/[Search-Estraier]/trunk/scripts/est-spider
This is repository of my old source code which isn't updated any more. Go to git.rot13.org for current projects!
ViewVC logotype

Diff of /trunk/scripts/est-spider

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

revision 89 by dpavlin, Wed Jan 25 23:38:57 2006 UTC revision 119 by dpavlin, Mon Apr 17 10:31:11 2006 UTC
# Line 7  use Search::Estraier; Line 7  use Search::Estraier;
7  use Text::Iconv;  use Text::Iconv;
8  #use File::MMagic;  #use File::MMagic;
9  use File::MMagic::XS qw/:compat/;  use File::MMagic::XS qw/:compat/;
10    use Time::HiRes qw/time/;
11    
12  my $collection;         # name which will be inserted  my $collection;         # name which will be inserted
13  my $path_add;           # add additional info in path  my $path_add;           # add additional info in path
# Line 16  my $exclude; Line 17  my $exclude;
17  #$verbose = 1;  #$verbose = 1;
18  my $debug = 0;  my $debug = 0;
19  my $force = 0;  my $force = 0;
20    my $all = 0;
21    
22  my $result = GetOptions(  my $result = GetOptions(
23          "collection=s" => \$collection,          "collection=s" => \$collection,
# Line 24  my $result = GetOptions( Line 26  my $result = GetOptions(
26          "debug!" => \$debug,          "debug!" => \$debug,
27          "exclude=s" => \$exclude,          "exclude=s" => \$exclude,
28          "force!" => \$force,          "force!" => \$force,
29            "all!" => \$all,
30  );  );
31    
32  my ($node_url,$dir) = @ARGV;  my ($node_url,$dir) = @ARGV;
# Line 38  options: Line 41  options:
41          --verbose          --verbose
42          --force          --force
43          --debug          --debug
44            --all   save placeholders for all files
45  _END_OF_USAGE_  _END_OF_USAGE_
46    
47  if (! -e $dir) {  if (! -e $dir) {
# Line 49  if (! -e $dir) { Line 53  if (! -e $dir) {
53  #$basedir =~ s,/[^/]+$,/,;  #$basedir =~ s,/[^/]+$,/,;
54  #require "$basedir/filter.pm";  #require "$basedir/filter.pm";
55    
56  my $pdftotext = which('pdftotext');  my $docs = 0;
57    my $start_t = time();
58    
59    my $filter;
60    foreach my $f (qw/pdftotext pstotext/) {
61            my $w = which($f);
62            if ($f) {
63                    $filter->{$f} = $w;
64                    print STDERR "using $f filter at $w\n" if ($verbose);
65            }
66    }
67    
68  #my $mm = new File::MMagic('/usr/share/misc/file/magic');  #my $mm = new File::MMagic('/usr/share/misc/file/magic');
69  my $mm = new File::MMagic::XS();  my $mm = new File::MMagic::XS();
# Line 59  my $iconv = new Text::Iconv('iso-8859-2' Line 73  my $iconv = new Text::Iconv('iso-8859-2'
73  select(STDERR); $|=1;  select(STDERR); $|=1;
74  select(STDOUT); $|=1;  select(STDOUT); $|=1;
75    
76  print STDERR "using $pdftotext to convert pdf into html\n" if ($pdftotext && $verbose);  my $db = new Search::Estraier::Node(
77            url => $node_url,
78  my $db = new Search::Estraier::Node;          user => 'admin',
79  $db->set_url($node_url);          passwd => 'admin',
80  $db->set_auth('admin', 'admin');          croak_on_error => 1,
81    );
82    
83  find({ wanted => \&file,  find({ wanted => \&file,
84          follow => 1,          follow => 1,
# Line 71  find({ wanted => \&file, Line 86  find({ wanted => \&file,
86          no_chdir => 1,          no_chdir => 1,
87  }, $dir);  }, $dir);
88    
89    my $dur = (time() - $start_t) || 1;
90    printf STDERR "%d documents in %.2fs [%.2f docs/s]\n", $docs, $dur, ($docs / $dur);
91    
92  exit;  exit;
93    
94  sub dump_contents($$$$) {  sub dump_contents {
95          my ($db,$contents,$mtime,$path) = @_;          my ($db,$contents,$mtime,$path,$size) = @_;
96    
97          return unless ($contents);      # don't die on empty files          return unless (defined($contents));     # don't die on empty files
98    
99          if ($exclude && $path =~ m/$exclude/i) {          if ($exclude && $path =~ m/$exclude/i) {
100                  print STDERR "skip: $path\n" if ($verbose);                  print STDERR "skip: $path\n" if ($verbose);
# Line 85  sub dump_contents($$$$) { Line 102  sub dump_contents($$$$) {
102          }          }
103    
104          use bytes;          use bytes;
105          my $size = length $contents;          if (! $size) {
106                    $size = length $contents;
107            }
108    
109          print STDERR " [$size]" if ($verbose);          print STDERR " [$size]" if ($verbose);
110    
# Line 105  sub dump_contents($$$$) { Line 124  sub dump_contents($$$$) {
124          $doc->add_attr('@size', $size);          $doc->add_attr('@size', $size);
125          $doc->add_attr('@mtime', $mtime);          $doc->add_attr('@mtime', $mtime);
126    
127          # html2text          if ($contents) {
128          $contents =~ s#<[^>]+/*>##gs;                  # html2text
129          $contents =~ s#\s\s+# #gs;                  $contents =~ s#<[^>]+/*>##gs;
130                    $contents =~ s#\s\s+# #gs;
131    
132          $doc->add_text($iconv->convert($contents));                  $doc->add_text($iconv->convert($contents));
133            }
134            # store path
135            $doc->add_hidden_text($path);
136            # boost title
137            $doc->add_hidden_text($title);
138    
139  #       print $doc->dump_draft if ($verbose);          print $doc->dump_draft if ($verbose);
140    
141          # register the document object to the database          # register the document object to the database
142          $db->put_doc($doc);          $db->put_doc($doc);
143    
144  }          $docs++;
   
