/[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 179 by dpavlin, Fri Aug 25 11:59:04 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/;
11  # do we use Node API?  use HTML::TreeBuilder;
12  my $node_url;  use Data::Dump qw/dump/;
13    
14  my $collection;         # name which will be inserted  my $collection;         # name which will be inserted
15  my $path_add;           # add additional info in path  my $path_add;           # add additional info in path
# Line 20  my $exclude; Line 19  my $exclude;
19  #$verbose = 1;  #$verbose = 1;
20  my $debug = 0;  my $debug = 0;
21  my $force = 0;  my $force = 0;
22  my $native = 0;  my $all = 0;
23    
24  my $result = GetOptions(  my $result = GetOptions(
25          "collection=s" => \$collection,          "collection=s" => \$collection,
# Line 28  my $result = GetOptions( Line 27  my $result = GetOptions(
27          "verbose!" => \$verbose,          "verbose!" => \$verbose,
28          "debug!" => \$debug,          "debug!" => \$debug,
29          "exclude=s" => \$exclude,          "exclude=s" => \$exclude,
         "node=s" => \$node_url,  
30          "force!" => \$force,          "force!" => \$force,
31          "native!" => \$native,          "all!" => \$all,
32  );  );
33    
34  my $dir = shift @ARGV || die "usage: $0 [dir]";  my ($node_url,$dir) = @ARGV;
35    
36    die <<"_END_OF_USAGE_" if (! $node_url || ! $dir);
37    usage: $0 http://localhost:1978/node/my_dir /path/to/directory
38    
39    options:
40            --collection="name of collection"
41            --path=/path/to/add/at/end
42            --exclude=regex_to_exclude
43            --verbose
44            --force
45            --debug
46            --all   save placeholders for all files
47    _END_OF_USAGE_
48    
49  if (! -e $dir) {  if (! -e $dir) {
50          warn "directory $dir doesn't exist, skipping\n";          warn "directory $dir doesn't exist, skipping\n";
# Line 44  if (! -e $dir) { Line 55  if (! -e $dir) {
55  #$basedir =~ s,/[^/]+$,/,;  #$basedir =~ s,/[^/]+$,/,;
56  #require "$basedir/filter.pm";  #require "$basedir/filter.pm";
57    
58  my $pdftotext = which('pdftotext');  my $docs = 0;
59    my $start_t = time();
60    
61    my $filter;
62    foreach my $f (qw/pdftotext pstotext/) {
63            my $w = which($f);
64            if ($f) {
65                    $filter->{$f} = $w;
66                    print STDERR "using $f filter at $w\n" if ($verbose);
67            }
68    }
69    
70  #my $mm = new File::MMagic('/usr/share/misc/file/magic');  #my $mm = new File::MMagic('/usr/share/misc/file/magic');
71  my $mm = new File::MMagic::XS();  my $mm = new File::MMagic::XS();
# Line 54  my $iconv = new Text::Iconv('iso-8859-2' Line 75  my $iconv = new Text::Iconv('iso-8859-2'
75  select(STDERR); $|=1;  select(STDERR); $|=1;
76  select(STDOUT); $|=1;  select(STDOUT); $|=1;
77    
78  print STDERR "using $pdftotext to convert pdf into html\n" if ($pdftotext && $verbose);  my $db = new Search::Estraier::Node(
79            url => $node_url,
80            user => 'admin',
81            passwd => 'admin',
82            croak_on_error => 1,
83            create => 1,
84    );
85    
86    #
87    # check if hhc file exists, and if it does, extract information from it
88    #
89    
90    my $hhc_file;
91    # try to find hhc
92    find({ wanted => sub {
93                    return unless( m!\.hhc$!i );
94                    $hhc_file = $_;
95                    warn "using $hhc_file for tree structure\n";
96            },
97            follow => 1,
98            follow_skip => 2,
99            no_chdir => 1,
100    }, $dir);
101    
102  my $db;  my $meta;
103  if ($node_url) {  
104          if ($native) {  if ($hhc_file) {
105                  $db = HyperEstraier::Node->new($node_url);  
106          } else {          sub param {
107                  $db = new Search::Estraier::Node;                  my ($el) = @_;
108                  $db->set_url($node_url);  
109                    my $n;
110                    foreach my $p ( $el->find('param') ) {
111                            $n->{ $p->attr('name') } = $p->attr('value');
112                    }
113    
114                    if ( ! defined($n->{Local}) ) {
115                            warn "### skipped = ",dump($n),$/;
116                            return;
117                    }
118    
119                    my $path = $dir . '/' . $n->{Local};
120                    $path =~ s!//!/!g;
121                    $path = lc($path);
122    
123                    $n->{path} = $path;
124    
125                    my $nr = $n->{ImageNumber} || next;
126    
127                    if ($nr == 27) {
128                            $meta->{title} = $n->{Name};
129                            $meta->{index_path} = $path;
130                    } elsif ($nr == 21) {
131                            $meta->{toc_path} = $path;
132                    } elsif ($nr == 1) {
133                            $meta->{foreword_path} = $path;
134                    } elsif ($nr == 11) {
135                            # nop
136                    } else {
137                            warn "unknown ImageNumber: $nr\n";
138                    }
139    
140                    return $n;
141          }          }
