can
 * just be removed immediately, since they are not needed to prevent the
 * relfilenumber from being recycled.  Also, we do not carefully
 * track whether other forks have been created or not, but just attempt to
 * unlink them unconditionally; so we should never complain about ENOENT.
 *
 * If isRedo is true, it's unsurprising for the relation to be already gone.
 * Also, we should remove the file immediately instead of queuing a request
 * for later, since during redo there's no possibility of creating a
 * conflicting relation.
 *
 * Note: we currently just never warn about ENOENT at all.  We could warn in
 * the main-fork, non-isRedo case, but it doesn't seem worth the trouble.
 *
 * Note: any failure should be reported as WARNING not ERROR, because
 * we are usually not in a transaction anymore when this is called.
 */
void
mdunlink(RelFileLocatorBackend rlocator, ForkNumber forknum, bool isRedo)
{
 /* Now do the per-fork work */
 if (forknum == InvalidForkNumber)
 {
  for (forknum = 0; forknum <= MAX_FORKNUM; forknum++)
   mdunlinkfork(rlocator, forknum, isRedo);
 }
 else
  mdunlinkfork(rlocator, forknum, isRedo);
}

/*
 * Truncate a file to release disk space.
 */
static int
do_truncate(const char *path)
{
 int   save_errno;
 int   ret;

 ret = pg_truncate(path, 0);

 /* Log a warning here to avoid repetition in callers. */
 if (ret < 0 && errno != ENOENT)
 {
  save_errno = errno;
  ereport(WARNING,
    (errcode_for_file_access(),
     errmsg("could not truncate file \"%s\": %m", path)));
  errno = save_errno;
 }

 return ret;
}

static void
mdunlinkfork(RelFileLocatorBackend rlocator, ForkNumber forknum, bool isRedo)
{
 RelPathStr path;
 int   ret;
 int   save_errno;

 path = relpath(rlocator, forknum);

 /*
  * Truncate and then unlink the first segment, or just register a request
  * to unlink it later, as described in the comments for mdunlink().
 */
 if (isRedo || IsBinaryUpgrade || forknum != MAIN_FORKNUM ||
  RelFileLocatorBackendIsTemp(rlocator))
 {
  if (!RelFileLocatorBackendIsTemp(rlocator))
  {
   /* Prevent other backends' fds from holding on to the disk space */
   ret = do_truncate(path.str);

   /* Forget any pending sync requests for the first segment */
   save_errno = errno;
   register_forget_request(rlocator, forknum, 0 /* first seg */ );
   errno = save_errno;
  }
  else
   ret = 0;

  /* Next unlink the file, unless it was already found to be missing */
  if (ret >= 0 || errno != ENOENT)
  {
   ret = unlink(path.str);
   if (ret < 0 && errno != ENOENT)
   {
    save_errno = errno;
    ereport(WARNING,
      (errcode_for_file_access(),
       errmsg("could not remove file \"%s\": %m", path.str)));
    errno = save_errno;
   }
  }
 }
 else
 {
  /* Prevent other backends' fds from holding on to the disk space */
  ret = do_truncate(path.str);

  /* Register request to unlink first segment later */
  save_errno = errno;
  register_unlink_segment(rlocator, forknum, 0 /* first seg */ );
  errno = save_errno;
 }

 /*
  * Delete any additional segments.
  *
  * Note that because we loop until getting ENOENT, we will correctly
  * remove all inactive segments as well as active ones.  Ideally we'd
  * continue the loop until getting exactly that errno, but that risks an
  * infinite loop if the problem is directory-wide (for instance, if we
  * suddenly can't read the data directory itself).  We compromise by
  * continuing after a non-ENOENT truncate error, but stopping after any
  * unlink error.  If there is indeed a directory-wide problem, additional
  * unlink attempts wouldn't work anyway.
 */
 if (ret >= 0 || errno != ENOENT)
 {
  MdPathStr segpath;
  BlockNumber segno;

  for (segno = 1;; segno++)
  {
   sprintf(segpath.str, "%s.%u", path.str, segno);

   if (!RelFileLocatorBackendIsTemp(rlocator))
   {
    /*
     * Prevent other backends' fds from holding on to the disk
     * space.  We're done if we see ENOENT, though.
 */
    if (do_truncate(segpath.str) < 0 && errno == ENOENT)
     break;

    /*
     * Forget any pending sync requests for this segment before we
     * try to unlink.
 */
    register_forget_request(rlocator, forknum, segno);
   }

   if (unlink(segpath.str) < 0)
   {
    /* ENOENT is expected after the last segment... */
    if (errno != ENOENT)
     ereport(WARNING,
       (errcode_for_file_access(),
        errmsg("could not remove file \"%s\": %m", segpath.str)));
    break;
   }
  }
 }
}

/*
 * mdextend() -- Add a block to the specified relation.
 *
 * The semantics are nearly the same as mdwrite(): write at the
 * specified position.  However, this is to be used for the case of
 * extending a relation (i.e., blocknum is at or beyond the current
 * EOF).  Note that we assume writing a block beyond current EOF
 * causes intervening file space to become filled with zeroes.
 */
void
mdextend(SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum,
   const void *buffer, bool skipFsync)
{
 off_t  seekpos;
 int   nbytes;
 MdfdVec    *v;

 /* If this build supports direct I/O, the buffer must be I/O aligned. */
 if (PG_O_DIRECT != 0 && PG_IO_ALIGN_SIZE <= BLCKSZ)
  Assert((uintptr_t) buffer == TYPEALIGN(PG_IO_ALIGN_SIZE, buffer));

 /* This assert is too expensive to have on normally ... */
#ifdef CHECK_WRITE_VS_EXTEND
 Assert(blocknum >= mdnblocks(reln, forknum));
#endif

 /*
  * If a relation manages to grow to 2^32-1 blocks, refuse to extend it any
  * more --- we mustn't create a block whose number actually is
  * InvalidBlockNumber.  (Note that this failure should be unreachable
  * because of upstream checks in bufmgr.c.)
 */
 if (blocknum == InvalidBlockNumber)
  ereport(ERROR,
    (errcode(ERRCODE_PROGRAM_LIMIT_EXCEEDED),
     errmsg("cannot extend file \"%s\" beyond %u blocks",
      relpath(reln->smgr_rlocator, forknum).str,
      InvalidBlockNumber)));

 v = _mdfd_getseg(reln, forknum, blocknum, skipFsync, EXTENSION_CREATE);

 seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

 Assert(seekpos < (off_t) BLCKSZ * RELSEG_SIZE);

 if ((nbytes = FileWrite(v->mdfd_vfd, buffer, BLCKSZ, seekpos, WAIT_EVENT_DATA_FILE_EXTEND)) != BLCKSZ)
 {
  if (nbytes < 0)
   ereport(ERROR,
     (errcode_for_file_access(),
      errmsg("could not extend file \"%s\": %m",
       FilePathName(v->mdfd_vfd)),
      errhint("Check free disk space.")));
  /* short write: complain appropriately */
  ereport(ERROR,
    (errcode(ERRCODE_DISK_FULL),
     errmsg("could not extend file \"%s\": wrote only %d of %d bytes at block %u",
      FilePathName(v->mdfd_vfd),
      nbytes, BLCKSZ, blocknum),
     errhint("Check free disk space.")));
 }

 if (!skipFsync && !SmgrIsTemp(reln))
  register_dirty_segment(reln, forknum, v);

