/[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 64 by dpavlin, Sat Jan 7 23:46:10 2006 UTC revision 178 by dpavlin, Tue Aug 15 16:38:06 2006 UTC
# Line 3  use strict; Line 3  use strict;
3  use File::Find;  use File::Find;
4  use Getopt::Long;  use Getopt::Long;
5  use File::Which;  use File::Which;
 use HyperEstraier;  
6  use Search::Estraier;  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/;
 # do we use Node API?  
 my $node_url;  
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 20  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 $native = 0;  my $all = 0;
21    
22  my $result = GetOptions(  my $result = GetOptions(
23          "collection=s" => \$collection,          "collection=s" => \$collection,
# Line 28  my $result = GetOptions( Line 25  my $result = GetOptions(
25          "verbose!" => \$verbose,          "verbose!" => \$verbose,
26          "debug!" => \$debug,          "debug!" => \$debug,
27          "exclude=s" => \$exclude,          "exclude=s" => \$exclude,
         "node=s" => \$node_url,  
28          "force!" => \$force,          "force!" => \$force,
29          "native!" => \$native,          "all!" => \$all,
30  );  );
31    
32  my $dir = shift @ARGV || die "usage: $0 [dir]";  my ($node_url,$dir) = @ARGV;
33    
34    die <<"_END_OF_USAGE_" if (! $node_url || ! $dir);
35    usage: $0 http://localhost:1978/node/my_dir /path/to/directory
36    
37    options:
38            --collection="name of collection"
39            --path=/path/to/add/at/end
40            --exclude=regex_to_exclude
41            --verbose
42            --force
43            --debug
44            --all   save placeholders for all files
45    _END_OF_USAGE_
46    
47  if (! -e $dir) {  if (! -e $dir) {
48          warn "directory $dir doesn't exist, skipping\n";          warn "directory $dir doesn't exist, skipping\n";
# Line 44  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 54  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 $db;          user => 'admin',
79  if ($node_url) {          passwd => 'admin',
80          if ($native) {          croak_on_error => 1,
81                  $db = HyperEstraier::Node->new($node_url);  );
         } else {  
                 $db = new Search::Estraier::Node;  
                 $db->set_url($node_url);  
         }  
         $db->set_auth('admin', 'admin');  
 } else {  
         # open the database  
         $db = HyperEstraier::Database->new();  
         $db->open('/tmp/casket', $HyperEstraier::Database::DBWRITER | $HyperEstraier::Database::DBCREAT);  
   
         sub signal {  
                 my($sig) = @_;  
                 print "\nCaught a SIG$sig--syncing database and shutting down\n";  
                 $db->sync();  
                 exit(0);  
         }  
   
         $SIG{'INT'}  = \&signal;  
         $SIG{'QUIT'} = \&signal;  
 }  
82    
83  find({ wanted => \&file,  find({ wanted => \&file,
84          follow => 1,          follow => 1,
# Line 87  find({ wanted => \&file, Line 86  find({ wanted => \&file,
86          no_chdir => 1,          no_chdir => 1,
87  }, $dir);  }, $dir);
88    
89  unless ($node_url) {  my $dur = (time() - $start_t) || 1;
90          print "--- sync\n";  printf STDERR "%d documents in %.2fs [%.2f docs/s]\n", $docs, $dur, ($docs / $dur);
91          $db->sync();  
92    $db->master(
93            action => 'sync'
94    );
95    
96    
         print "--- optimize...\n";  
         $db->optimize(0);  
 }  
97  exit;  exit;
98    
99  sub dump_contents($$$$) {  sub dump_contents {
100          my ($db,$contents,$mtime,$path) = @_;          my ($db,$contents,$mtime,$path,$size) = @_;
101    
102          return unless ($contents);      # don't die on empty files          return unless (defined($contents));     # don't die on empty files
103    
104          if ($exclude && $path =~ m/$exclude/i) {          if ($exclude && $path =~ m/$exclude/i) {
105                  print STDERR "skip: $path\n" if ($verbose);                  print STDERR "skip: $path\n" if ($verbose);
# Line 107  sub dump_contents($$$$) { Line 107  sub dump_contents($$$$) {
107          }          }
108    
109          use bytes;          use bytes;
110          my $size = length $contents;          if (! $size) {
111                    $size = length $contents;
112            }
113    
114          print STDERR " [$size]" if ($verbose);          print STDERR " [$size]" if ($verbose);
115    
116          # create a document object          # create a document object
117          my $doc;          my $doc = new Search::Estraier::Document;
         if ($native) {  
                 $doc = HyperEstraier::Document->new;  
         } else {  
                 $doc = new Search::Estraier::Document;  
         }  
118    
119          my $title = $1 if ($contents =~ m#<title>(.+?)</title>#is);          my $title = $1 if ($contents =~ m#<title>(.+?)</title>#is);
120    
# Line 132  sub dump_contents($$$$) { Line 129  sub dump_contents($$$$) {
129          $doc->add_attr('@size', $size);          $doc->add_attr('@size', $size);
130          $doc->add_attr('@mtime', $mtime);          $doc->add_attr('@mtime', $mtime);
131    
132          # html2text          if ($contents) {
133          $contents =~ s#<[^>]+/*>##gs;                  # html2text
134          $contents =~ s#\s\s+# #gs;                  $contents =~ s#<[^>]+/*>##gs;
135                    $contents =~ s#\s\s+# #gs;
136    
137                    $doc->add_text($iconv->convert($contents));
138            }
139            # store path
140            $doc->add_hidden_text($path);
141            # boost title
142            $doc->add_hidden_text($title);
143    
144          $doc->add_text($iconv->convert($contents));          print $doc->dump_draft if ($debug);
   