142          $db->set_auth('admin', 'admin');  
143  } else {          my $tree = HTML::TreeBuilder->new;
144          # open the database          $tree->parse_file($hhc_file);
145          $db = HyperEstraier::Database->new();  
146          $db->open('/tmp/casket', $HyperEstraier::Database::DBWRITER | $HyperEstraier::Database::DBCREAT);          my $prefix = $collection ? ( $collection . ' :: ' ) : '';
147    
148          sub signal {          my @prefix;
149                  my($sig) = @_;          my $depth = 0;
150                  print "\nCaught a SIG$sig--syncing database and shutting down\n";  
151                  $db->sync();          foreach my $e ( $tree->look_down( sub { $_[0]->tag =~ m/(object)/ } ) ) {
152                  exit(0);  
153    #               printf("%05s %s\n", $e->parent->address(), $e->as_HTML() );
154    
155                    my $l = ($e->depth() / 2) - 1;
156    
157                    $prefix[ 0 ] = $meta->{title} || '';
158    
159                    my $n = param($e);
160                    $prefix[ $l ] = $n->{Name};
161    
162                    next unless ($n->{path});
163    
164                    my $t = '';
165                    my @p;
166                    foreach my $i ( 0 .. $l ) {
167                            push @p, $prefix[ $i ] if ($prefix[ $i ]);
168                    }
169                    $t = join(' :: ', @p ) if (@p);
170    
171                    $meta->{path2title}->{ $n->{path} } = $t;
172    
173          }          }
174    
175          $SIG{'INT'}  = \&signal;          $tree->delete;
176          $SIG{'QUIT'} = \&signal;  
177  }  }
178    
179    
180  find({ wanted => \&file,  find({ wanted => \&file,
181          follow => 1,          follow => 1,
182          follow_skip => 2,          follow_skip => 2,
183          no_chdir => 1,          no_chdir => 1,
184  }, $dir);  }, $dir);
185    
186  unless ($node_url) {  my $dur = (time() - $start_t) || 1;
187          print "--- sync\n";  printf STDERR "%d documents in %.2fs [%.2f docs/s]\n", $docs, $dur, ($docs / $dur);
188          $db->sync();  
189    $db->master(
190            action => 'sync'
191    );
192    
193    
         print "--- optimize...\n";  
         $db->optimize(0);  
 }  
194  exit;  exit;
195    
196  sub dump_contents($$$$) {  sub dump_contents {
197          my ($db,$contents,$mtime,$path) = @_;          my ($db,$contents,$mtime,$path,$size) = @_;
198    
199          return unless ($contents);      # don't die on empty files          return unless (defined($contents));     # don't die on empty files
200    
201          if ($exclude && $path =~ m/$exclude/i) {          if ($exclude && $path =~ m/$exclude/i) {
202                  print STDERR "skip: $path\n" if ($verbose);                  print STDERR "skip: $path\n" if ($verbose);
# Line 107  sub dump_contents($$$$) { Line 204  sub dump_contents($$$$) {
204          }          }
205    
206          use bytes;          use bytes;
207          my $size = length $contents;          if (! $size) {
208                    $size = length $contents;
209            }
210    
211          print STDERR " [$size]" if ($verbose);          print STDERR " [$size]" if ($verbose);
212    
213          # create a document object          # create a document object
214          my $doc;          my $doc = new Search::Estraier::Document;
215          if ($native) {  
216                  $doc = HyperEstraier::Document->new;          my $title;
217    
218            if ( defined($meta->{path2title}->{lc($path)}) ) {
219                    $title = $meta->{path2title}->{lc($path)};
220                    warn " $title\n";
221          } else {          } else {
                 $doc = new Search::Estraier::Document;  
         }  
222    
223          my $title = $1 if ($contents =~ m#<title>(.+?)</title>#is);                  $title = $1 if ($contents =~ m#<title>(.+?)</title>#is);
224    
225          # chop long titles to 100 chars                  # chop long titles to 100 chars
226          $title = substr($title, 0, 100) . '...' if ($title && length($title) > 100);                  $title = substr($title, 0, 100) . '...' if ($title && length($title) > 100);
227          # use path if no title is found                  # use path if no title is found
228          $title ||= $path;                  $title ||= $path;
229            
230            }
231    
232          # add attributes to the document object          # add attributes to the document object
233          $doc->add_attr('@uri', "file:///$path");          $doc->add_attr('@uri', "file:///$path");
# Line 132  sub dump_contents($$$$) { Line 235  sub dump_contents($$$$) {
235          $doc->add_attr('@size', $size);          $doc->add_attr('@size', $size);
236          $doc->add_attr('@mtime', $mtime);          $doc->add_attr('@mtime', $mtime);
237    
238          # html2text          if ($contents) {
239          $contents =~ s#<[^>]+/*>##gs;                  # html2text
240          $contents =~ s#\s\s+# #gs;                  $contents =~ s#<[^>]+/*>##gs;
241                    $contents =~ s#\s\s+# #gs;
         $doc->add_text($iconv->convert($contents));  
242    