 Assert(_mdnblocks(reln, forknum, v) <= ((BlockNumber) RELSEG_SIZE));
}

/*
 * mdzeroextend() -- Add new zeroed out blocks to the specified relation.
 *
 * Similar to mdextend(), except the relation can be extended by multiple
 * blocks at once and the added blocks will be filled with zeroes.
 */
void
mdzeroextend(SMgrRelation reln, ForkNumber forknum,
    BlockNumber blocknum, int nblocks, bool skipFsync)
{
 MdfdVec    *v;
 BlockNumber curblocknum = blocknum;
 int   remblocks = nblocks;

 Assert(nblocks > 0);

 /* This assert is too expensive to have on normally ... */
#ifdef CHECK_WRITE_VS_EXTEND
 Assert(blocknum >= mdnblocks(reln, forknum));
#endif

 /*
  * If a relation manages to grow to 2^32-1 blocks, refuse to extend it any
  * more --- we mustn't create a block whose number actually is
  * InvalidBlockNumber or larger.
 */
 if ((uint64) blocknum + nblocks >= (uint64) InvalidBlockNumber)
  ereport(ERROR,
    (errcode(ERRCODE_PROGRAM_LIMIT_EXCEEDED),
     errmsg("cannot extend file \"%s\" beyond %u blocks",
      relpath(reln->smgr_rlocator, forknum).str,
      InvalidBlockNumber)));

 while (remblocks > 0)
 {
  BlockNumber segstartblock = curblocknum % ((BlockNumber) RELSEG_SIZE);
  off_t  seekpos = (off_t) BLCKSZ * segstartblock;
  int   numblocks;

  if (segstartblock + remblocks > RELSEG_SIZE)
   numblocks = RELSEG_SIZE - segstartblock;
  else
   numblocks = remblocks;

  v = _mdfd_getseg(reln, forknum, curblocknum, skipFsync, EXTENSION_CREATE);

  Assert(segstartblock < RELSEG_SIZE);
  Assert(segstartblock + numblocks <= RELSEG_SIZE);

  /*
   * If available and useful, use posix_fallocate() (via
   * FileFallocate()) to extend the relation. That's often more
   * efficient than using write(), as it commonly won't cause the kernel
   * to allocate page cache space for the extended pages.
   *
   * However, we don't use FileFallocate() for small extensions, as it
   * defeats delayed allocation on some filesystems. Not clear where
   * that decision should be made though? For now just use a cutoff of
   * 8, anything between 4 and 8 worked OK in some local testing.
 */
  if (numblocks > 8 &&
   file_extend_method != FILE_EXTEND_METHOD_WRITE_ZEROS)
  {
   int   ret = 0;

#ifdef HAVE_POSIX_FALLOCATE
   if (file_extend_method == FILE_EXTEND_METHOD_POSIX_FALLOCATE)
   {
    ret = FileFallocate(v->mdfd_vfd,
         seekpos, (off_t) BLCKSZ * numblocks,
         WAIT_EVENT_DATA_FILE_EXTEND);
   }
   else
#endif
   {
    elog(ERROR, "unsupported file_extend_method: %d",
      file_extend_method);
   }
   if (ret != 0)
   {
    ereport(ERROR,
      errcode_for_file_access(),
      errmsg("could not extend file \"%s\" with FileFallocate(): %m",
          FilePathName(v->mdfd_vfd)),
      errhint("Check free disk space."));
   }
  }
  else
  {
   int   ret;

   /*
    * Even if we don't want to use fallocate, we can still extend a
    * bit more efficiently than writing each 8kB block individually.
    * pg_pwrite_zeros() (via FileZero()) uses pg_pwritev_with_retry()
    * to avoid multiple writes or needing a zeroed buffer for the
    * whole length of the extension.
 */
   ret = FileZero(v->mdfd_vfd,
         seekpos, (off_t) BLCKSZ * numblocks,
         WAIT_EVENT_DATA_FILE_EXTEND);
   if (ret < 0)
    ereport(ERROR,
      errcode_for_file_access(),
      errmsg("could not extend file \"%s\": %m",
          FilePathName(v->mdfd_vfd)),
      errhint("Check free disk space."));
  }

  if (!skipFsync && !SmgrIsTemp(reln))
   register_dirty_segment(reln, forknum, v);

  Assert(_mdnblocks(reln, forknum, v) <= ((BlockNumber) RELSEG_SIZE));

  remblocks -= numblocks;
  curblocknum += numblocks;
 }
}

/*
 * mdopenfork() -- Open one fork of the specified relation.
 *
 * Note we only open the first segment, when there are multiple segments.
 *
 * If first segment is not present, either ereport or return NULL according
 * to "behavior".  We treat EXTENSION_CREATE the same as EXTENSION_FAIL;
 * EXTENSION_CREATE means it's OK to extend an existing relation, not to
 * invent one out of whole cloth.
 */
static MdfdVec *
mdopenfork(SMgrRelation reln, ForkNumber forknum, int behavior)
{
 MdfdVec    *mdfd;
 RelPathStr path;
 File  fd;

 /* No work if already open */
 if (reln->md_num_open_segs[forknum] > 0)
  return &reln->md_seg_fds[forknum][0];

 path = relpath(reln->smgr_rlocator, forknum);

 fd = PathNameOpenFile(path.str, _mdfd_open_flags());

 if (fd < 0)
 {
  if ((behavior & EXTENSION_RETURN_NULL) &&
   FILE_POSSIBLY_DELETED(errno))
   return NULL;
  ereport(ERROR,
    (errcode_for_file_access(),
     errmsg("could not open file \"%s\": %m", path.str)));
 }

 _fdvec_resize(reln, forknum, 1);
 mdfd = &reln->md_seg_fds[forknum][0];
 mdfd->mdfd_vfd = fd;
 mdfd->mdfd_segno = 0;

 Assert(_mdnblocks(reln, forknum, mdfd) <= ((BlockNumber) RELSEG_SIZE));

 return mdfd;
}

/*
 * mdopen() -- Initialize newly-opened relation.
 */
void
mdopen(SMgrRelation reln)
{
 /* mark it not open */
 for (int forknum = 0; forknum <= MAX_FORKNUM; forknum++)
  reln->md_num_open_segs[forknum] = 0;
}

/*
 * mdclose() -- Close the specified relation, if it isn't closed already.
 */
void
mdclose(SMgrRelation reln, ForkNumber forknum)
{
 int   nopensegs = reln->md_num_open_segs[forknum];

 /* No work if already closed */
 if (nopensegs == 0)
  return;

 /* close segments starting from the end */
 while (nopensegs > 0)
 {
  MdfdVec    *v = &reln->md_seg_fds[forknum][nopensegs - 1];

  FileClose(v->mdfd_vfd);
  _fdvec_resize(reln, forknum, nopensegs - 1);
  nopensegs--;
 }
}

/*
 * mdprefetch() -- Initiate asynchronous read of the specified blocks of a relation
 */
bool
mdprefetch(SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum,
     int nblocks)
{
#ifdef USE_PREFETCH

 Assert((io_direct_flags & IO_DIRECT_DATA) == 0);

 if ((uint64) blocknum + nblocks > (uint64) MaxBlockNumber + 1)
  return false;

 while (nblocks > 0)
 {
  off_t  seekpos;
  MdfdVec    *v;
  int   nblocks_this_segment;

  v = _mdfd_getseg(reln, forknum, blocknum, false,
       InRecovery ? EXTENSION_RETURN_NULL : EXTENSION_FAIL);
  if (v == NULL)
   return false;

  seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

  Assert(seekpos < (off_t) BLCKSZ * RELSEG_SIZE);

  nblocks_this_segment =
   Min(nblocks,
    RELSEG_SIZE - (blocknum % ((BlockNumber) RELSEG_SIZE)));