 sub file {  
   
         my $path = $_;  
         my $contents;  
   
         return if (! $force && -l $path || $path =~ m#/.svn# || $path =~ m/(~|.bak)$/);  
   
         my $mtime = (stat($path))[9] || -1;  
         my $mtime_db = $db->get_doc_attr_by_uri("file:///$path", '@mtime') || -2;  
   
         if ($mtime == $mtime_db) {  
                 print STDERR "# same: $path $mtime\n" if ($verbose);  
                 return unless($force);  
         } else {  
                 print STDERR "# changed: $path $mtime != $mtime_db\n" if ($debug);  
         }  
   
         # skip files on which File::MMagic::XS croaks  
         return if ($path =~ m#\.au$#);  
   
         my $type = $mm->checktype_filename($path);  
         $type =~ s/\s+/ /gs;  
145    
146          print STDERR "# $path $type\n" if ($debug);  }
147    
148          if ($pdftotext && -f $path && $type =~ m/pdf/i) {  sub filter_to_pages {
149                    my ($path, $mtime, $command) = @_;
150    
151                  print STDERR "$path {converting}" if ($verbose);                  print STDERR "$path {converting}" if ($verbose);
152    
153                  open(F,"$pdftotext -htmlmeta \"$path\" - |") || die "can't open $pdftotext with '$path'";                  open(F,"$command |") || die "can't open $command with '$path': $!";
154                  my $html;                  my $html;
155                  while(<F>) {                  while(<F>) {
                         # XXX why pdftotext barks if I try to use this is beyond me.  
                         #$contents .= $_;  
   
156                          $html .= $_;                          $html .= $_;
157                  }                  }
158                  close(F);                  close(F);
# Line 185  sub file { Line 185  sub file {
185                          $page_nr++;                          $page_nr++;
186                  }                  }
187    
188    
189    
190    }
191    
192    sub file {
193    
194            my $path = $_;
195            my $contents;
196    
197            return if (! $force && -l $path || $path =~ m#/.svn# || $path =~ m/(~|.bak|.gif)$/);
198    
199            my $mtime = (stat($path))[9] || -1;
200            my $mtime_db = eval { $db->get_doc_attr_by_uri("file:///$path", '@mtime') };
201            $mtime_db ||= -2;
202    
203            if ($mtime == $mtime_db) {
204                    print STDERR "# same: $path $mtime\n" if ($verbose);
205                    return unless($force);
206            } else {
207                    print STDERR "# changed: $path $mtime != $mtime_db\n" if ($debug);
208            }
209    
210            # skip files on which File::MMagic::XS croaks
211            if ($path =~ m#\.au$#) {
212                    warn "skipped '$path' to prevent File::MMagic::XS bug\n" if ($debug);
213                    return;
214            }
215    
216            my $type = $mm->checktype_filename($path);
217            $type =~ s/\s+/ /gs;
218    
219            print STDERR "# $path $type\n" if ($debug);
220    
221            if ($type =~ m/pdf/i) {
222                    if ($filter->{pdftotext}) {
223                            filter_to_pages($path, $mtime, qq( $filter->{pdftotext} -htmlmeta "$path" - ));
224                    } else {
225                            warn "skipping '$path', no pdftotext filter\n" if ($verbose);
226                            return;
227                    }
228            } elsif ($type eq 'application/postscript') {
229                    if ($filter->{pstotext}) {
230                            filter_to_pages($path, $mtime, qq( $filter->{pstotext} "$path" ));
231                    } else {
232                            warn "skipping '$path', no pstotext filter\n" if ($verbose);
233                            return;
234                    }
235          } else {          } else {
236    
237  #               return if (! -f $path || ! m/\.(html*|php|pl|txt|info|log|text)$/i);  #               return if (! -f $path || ! m/\.(html*|php|pl|txt|info|log|text)$/i);
238                  if (-f $path && $type =~ m/html/ ||                  if (-f $path &&
239                          ($type !~ m#text# && $path =~ m/\.(php|pl|txt|info|log|text)$/io)                          $type !~ m/html/ &&
240                            $path !~ m/\.(php|pl|txt|info|log|text)$/io
241                  ) {                  ) {
242                          dump_contents($db, "<title>$path</title> $type", $mtime, $path);                          dump_contents($db, '', $mtime, $path, -s $path) if ($all);
243                            return;
244                  }                  }
245    
246                  # skip index files                  # skip index files
247                  return if (m/index_[a-z]\.html*/i || m/index_symbol\.html*/i);                  return if ($path =~ m/index_(?:[a-z]+|symbol)\.html*/i);
248    
249                  open(F,"$path") || die "can't open file: $path";                  open(F,"$path") || die "can't open file: $path";
250                  print STDERR "$path ($type)" if ($verbose);                  print STDERR "$path ($type)" if ($verbose);
Legend:
Removed from v.89  
changed lines
  Added in v.119
  ViewVC Help
Powered by ViewVC 1.1.26