243  #       print $doc->dump_draft if ($verbose);                  $doc->add_text($iconv->convert($contents));
   
         # register the document object to the database  
         if ($node_url) {  
                 $db->put_doc($doc);  
         } else {  
                 $db->put_doc($doc, $HyperEstraier::Database::PDCLEAN);  
244          }          }
245            # store path
246            $doc->add_hidden_text($path);
247            # boost title
248            $doc->add_hidden_text($title);
249    
250  }          print $doc->dump_draft if ($debug);
   
 sub file {  
251    
252          my $path = $_;          # register the document object to the database
253          my $contents;          $db->put_doc($doc);
   
         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 ($path =~ m#\.au$#);  
254    
255          my $type = $mm->checktype_filename($path);          $docs++;
         $type =~ s/\s+/ /gs;  
256    
257          print STDERR "# $path $type\n" if ($debug);  }
258    
259          if ($pdftotext && -f $path && $type =~ m/pdf/i) {  sub filter_to_pages {
260                    my ($path, $mtime, $command) = @_;
261    
262                  print STDERR "$path {converting}" if ($verbose);                  print STDERR "$path {converting}" if ($verbose);
263    
264                  open(F,"$pdftotext -htmlmeta \"$path\" - |") || die "can't open $pdftotext with '$path'";                  open(F,"$command |") || die "can't open $command with '$path': $!";
265                  my $html;                  my $html;
266                  while(<F>) {                  while(<F>) {
                         # XXX why pdftotext barks if I try to use this is beyond me.  
                         #$contents .= $_;  
   
267                          $html .= $_;                          $html .= $_;
268                  }                  }
269                  close(F);                  close(F);
# Line 216  sub file { Line 296  sub file {
296                          $page_nr++;                          $page_nr++;
297                  }                  }
298    
299    
300    
301    }
302    
303    sub file {
304    
305            my $path = $_;
306            my $contents;
307    
308            return if (! $force && -l $path || $path =~ m#/.svn# || $path =~ m/(~|.bak|.gif)$/);
309            return if (! $all && -d $path);
310    
311            my $mtime = (stat($path))[9] || -1;
312            my $mtime_db = eval { $db->get_doc_attr_by_uri("file:///$path", '@mtime') };
313            $mtime_db ||= -2;
314    
315            if ($mtime == $mtime_db) {
316                    print STDERR "# same: $path $mtime\n" if ($verbose);
317                    return unless($force);
318            } else {
319                    print STDERR "# changed: $path $mtime != $mtime_db\n" if ($debug);
320            }
321    
322            # skip files on which File::MMagic::XS croaks
323            if ($path =~ m#\.au$#) {
324                    warn "skipped '$path' to prevent File::MMagic::XS bug\n" if ($debug);
325                    return;
326            }
327    
328            my $type = $mm->checktype_filename($path);
329            $type =~ s/\s+/ /gs;
330    
331            print STDERR "# $path $type\n" if ($debug);
332    
333            if ($type =~ m/pdf/i) {
334                    if ($filter->{pdftotext}) {
335                            filter_to_pages($path, $mtime, qq( $filter->{pdftotext} -htmlmeta "$path" - ));
336                    } else {
337                            warn "skipping '$path', no pdftotext filter\n" if ($verbose);
338                            return;
339                    }
340            } elsif ($type eq 'application/postscript') {
341                    if ($filter->{pstotext}) {
342                            filter_to_pages($path, $mtime, qq( $filter->{pstotext} "$path" ));
343                    } else {
344                            warn "skipping '$path', no pstotext filter\n" if ($verbose);
345                            return;
346                    }
347          } else {          } else {
348    
349  #               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);
350                  return unless (-f $path && $type =~ m/html/ ||                  if (-f $path &&
351                          ($type =~ m#text# && $path =~ m/\.(php|pl|txt|info|log|text)$/io)                          $type !~ m/html/ &&
352                  );                          $path !~ m/\.(php|pl|txt|info|log|text)$/io
353                    ) {
354                            dump_contents($db, '', $mtime, $path, -s $path) if ($all);
355                            return;
356                    }
357    
358                  # skip index files                  # skip index files
359                  return if (m/index_[a-z]\.html*/i || m/index_symbol\.html*/i);                  return if ($path =~ m/index_(?:[a-z]+|symbol)\.html*/i);
360    
361                  open(F,"$path") || die "can't open file: $path";                  open(F,"$path") || die "can't open file: $path";
362                  print STDERR "$path ($type)" if ($verbose);                  print STDERR "$path ($type)" if ($verbose);
Legend:
Removed from v.64  
changed lines
  Added in v.179
  ViewVC Help
Powered by ViewVC 1.1.26