  (void) FilePrefetch(v->mdfd_vfd, seekpos, BLCKSZ * nblocks_this_segment,
       WAIT_EVENT_DATA_FILE_PREFETCH);

  blocknum += nblocks_this_segment;
  nblocks -= nblocks_this_segment;
 }
#endif       /* USE_PREFETCH */

 return true;
}

/*
 * Convert an array of buffer address into an array of iovec objects, and
 * return the number that were required.  'iov' must have enough space for up
 * to 'nblocks' elements, but the number used may be less depending on
 * merging.  In the case of a run of fully contiguous buffers, a single iovec
 * will be populated that can be handled as a plain non-vectored I/O.
 */
static int
buffers_to_iovec(struct iovec *iov, void **buffers, int nblocks)
{
 struct iovec *iovp;
 int   iovcnt;

 Assert(nblocks >= 1);

 /* If this build supports direct I/O, buffers must be I/O aligned. */
 for (int i = 0; i < nblocks; ++i)
 {
  if (PG_O_DIRECT != 0 && PG_IO_ALIGN_SIZE <= BLCKSZ)
   Assert((uintptr_t) buffers[i] ==
       TYPEALIGN(PG_IO_ALIGN_SIZE, buffers[i]));
 }

 /* Start the first iovec off with the first buffer. */
 iovp = &iov[0];
 iovp->iov_base = buffers[0];
 iovp->iov_len = BLCKSZ;
 iovcnt = 1;

 /* Try to merge the rest. */
 for (int i = 1; i < nblocks; ++i)
 {
  void    *buffer = buffers[i];

  if (((char *) iovp->iov_base + iovp->iov_len) == buffer)
  {
   /* Contiguous with the last iovec. */
   iovp->iov_len += BLCKSZ;
  }
  else
  {
   /* Need a new iovec. */
   iovp++;
   iovp->iov_base = buffer;
   iovp->iov_len = BLCKSZ;
   iovcnt++;
  }
 }

 return iovcnt;
}

/*
 * mdmaxcombine() -- Return the maximum number of total blocks that can be
 *     combined with an IO starting at blocknum.
 */
uint32
mdmaxcombine(SMgrRelation reln, ForkNumber forknum,
    BlockNumber blocknum)
{
 BlockNumber segoff;

 segoff = blocknum % ((BlockNumber) RELSEG_SIZE);

 return RELSEG_SIZE - segoff;
}

/*
 * mdreadv() -- Read the specified blocks from a relation.
 */
void
mdreadv(SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum,
  void **buffers, BlockNumber nblocks)
{
 while (nblocks > 0)
 {
  struct iovec iov[PG_IOV_MAX];
  int   iovcnt;
  off_t  seekpos;
  int   nbytes;
  MdfdVec    *v;
  BlockNumber nblocks_this_segment;
  size_t  transferred_this_segment;
  size_t  size_this_segment;

  v = _mdfd_getseg(reln, forknum, blocknum, false,
       EXTENSION_FAIL | EXTENSION_CREATE_RECOVERY);

  seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

  Assert(seekpos < (off_t) BLCKSZ * RELSEG_SIZE);

  nblocks_this_segment =
   Min(nblocks,
    RELSEG_SIZE - (blocknum % ((BlockNumber) RELSEG_SIZE)));
  nblocks_this_segment = Min(nblocks_this_segment, lengthof(iov));

  if (nblocks_this_segment != nblocks)
   elog(ERROR, "read crosses segment boundary");

  iovcnt = buffers_to_iovec(iov, buffers, nblocks_this_segment);
  size_this_segment = nblocks_this_segment * BLCKSZ;
  transferred_this_segment = 0;

  /*
   * Inner loop to continue after a short read.  We'll keep going until
   * we hit EOF rather than assuming that a short read means we hit the
   * end.
 */
  for (;;)
  {
   TRACE_POSTGRESQL_SMGR_MD_READ_START(forknum, blocknum,
            reln->smgr_rlocator.locator.spcOid,
            reln->smgr_rlocator.locator.dbOid,
            reln->smgr_rlocator.locator.relNumber,
            reln->smgr_rlocator.backend);
   nbytes = FileReadV(v->mdfd_vfd, iov, iovcnt, seekpos,
          WAIT_EVENT_DATA_FILE_READ);
   TRACE_POSTGRESQL_SMGR_MD_READ_DONE(forknum, blocknum,
              reln->smgr_rlocator.locator.spcOid,
              reln->smgr_rlocator.locator.dbOid,
              reln->smgr_rlocator.locator.relNumber,
              reln->smgr_rlocator.backend,
              nbytes,
              size_this_segment - transferred_this_segment);

#ifdef SIMULATE_SHORT_READ
   nbytes = Min(nbytes, 4096);
#endif

   if (nbytes < 0)
    ereport(ERROR,
      (errcode_for_file_access(),
       errmsg("could not read blocks %u..%u in file \"%s\": %m",
        blocknum,
        blocknum + nblocks_this_segment - 1,
        FilePathName(v->mdfd_vfd))));

   if (nbytes == 0)
   {
    /*
     * We are at or past EOF, or we read a partial block at EOF.
     * Normally this is an error; upper levels should never try to
     * read a nonexistent block.  However, if zero_damaged_pages
     * is ON or we are InRecovery, we should instead return zeroes
     * without complaining.  This allows, for example, the case of
     * trying to update a block that was later truncated away.
     *
     * NB: We think that this codepath is unreachable in recovery
     * and incomplete with zero_damaged_pages, as missing segments
     * are not created. Putting blocks into the buffer-pool that
     * do not exist on disk is rather problematic, as it will not
     * be found by scans that rely on smgrnblocks(), as they are
     * beyond EOF. It also can cause weird problems with relation
     * extension, as relation extension does not expect blocks
     * beyond EOF to exist.
     *
     * Therefore we do not want to copy the logic into
     * mdstartreadv(), where it would have to be more complicated
     * due to potential differences in the zero_damaged_pages
     * setting between the definer and completor of IO.
     *
     * For PG 18, we are putting an Assert(false) in mdreadv()
     * (triggering failures in assertion-enabled builds, but
     * continuing to work in production builds). Afterwards we
     * plan to remove this code entirely.
 */
    if (zero_damaged_pages || InRecovery)
    {
     Assert(false); /* see comment above */

     for (BlockNumber i = transferred_this_segment / BLCKSZ;
       i < nblocks_this_segment;
       ++i)
      memset(buffers[i], 0, BLCKSZ);
     break;
    }
    else
     ereport(ERROR,
       (errcode(ERRCODE_DATA_CORRUPTED),
        errmsg("could not read blocks %u..%u in file \"%s\": read only %zu of %zu bytes",
         blocknum,
         blocknum + nblocks_this_segment - 1,
         FilePathName(v->mdfd_vfd),
         transferred_this_segment,
         size_this_segment)));
   }

   /* One loop should usually be enough. */
   transferred_this_segment += nbytes;
   Assert(transferred_this_segment <= size_this_segment);
   if (transferred_this_segment == size_this_segment)
    break;