 #       print $doc->dump_draft if ($verbose);  
145    
146          # register the document object to the database          # register the document object to the database
147          if ($node_url) {          $db->put_doc($doc);
                 $db->put_doc($doc);  
         } else {  
                 $db->put_doc($doc, $HyperEstraier::Database::PDCLEAN);  
         }  
   
 }  
   
 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);  
         }  
148    
149          # skip files on which File::MMagic::XS croaks          $docs++;
         return if ($path =~ m#\.au$#);  
150    
151          my $type = $mm->checktype_filename($path);  }
         $type =~ s/\s+/ /gs;  
   
         print STDERR "# $path $type\n" if ($debug);  
152    
153          if ($pdftotext && -f $path && $type =~ m/pdf/i) {  sub filter_to_pages {
154                    my ($path, $mtime, $command) = @_;
155    
156                  print STDERR "$path {converting}" if ($verbose);                  print STDERR "$path {converting}" if ($verbose);
157    
158                  open(F,"$pdftotext -htmlmeta \"$path\" - |") || die "can't open $pdftotext with '$path'";                  open(F,"$command |") || die "can't open $command with '$path': $!";
159                  my $html;                  my $html;
160                  while(<F>) {                  while(<F>) {
                         # XXX why pdftotext barks if I try to use this is beyond me.  
                         #$contents .= $_;  
   
161                          $html .= $_;                          $html .= $_;
162                  }                  }
163                  close(F);                  close(F);
# Line 216  sub file { Line 190  sub file {
190                          $page_nr++;                          $page_nr++;
191                  }                  }
192    
193    
194    
195    }
196    
197    sub file {
198    
199            my $path = $_;
200            my $contents;
201    
202            return if (! $force && -l $path || $path =~ m#/.svn# || $path =~ m/(~|.bak|.gif)$/);
203            return if (! $all && -d $path);
204    
205            my $mtime = (stat($path))[9] || -1;
206            my $mtime_db = eval { $db->get_doc_attr_by_uri("file:///$path", '@mtime') };
207            $mtime_db ||= -2;
208    
209            if ($mtime == $mtime_db) {
210                    print STDERR "# same: $path $mtime\n" if ($verbose);
211                    return unless($force);
212            } else {
213                    print STDERR "# changed: $path $mtime != $mtime_db\n" if ($debug);
214            }
215    
216            # skip files on which File::MMagic::XS croaks
217            if ($path =~ m#\.au$#) {
218                    warn "skipped '$path' to prevent File::MMagic::XS bug\n" if ($debug);
219                    return;
220            }
221    
222            my $type = $mm->checktype_filename($path);
223            $type =~ s/\s+/ /gs;
224    
225            print STDERR "# $path $type\n" if ($debug);
226    
227            if ($type =~ m/pdf/i) {
228                    if ($filter->{pdftotext}) {
229                            filter_to_pages($path, $mtime, qq( $filter->{pdftotext} -htmlmeta "$path" - ));
230                    } else {
231                            warn "skipping '$path', no pdftotext filter\n" if ($verbose);
232                            return;
233                    }
234            } elsif ($type eq 'application/postscript') {
235                    if ($filter->{pstotext}) {
236                            filter_to_pages($path, $mtime, qq( $filter->{pstotext} "$path" ));
237                    } else {
238                            warn "skipping '$path', no pstotext filter\n" if ($verbose);
239                            return;
240                    }
241          } else {          } else {
242    
243  #               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);
244                  return unless (-f $path && $type =~ m/html/ ||                  if (-f $path &&
245                          ($type =~ m#text# && $path =~ m/\.(php|pl|txt|info|log|text)$/io)                          $type !~ m/html/ &&
246                  );                          $path !~ m/\.(php|pl|txt|info|log|text)$/io
247                    ) {
248                            dump_contents($db, '', $mtime, $path, -s $path) if ($all);
249                            return;
250                    }
251    
252                  # skip index files                  # skip index files
253                  return if (m/index_[a-z]\.html*/i || m/index_symbol\.html*/i);                  return if ($path =~ m/index_(?:[a-z]+|symbol)\.html*/i);
254    
255                  open(F,"$path") || die "can't open file: $path";                  open(F,"$path") || die "can't open file: $path";
256                  print STDERR "$path ($type)" if ($verbose);                  print STDERR "$path ($type)" if ($verbose);
Legend:
Removed from v.64  
changed lines
  Added in v.178
  ViewVC Help
Powered by ViewVC 1.1.26