   /* Adjust position and vectors after a short read. */
   seekpos += nbytes;
   iovcnt = compute_remaining_iovec(iov, iov, iovcnt, nbytes);
  }

  nblocks -= nblocks_this_segment;
  buffers += nblocks_this_segment;
  blocknum += nblocks_this_segment;
 }
}

/*
 * mdstartreadv() -- Asynchronous version of mdreadv().
 */
void
mdstartreadv(PgAioHandle *ioh,
    SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum,
    void **buffers, BlockNumber nblocks)
{
 off_t  seekpos;
 MdfdVec    *v;
 BlockNumber nblocks_this_segment;
 struct iovec *iov;
 int   iovcnt;
 int   ret;

 v = _mdfd_getseg(reln, forknum, blocknum, false,
      EXTENSION_FAIL | EXTENSION_CREATE_RECOVERY);

 seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

 Assert(seekpos < (off_t) BLCKSZ * RELSEG_SIZE);

 nblocks_this_segment =
  Min(nblocks,
   RELSEG_SIZE - (blocknum % ((BlockNumber) RELSEG_SIZE)));

 if (nblocks_this_segment != nblocks)
  elog(ERROR, "read crossing segment boundary");

 iovcnt = pgaio_io_get_iovec(ioh, &iov);

 Assert(nblocks <= iovcnt);

 iovcnt = buffers_to_iovec(iov, buffers, nblocks_this_segment);

 Assert(iovcnt <= nblocks_this_segment);

 if (!(io_direct_flags & IO_DIRECT_DATA))
  pgaio_io_set_flag(ioh, PGAIO_HF_BUFFERED);

 pgaio_io_set_target_smgr(ioh,
        reln,
        forknum,
        blocknum,
        nblocks,
        false);
 pgaio_io_register_callbacks(ioh, PGAIO_HCB_MD_READV, 0);

 ret = FileStartReadV(ioh, v->mdfd_vfd, iovcnt, seekpos, WAIT_EVENT_DATA_FILE_READ);
 if (ret != 0)
  ereport(ERROR,
    (errcode_for_file_access(),
     errmsg("could not start reading blocks %u..%u in file \"%s\": %m",
      blocknum,
      blocknum + nblocks_this_segment - 1,
      FilePathName(v->mdfd_vfd))));

 /*
  * The error checks corresponding to the post-read checks in mdreadv() are
  * in md_readv_complete().
  *
  * However we chose, at least for now, to not implement the
  * zero_damaged_pages logic present in mdreadv(). As outlined in mdreadv()
  * that logic is rather problematic, and we want to get rid of it. Here
  * equivalent logic would have to be more complicated due to potential
  * differences in the zero_damaged_pages setting between the definer and
  * completor of IO.
 */
}

/*
 * mdwritev() -- Write the supplied blocks at the appropriate location.
 *
 * This is to be used only for updating already-existing blocks of a
 * relation (ie, those before the current EOF).  To extend a relation,
 * use mdextend().
 */
void
mdwritev(SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum,
   const void **buffers, BlockNumber nblocks, bool skipFsync)
{
 /* This assert is too expensive to have on normally ... */
#ifdef CHECK_WRITE_VS_EXTEND
 Assert((uint64) blocknum + (uint64) nblocks <= (uint64) mdnblocks(reln, forknum));
#endif

 while (nblocks > 0)
 {
  struct iovec iov[PG_IOV_MAX];
  int   iovcnt;
  off_t  seekpos;
  int   nbytes;
  MdfdVec    *v;
  BlockNumber nblocks_this_segment;
  size_t  transferred_this_segment;
  size_t  size_this_segment;

  v = _mdfd_getseg(reln, forknum, blocknum, skipFsync,
       EXTENSION_FAIL | EXTENSION_CREATE_RECOVERY);

  seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

  Assert(seekpos < (off_t) BLCKSZ * RELSEG_SIZE);

  nblocks_this_segment =
   Min(nblocks,
    RELSEG_SIZE - (blocknum % ((BlockNumber) RELSEG_SIZE)));
  nblocks_this_segment = Min(nblocks_this_segment, lengthof(iov));

  if (nblocks_this_segment != nblocks)
   elog(ERROR, "write crosses segment boundary");

  iovcnt = buffers_to_iovec(iov, (void **) buffers, nblocks_this_segment);
  size_this_segment = nblocks_this_segment * BLCKSZ;
  transferred_this_segment = 0;

  /*
   * Inner loop to continue after a short write.  If the reason is that
   * we're out of disk space, a future attempt should get an ENOSPC
   * error from the kernel.
 */
  for (;;)
  {
   TRACE_POSTGRESQL_SMGR_MD_WRITE_START(forknum, blocknum,
             reln->smgr_rlocator.locator.spcOid,
             reln->smgr_rlocator.locator.dbOid,
             reln->smgr_rlocator.locator.relNumber,
             reln->smgr_rlocator.backend);
   nbytes = FileWriteV(v->mdfd_vfd, iov, iovcnt, seekpos,
        WAIT_EVENT_DATA_FILE_WRITE);
   TRACE_POSTGRESQL_SMGR_MD_WRITE_DONE(forknum, blocknum,
            reln->smgr_rlocator.locator.spcOid,
            reln->smgr_rlocator.locator.dbOid,
            reln->smgr_rlocator.locator.relNumber,
            reln->smgr_rlocator.backend,
            nbytes,
            size_this_segment - transferred_this_segment);

#ifdef SIMULATE_SHORT_WRITE
   nbytes = Min(nbytes, 4096);
#endif

   if (nbytes < 0)
   {
    bool  enospc = errno == ENOSPC;

    ereport(ERROR,
      (errcode_for_file_access(),
       errmsg("could not write blocks %u..%u in file \"%s\": %m",
        blocknum,
        blocknum + nblocks_this_segment - 1,
        FilePathName(v->mdfd_vfd)),
       enospc ? errhint("Check free disk space.") : 0));
   }

   /* One loop should usually be enough. */
   transferred_this_segment += nbytes;
   Assert(transferred_this_segment <= size_this_segment);
   if (transferred_this_segment == size_this_segment)
    break;

   /* Adjust position and iovecs after a short write. */
   seekpos += nbytes;
   iovcnt = compute_remaining_iovec(iov, iov, iovcnt, nbytes);
  }

  if (!skipFsync && !SmgrIsTemp(reln))
   register_dirty_segment(reln, forknum, v);

  nblocks -= nblocks_this_segment;
  buffers += nblocks_this_segment;
  blocknum += nblocks_this_segment;
 }
}


/*
 * mdwriteback() -- Tell the kernel to write pages back to storage.
 *
 * This accepts a range of blocks because flushing several pages at once is
 * considerably more efficient than doing so individually.
 */
void
mdwriteback(SMgrRelation reln, ForkNumber forknum,
   BlockNumber blocknum, BlockNumber nblocks)
{
 Assert((io_direct_flags & IO_DIRECT_DATA) == 0);

 /*
  * Issue flush requests in as few requests as possible; have to split at
  * segment boundaries though, since those are actually separate files.
 */
 while (nblocks > 0)
 {
  BlockNumber nflush = nblocks;
  off_t  seekpos;
  MdfdVec    *v;
  int   segnum_start,
     segnum_end;

  v = _mdfd_getseg(reln, forknum, blocknum, true /* not used */ ,
       EXTENSION_DONT_OPEN);

  /*
   * We might be flushing buffers of already removed relations, that's
   * ok, just ignore that case.  If the segment file wasn't open already
   * (ie from a recent mdwrite()), then we don't want to re-open it, to
   * avoid a race with PROCSIGNAL_BARRIER_SMGRRELEASE that might leave
   * us with a descriptor to a file that is about to be unlinked.
 */
  if (!v)
   return;

  /* compute offset inside the current segment */
  segnum_start = blocknum / RELSEG_SIZE;

  /* compute number of desired writes within the current segment */
  segnum_end = (blocknum + nblocks - 1) / RELSEG_SIZE;
  if (segnum_start != segnum_end)
   nflush = RELSEG_SIZE - (blocknum % ((BlockNumber) RELSEG_SIZE));

  Assert(nflush >= 1);
  Assert(nflush <= nblocks);

  seekpos = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

  FileWriteback(v->mdfd_vfd, seekpos, (off_t) BLCKSZ * nflush, WAIT_EVENT_DATA_FILE_FLUSH);

  nblocks -= nflush;
  blocknum += nflush;
 }
}

/*
 * mdnblocks() -- Get the number of blocks stored in a relation.
 *
 * Important side effect: all active segments of the relation are opened
 * and added to the md_seg_fds array.  If this routine has not been
 * called, then only segments up to the last one actually touched
 * are present in the array.
 */
BlockNumber
mdnblocks(SMgrRelation reln, ForkNumber forknum)
{
 MdfdVec    *v;
 BlockNumber nblocks;
 BlockNumber segno;

 mdopenfork(reln, forknum, EXTENSION_FAIL);

 /* mdopen has opened the first segment */
 Assert(reln->md_num_open_segs[forknum] > 0);

 /*
  * Start from the last open segments, to avoid redundant seeks.  We have
  * previously verified that these segments are exactly RELSEG_SIZE long,
  * and it's useless to recheck that each time.
  *
  * NOTE: this assumption could only be wrong if another backend has
  * truncated the relation.  We rely on higher code levels to handle that
  * scenario by closing and re-opening the md fd, which is handled via
  * relcache flush.  (Since the checkpointer doesn't participate in
  * relcache flush, it could have segment entries for inactive segments;
  * that's OK because the checkpointer never needs to compute relation
  * size.)
 */
 segno = reln->md_num_open_segs[forknum] - 1;
 v = &reln->md_seg_fds[forknum][segno];

 for (;;)
 {
  nblocks = _mdnblocks(reln, forknum, v);
  if (nblocks > ((BlockNumber) RELSEG_SIZE))
   elog(FATAL, "segment too big");
  if (nblocks < ((BlockNumber) RELSEG_SIZE))
   return (segno * ((BlockNumber) RELSEG_SIZE)) + nblocks;

  /*
   * If segment is exactly RELSEG_SIZE, advance to next one.
 */
  segno++;

  /*
   * We used to pass O_CREAT here, but that has the disadvantage that it
   * might create a segment which has vanished through some operating
   * system misadventure.  In such a case, creating the segment here
   * undermines _mdfd_getseg's attempts to notice and report an error
   * upon access to a missing segment.
 */
  v = _mdfd_openseg(reln, forknum, segno, 0);
  if (v == NULL)
   return segno * ((BlockNumber) RELSEG_SIZE);
 }
}

/*
 * mdtruncate() -- Truncate relation to specified number of blocks.
 *
 * Guaranteed not to allocate memory, so it can be used in a critical section.
 * Caller must have called smgrnblocks() to obtain curnblk while holding a
 * sufficient lock to prevent a change in relation size, and not used any smgr
 * functions for this relation or handled interrupts in between.  This makes
 * sure we have opened all active segments, so that truncate loop will get
 * them all!
 *
 * If nblocks > curnblk, the request is ignored when we are InRecovery,
 * otherwise, an error is raised.
 */
void
mdtruncate(SMgrRelation reln, ForkNumber forknum,
     BlockNumber curnblk, BlockNumber nblocks)
{
 BlockNumber priorblocks;
 int   curopensegs;

 if (nblocks > curnblk)
 {
  /* Bogus request ... but no complaint if InRecovery */
  if (InRecovery)
   return;
  ereport(ERROR,
    (errmsg("could not truncate file \"%s\" to %u blocks: it's only %u blocks now",
      relpath(reln->smgr_rlocator, forknum).str,
      nblocks, curnblk)));
 }
 if (nblocks == curnblk)
  return;     /* no work */

 /*
  * Truncate segments, starting at the last one. Starting at the end makes
  * managing the memory for the fd array easier, should there be errors.
 */
 curopensegs = reln->md_num_open_segs[forknum];
 while (curopensegs > 0)
 {
  MdfdVec    *v;

  priorblocks = (curopensegs - 1) * RELSEG_SIZE;

  v = &reln->md_seg_fds[forknum][curopensegs - 1];

  if (priorblocks > nblocks)
  {
   /*
    * This segment is no longer active. We truncate the file, but do
    * not delete it, for reasons explained in the header comments.
 */
   if (FileTruncate(v->mdfd_vfd, 0, WAIT_EVENT_DATA_FILE_TRUNCATE) < 0)
    ereport(ERROR,
      (errcode_for_file_access(),
       errmsg("could not truncate file \"%s\": %m",
        FilePathName(v->mdfd_vfd))));

   if (!SmgrIsTemp(reln))
    register_dirty_segment(reln, forknum, v);

   /* we never drop the 1st segment */
   Assert(v != &reln->md_seg_fds[forknum][0]);

   FileClose(v->mdfd_vfd);
   _fdvec_resize(reln, forknum, curopensegs - 1);
  }
  else if (priorblocks + ((BlockNumber) RELSEG_SIZE) > nblocks)
  {
   /*
    * This is the last segment we want to keep. Truncate the file to
    * the right length. NOTE: if nblocks is exactly a multiple K of
    * RELSEG_SIZE, we will truncate the K+1st segment to 0 length but
    * keep it. This adheres to the invariant given in the header
    * comments.
 */
   BlockNumber lastsegblocks = nblocks - priorblocks;

   if (FileTruncate(v->mdfd_vfd, (off_t) lastsegblocks * BLCKSZ, WAIT_EVENT_DATA_FILE_TRUNCATE) < 0)
    ereport(ERROR,
      (errcode_for_file_access(),
       errmsg("could not truncate file \"%s\" to %u blocks: %m",
        FilePathName(v->mdfd_vfd),
        nblocks)));
   if (!SmgrIsTemp(reln))
    register_dirty_segment(reln, forknum, v);
  }
  else
  {
   /*
    * We still need this segment, so nothing to do for this and any
    * earlier segment.
 */
   break;
  }
  curopensegs--;
 }
}

/*
 * mdregistersync() -- Mark whole relation as needing fsync
 */
void
mdregistersync(SMgrRelation reln, ForkNumber forknum)
{
 int   segno;
 int   min_inactive_seg;

 /*
  * NOTE: mdnblocks makes sure we have opened all active segments, so that
  * the loop below will get them all!
 */
 mdnblocks(reln, forknum);

 min_inactive_seg = segno = reln->md_num_open_segs[forknum];

 /*
  * Temporarily open inactive segments, then close them after sync.  There
  * may be some inactive segments left opened after error, but that is
  * harmless.  We don't bother to clean them up and take a risk of further
  * trouble.  The next mdclose() will soon close them.
 */
 while (_mdfd_openseg(reln, forknum, segno, 0) != NULL)
  segno++;

 while (segno > 0)
 {
  MdfdVec    *v = &reln->md_seg_fds[forknum][segno - 1];

  register_dirty_segment(reln, forknum, v);

  /* Close inactive segments immediately */
  if (segno > min_inactive_seg)
  {
   FileClose(v->mdfd_vfd);
   _fdvec_resize(reln, forknum, segno - 1);
  }

  segno--;
 }
}

/*
 * mdimmedsync() -- Immediately sync a relation to stable storage.
 *
 * Note that only writes already issued are synced; this routine knows
 * nothing of dirty buffers that may exist inside the buffer manager.  We
 * sync active and inactive segments; smgrDoPendingSyncs() relies on this.
 * Consider a relation skipping WAL.  Suppose a checkpoint syncs blocks of
 * some segment, then mdtruncate() renders that segment inactive.  If we
 * crash before the next checkpoint syncs the newly-inactive segment, that
 * segment may survive recovery, reintroducing unwanted data into the table.
 */
void
mdimmedsync(SMgrRelation reln, ForkNumber forknum)
{
 int   segno;
 int   min_inactive_seg;

 /*
  * NOTE: mdnblocks makes sure we have opened all active segments, so that
  * the loop below will get them all!
 */
 mdnblocks(reln, forknum);

 min_inactive_seg = segno = reln->md_num_open_segs[forknum];

 /*
  * Temporarily open inactive segments, then close them after sync.  There
  * may be some inactive segments left opened after fsync() error, but that
  * is harmless.  We don't bother to clean them up and take a risk of
  * further trouble.  The next mdclose() will soon close them.
 */
 while (_mdfd_openseg(reln, forknum, segno, 0) != NULL)
  segno++;

 while (segno > 0)
 {
  MdfdVec    *v = &reln->md_seg_fds[forknum][segno - 1];

  /*
   * fsyncs done through mdimmedsync() should be tracked in a separate
   * IOContext than those done through mdsyncfiletag() to differentiate
   * between unavoidable client backend fsyncs (e.g. those done during
   * index build) and those which ideally would have been done by the
   * checkpointer. Since other IO operations bypassing the buffer
   * manager could also be tracked in such an IOContext, wait until
   * these are also tracked to track immediate fsyncs.
 */
  if (FileSync(v->mdfd_vfd, WAIT_EVENT_DATA_FILE_IMMEDIATE_SYNC) < 0)
   ereport(data_sync_elevel(ERROR),
     (errcode_for_file_access(),
      errmsg("could not fsync file \"%s\": %m",
       FilePathName(v->mdfd_vfd))));

  /* Close inactive segments immediately */
  if (segno > min_inactive_seg)
  {
   FileClose(v->mdfd_vfd);
   _fdvec_resize(reln, forknum, segno - 1);
  }

  segno--;
 }
}

int
mdfd(SMgrRelation reln, ForkNumber forknum, BlockNumber blocknum, uint32 *off)
{
 MdfdVec    *v = mdopenfork(reln, forknum, EXTENSION_FAIL);

 v = _mdfd_getseg(reln, forknum, blocknum, false,
      EXTENSION_FAIL);

 *off = (off_t) BLCKSZ * (blocknum % ((BlockNumber) RELSEG_SIZE));

 Assert(*off < (off_t) BLCKSZ * RELSEG_SIZE);

 return FileGetRawDesc(v->mdfd_vfd);
}

/*
 * register_dirty_segment() -- Mark a relation segment as needing fsync
 *
 * If there is a local pending-ops table, just make an entry in it for
 * ProcessSyncRequests to process later.  Otherwise, try to pass off the
 * fsync request to the checkpointer process.  If that fails, just do the
 * fsync locally before returning (we hope this will not happen often
 * enough to be a performance problem).
 */
static void
register_dirty_segment(SMgrRelation reln, ForkNumber forknum, MdfdVec *seg)
{
 FileTag  tag;

 INIT_MD_FILETAG(tag, reln->smgr_rlocator.locator, forknum, seg->mdfd_segno);

 /* Temp relations should never be fsync'd */
 Assert(!SmgrIsTemp(reln));

 if (!RegisterSyncRequest(&tag, SYNC_REQUEST, false /* retryOnError */ ))
 {
  instr_time io_start;

  ereport(DEBUG1,
    (errmsg_internal("could not forward fsync request because request queue is full")));

  io_start = pgstat_prepare_io_time(track_io_timing);

  if (FileSync(seg->mdfd_vfd, WAIT_EVENT_DATA_FILE_SYNC) < 0)
   ereport(data_sync_elevel(ERROR),
     (errcode_for_file_access(),
      errmsg("could not fsync file \"%s\": %m",
       FilePathName(seg->mdfd_vfd))));

  /*
   * We have no way of knowing if the current IOContext is
   * IOCONTEXT_NORMAL or IOCONTEXT_[BULKREAD, BULKWRITE, VACUUM] at this
   * point, so count the fsync as being in the IOCONTEXT_NORMAL
   * IOContext. This is probably okay, because the number of backend
   * fsyncs doesn't say anything about the efficacy of the
   * BufferAccessStrategy. And counting both fsyncs done in
   * IOCONTEXT_NORMAL and IOCONTEXT_[BULKREAD, BULKWRITE, VACUUM] under
   * IOCONTEXT_NORMAL is likely clearer when investigating the number of
   * backend fsyncs.
 */
  pgstat_count_io_op_time(IOOBJECT_RELATION, IOCONTEXT_NORMAL,
        IOOP_FSYNC, io_start, 1, 0);
 }
}

/*
 * register_unlink_segment() -- Schedule a file to be deleted after next checkpoint
 */
static void
register_unlink_segment(RelFileLocatorBackend rlocator, ForkNumber forknum,
      BlockNumber segno)
{
 FileTag  tag;

 INIT_MD_FILETAG(tag, rlocator.locator, forknum, segno);

 /* Should never be used with temp relations */
 Assert(!RelFileLocatorBackendIsTemp(rlocator));

 RegisterSyncRequest(&tag, SYNC_UNLINK_REQUEST, true /* retryOnError */ );
}

/*
 * register_forget_request() -- forget any fsyncs for a relation fork's segment
 */
static void
register_forget_request(RelFileLocatorBackend rlocator, ForkNumber forknum,
      BlockNumber segno)
{
 FileTag  tag;

 INIT_MD_FILETAG(tag, rlocator.locator, forknum, segno);

 RegisterSyncRequest(&tag, SYNC_FORGET_REQUEST, true /* retryOnError */ );
}

/*
 * ForgetDatabaseSyncRequests -- forget any fsyncs and unlinks for a DB
 */
void
ForgetDatabaseSyncRequests(Oid dbid)
{
 FileTag  tag;
 RelFileLocator rlocator;

 rlocator.dbOid = dbid;
 rlocator.spcOid = 0;
 rlocator.relNumber = 0;

 INIT_MD_FILETAG(tag, rlocator, InvalidForkNumber, InvalidBlockNumber);

 RegisterSyncRequest(&tag, SYNC_FILTER_REQUEST, true /* retryOnError */ );
}

/*
 * DropRelationFiles -- drop files of all given relations
 */
void
DropRelationFiles(RelFileLocator *delrels, int ndelrels, bool isRedo)
{
 SMgrRelation *srels;
 int   i;

 srels = palloc(sizeof(SMgrRelation) * ndelrels);
 for (i = 0; i < ndelrels; i++)
 {
  SMgrRelation srel = smgropen(delrels[i], INVALID_PROC_NUMBER);

  if (isRedo)
  {
   ForkNumber fork;

   for (fork = 0; fork <= MAX_FORKNUM; fork++)
    XLogDropRelation(delrels[i], fork);
  }
  srels[i] = srel;
 }

 smgrdounlinkall(srels, ndelrels, isRedo);

 for (i = 0; i < ndelrels; i++)
  smgrclose(srels[i]);
 pfree(srels);
}


/*
 * _fdvec_resize() -- Resize the fork's open segments array
 */
static void
_fdvec_resize(SMgrRelation reln,
     ForkNumber forknum,
     int nseg)
{
 if (nseg == 0)
 {
  if (reln->md_num_open_segs[forknum] > 0)
  {
   pfree(reln->md_seg_fds[forknum]);
   reln->md_seg_fds[forknum] = NULL;
  }
 }
 else if (reln->md_num_open_segs[forknum] == 0)
 {
  reln->md_seg_fds[forknum] =
   MemoryContextAlloc(MdCxt, sizeof(MdfdVec) * nseg);
 }
 else if (nseg > reln->md_num_open_segs[forknum])
 {
  /*
   * It doesn't seem worthwhile complicating the code to amortize
   * repalloc() calls.  Those are far faster than PathNameOpenFile() or
   * FileClose(), and the memory context internally will sometimes avoid
   * doing an actual reallocation.
 */
  reln->md_seg_fds[forknum] =
   repalloc(reln->md_seg_fds[forknum],
      sizeof(MdfdVec) * nseg);
 }
 else
 {
  /*
   * We don't reallocate a smaller array, because we want mdtruncate()
   * to be able to promise that it won't allocate memory, so that it is
   * allowed in a critical section.  This means that a bit of space in
   * the array is now wasted, until the next time we add a segment and
   * reallocate.
 */
 }

 reln->md_num_open_segs[forknum] = nseg;
}

/*
 * Return the filename for the specified segment of the relation. The
 * returned string is palloc'd.
 */
static MdPathStr
_mdfd_segpath(SMgrRelation reln, ForkNumber forknum, BlockNumber segno)
{
 RelPathStr path;
 MdPathStr fullpath;

 path = relpath(reln->smgr_rlocator, forknum);

 if (segno > 0)
  sprintf(fullpath.str, "%s.%u", path.str, segno);
 else
  strcpy(fullpath.str, path.str);

 return fullpath;
}

/*
 * Open the specified segment of the relation,
 * and make a MdfdVec object for it.  Returns NULL on failure.
 */
static MdfdVec *
_mdfd_openseg(SMgrRelation reln, ForkNumber forknum, BlockNumber segno,
     int oflags)
{
 MdfdVec    *v;
 File  fd;
 MdPathStr fullpath;

 fullpath = _mdfd_segpath(reln, forknum, segno);

 /* open the file */
 fd = PathNameOpenFile(fullpath.str, _mdfd_open_flags() | oflags);

 if (fd < 0)
  return NULL;

 /*
  * Segments are always opened in order from lowest to highest, so we must
  * be adding a new one at the end.
 */
 Assert(segno == reln->md_num_open_segs[forknum]);

 _fdvec_resize(reln, forknum, segno + 1);

 /* fill the entry */
 v = &reln->md_seg_fds[forknum][segno];
 v->mdfd_vfd = fd;
 v->mdfd_segno = segno;

 Assert(_mdnblocks(reln, forknum, v) <= ((BlockNumber) RELSEG_SIZE));

 /* all done */
 return v;
}

/*
 * _mdfd_getseg() -- Find the segment of the relation holding the
 *      specified block.
 *
 * If the segment doesn't exist, we ereport, return NULL, or create the
 * segment, according to "behavior".  Note: skipFsync is only used in the
 * EXTENSION_CREATE case.
 */
static MdfdVec *
_mdfd_getseg(SMgrRelation reln, ForkNumber forknum, BlockNumber blkno,
    bool skipFsync, int behavior)
{
 MdfdVec    *v;
 BlockNumber targetseg;
 BlockNumber nextsegno;

 /* some way to handle non-existent segments needs to be specified */
 Assert(behavior &
     (EXTENSION_FAIL | EXTENSION_CREATE | EXTENSION_RETURN_NULL |
   EXTENSION_DONT_OPEN));

 targetseg = blkno / ((BlockNumber) RELSEG_SIZE);

 /* if an existing and opened segment, we're done */
 if (targetseg < reln->md_num_open_segs[forknum])
 {
  v = &reln->md_seg_fds[forknum][targetseg];
  return v;
 }

 /* The caller only wants the segment if we already had it open. */
 if (behavior & EXTENSION_DONT_OPEN)
  return NULL;

 /*
  * The target segment is not yet open. Iterate over all the segments
  * between the last opened and the target segment. This way missing
  * segments either raise an error, or get created (according to
  * 'behavior'). Start with either the last opened, or the first segment if
  * none was opened before.
 */
 if (reln->md_num_open_segs[forknum] > 0)
  v = &reln->md_seg_fds[forknum][reln->md_num_open_segs[forknum] - 1];
 else
 {
  v = mdopenfork(reln, forknum, behavior);
  if (!v)
   return NULL;  /* if behavior & EXTENSION_RETURN_NULL */
 }

 for (nextsegno = reln->md_num_open_segs[forknum];
   nextsegno <= targetseg; nextsegno++)
 {
  BlockNumber nblocks = _mdnblocks(reln, forknum, v);
  int   flags = 0;

  Assert(nextsegno == v->mdfd_segno + 1);

  if (nblocks > ((BlockNumber) RELSEG_SIZE))
   elog(FATAL, "segment too big");

  if ((behavior & EXTENSION_CREATE) ||
   (InRecovery && (behavior & EXTENSION_CREATE_RECOVERY)))
  {
   /*
    * Normally we will create new segments only if authorized by the
    * caller (i.e., we are doing mdextend()).  But when doing WAL
    * recovery, create segments anyway; this allows cases such as
    * replaying WAL data that has a write into a high-numbered
    * segment of a relation that was later deleted. We want to go
    * ahead and create the segments so we can finish out the replay.
    *
    * We have to maintain the invariant that segments before the last
    * active segment are of size RELSEG_SIZE; therefore, if
    * extending, pad them out with zeroes if needed.  (This only
    * matters if in recovery, or if the caller is extending the
    * relation discontiguously, but that can happen in hash indexes.)
 */
   if (nblocks < ((BlockNumber) RELSEG_SIZE))
   {
    char    *zerobuf = palloc_aligned(BLCKSZ, PG_IO_ALIGN_SIZE,
              MCXT_ALLOC_ZERO);

    mdextend(reln, forknum,
       nextsegno * ((BlockNumber) RELSEG_SIZE) - 1,
       zerobuf, skipFsync);
    pfree(zerobuf);
   }
   flags = O_CREAT;
  }
  else if (nblocks < ((BlockNumber) RELSEG_SIZE))
  {
   /*
    * When not extending, only open the next segment if the current
    * one is exactly RELSEG_SIZE.  If not (this branch), either
    * return NULL or fail.
 */
   if (behavior & EXTENSION_RETURN_NULL)
   {
    /*
     * Some callers discern between reasons for _mdfd_getseg()
     * returning NULL based on errno. As there's no failing
     * syscall involved in this case, explicitly set errno to
     * ENOENT, as that seems the closest interpretation.
 */
    errno = ENOENT;
    return NULL;
   }

   ereport(ERROR,
     (errcode_for_file_access(),
      errmsg("could not open file \"%s\" (target block %u): previous segment is only %u blocks",
       _mdfd_segpath(reln, forknum, nextsegno).str,
       blkno, nblocks)));
  }

  v = _mdfd_openseg(reln, forknum, nextsegno, flags);

  if (v == NULL)
  {
   if ((behavior & EXTENSION_RETURN_NULL) &&
    FILE_POSSIBLY_DELETED(errno))
    return NULL;
   ereport(ERROR,
     (errcode_for_file_access(),
      errmsg("could not open file \"%s\" (target block %u): %m",
       _mdfd_segpath(reln, forknum, nextsegno).str,
       blkno)));
  }
 }

 return v;
}

/*
 * Get number of blocks present in a single disk file
 */
static BlockNumber
_mdnblocks(SMgrRelation reln, ForkNumber forknum, MdfdVec *seg)
{
 off_t  len;

 len = FileSize(seg->mdfd_vfd);
 if (len < 0)
  ereport(ERROR,
    (errcode_for_file_access(),
     errmsg("could not seek to end of file \"%s\": %m",
      FilePathName(seg->mdfd_vfd))));
 /* note that this calculation will ignore any partial block at EOF */
 return (BlockNumber) (len / BLCKSZ);
}

/*
 * Sync a file to disk, given a file tag.  Write the path into an output
 * buffer so the caller can use it in error messages.
 *
 * Return 0 on success, -1 on failure, with errno set.
 */
int
mdsyncfiletag(const FileTag *ftag, char *path)
{
 SMgrRelation reln = smgropen(ftag->rlocator, INVALID_PROC_NUMBER);
 File  file;
 instr_time io_start;
 bool  need_to_close;
 int   result,
    save_errno;

 /* See if we already have the file open, or need to open it. */
 if (ftag->segno < reln->md_num_open_segs[ftag->forknum])
 {
  file = reln->md_seg_fds[ftag->forknum][ftag->segno].mdfd_vfd;
  strlcpy(path, FilePathName(file), MAXPGPATH);
  need_to_close = false;
 }
 else
 {
  MdPathStr p;

  p = _mdfd_segpath(reln, ftag->forknum, ftag->segno);
  strlcpy(path, p.str, MD_PATH_STR_MAXLEN);

  file = PathNameOpenFile(path, _mdfd_open_flags());
  if (file < 0)
   return -1;
  need_to_close = true;
 }

 io_start = pgstat_prepare_io_time(track_io_timing);

 /* Sync the file. */
 result = FileSync(file, WAIT_EVENT_DATA_FILE_SYNC);
 save_errno = errno;

 if (need_to_close)
  FileClose(file);

 pgstat_count_io_op_time(IOOBJECT_RELATION, IOCONTEXT_NORMAL,
       IOOP_FSYNC, io_start, 1, 0);

 errno = save_errno;
 return result;
}

/*
 * Unlink a file, given a file tag.  Write the path into an output
 * buffer so the caller can use it in error messages.
 *
 * Return 0 on success, -1 on failure, with errno set.
 */
int
mdunlinkfiletag(const FileTag *ftag, char *path)
{
 RelPathStr p;

 /* Compute the path. */
 p = relpathperm(ftag->rlocator, MAIN_FORKNUM);
 strlcpy(path, p.str, MAXPGPATH);

 /* Try to unlink the file. */
 return unlink(path);
}

/*
 * Check if a given candidate request matches a given tag, when processing
 * a SYNC_FILTER_REQUEST request.  This will be called for all pending
 * requests to find out whether to forget them.
 */
bool
mdfiletagmatches(const FileTag *ftag, const FileTag *candidate)
{
 /*
  * For now we only use filter requests as a way to drop all scheduled
  * callbacks relating to a given database, when dropping the database.
  * We'll return true for all candidates that have the same database OID as
  * the ftag from the SYNC_FILTER_REQUEST request, so they're forgotten.
 */
 return ftag->rlocator.dbOid == candidate->rlocator.dbOid;
}

/*
 * AIO completion callback for mdstartreadv().
 */
static PgAioResult
md_readv_complete(PgAioHandle *ioh, PgAioResult prior_result, uint8 cb_data)
{
 PgAioTargetData *td = pgaio_io_get_target_data(ioh);
 PgAioResult result = prior_result;

 if (prior_result.result < 0)
 {
  result.status = PGAIO_RS_ERROR;
  result.id = PGAIO_HCB_MD_READV;
  /* For "hard" errors, track the error number in error_data */
  result.error_data = -prior_result.result;
  result.result = 0;

  /*
   * Immediately log a message about the IO error, but only to the
   * server log. The reason to do so immediately is that the originator
   * might not process the query result immediately (because it is busy
   * doing another part of query processing) or at all (e.g. if it was
   * cancelled or errored out due to another IO also failing).  The
   * definer of the IO will emit an ERROR when processing the IO's
   * results
 */
  pgaio_result_report(result, td, LOG_SERVER_ONLY);

  return result;
 }

 /*
  * As explained above smgrstartreadv(), the smgr API operates on the level
  * of blocks, rather than bytes. Convert.
 */
 result.result /= BLCKSZ;

 Assert(result.result <= td->smgr.nblocks);

 if (result.result == 0)
 {
  /* consider 0 blocks read a failure */
  result.status = PGAIO_RS_ERROR;
  result.id = PGAIO_HCB_MD_READV;
  result.error_data = 0;

  /* see comment above the "hard error" case */
  pgaio_result_report(result, td, LOG_SERVER_ONLY);

  return result;
 }

 if (result.status != PGAIO_RS_ERROR &&
  result.result < td->smgr.nblocks)
 {
  /* partial reads should be retried at upper level */
  result.status = PGAIO_RS_PARTIAL;
  result.id = PGAIO_HCB_MD_READV;
 }

 return result;
}

/*
 * AIO error reporting callback for mdstartreadv().
 *
 * Errors are encoded as follows:
 * - PgAioResult.error_data != 0 encodes IO that failed with that errno
 * - PgAioResult.error_data == 0 encodes IO that didn't read all data
 */
static void
md_readv_report(PgAioResult result, const PgAioTargetData *td, int elevel)
{
 RelPathStr path;

 path = relpathbackend(td->smgr.rlocator,
        td->smgr.is_temp ? MyProcNumber : INVALID_PROC_NUMBER,
        td->smgr.forkNum);

 if (result.error_data != 0)
 {
  /* for errcode_for_file_access() and %m */
  errno = result.error_data;

  ereport(elevel,
    errcode_for_file_access(),
    errmsg("could not read blocks %u..%u in file \"%s\": %m",
        td->smgr.blockNum,
        td->smgr.blockNum + td->smgr.nblocks - 1,
        path.str));
 }
 else
 {
  /*
   * NB: This will typically only be output in debug messages, while
   * retrying a partial IO.
 */
  ereport(elevel,
    errcode(ERRCODE_DATA_CORRUPTED),
    errmsg("could not read blocks %u..%u in file \"%s\": read only %zu of %zu bytes",
        td->smgr.blockNum,
        td->smgr.blockNum + td->smgr.nblocks - 1,
        path.str,
        result.result * (size_t) BLCKSZ,
        td->smgr.nblocks * (size_t) BLCKSZ));
 }
}