/[webpac2]/trunk/bin/isi-download-results.pl
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/bin/isi-download-results.pl

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

revision 1282 by dpavlin, Fri Sep 18 17:46:04 2009 UTC revision 1338 by dpavlin, Tue Jun 29 19:32:20 2010 UTC
# Line 3  Line 3 
3  use warnings;  use warnings;
4  use strict;  use strict;
5    
6  my $q = 'TS=psychology AND AD=Croatia';  use WWW::Mechanize;
7  my $range_size = 50;  use Data::Dump qw(dump);
8    use File::Path;
9    use Text::Unaccent;
10    
11  my $dump = @ARGV ? 1 : 0;  # Advanced search syntax:
12    # http://images.isiknowledge.com/WOK46/help/WOS/h_advanced_examples.html
13    
14  $q = 'AD=Croatia';  our $q = 'AD=Croatia';
15  $range_size = 500;  $q = 'CA=BRATKO, D';
16    
17  use WWW::Mechanize;  my $range_size = 500;
18  use Data::Dump qw/dump/;  my $overlap    = 3; # between previous and this range
19    
20    my $results = 0;
21    my $citations = 0;
22    my $cited_reference = 0; # html tables
23    my $citing_articles = 1; # as many files as cited articles
24    
25    my $cites_by_year = 0;
26    
27    my $max_cites = 5000; # ISI limit to get cites
28    
29    $q = unac_string( 'utf-8', join(' ', @ARGV) ) if @ARGV;
30    
31  my $mech = WWW::Mechanize->new(  warn "QUERY: $q\n";
32          autocheck => 1,  
33    our $mech = WWW::Mechanize->new(
34            autocheck => 0, # it dies in reference download with it!
35          cookie_jar => undef,          cookie_jar => undef,
36  );  );
37    
38  our $step = 0;  our $step = 0;
39    our @ranges;
40    
41    my $dir = '/tmp/isi/';
42    #rmtree $dir if -e $dir;
43    mkdir $dir unless -d $dir;
44    
45  sub save_mech {  sub save_mech {
46          my ( $mech, $path ) = @_;          my $path = shift;
47          $step++;          $step++;
48          $path ||= sprintf('/tmp/isi.%02d.%s', $step, $mech->{ct} =~ m{html}i ? 'html' : 'txt' );          my $base_path = sprintf('%s/%04d', $dir,$step);
49            $path ||= $base_path;
50            $path .= $mech->{ct} =~ m{html}i ? '.html' : '.txt';
51          $mech->save_content( $path );          $mech->save_content( $path );
52          warn "# [$step] $path ", -s $path, " ", $mech->ct;          warn "# [$step] $path ", -s $path, " ", $mech->ct, "\n";
53          $mech->dump_all if $dump;          open(my $dump, '>', "$base_path.dump.txt");
54            $mech->dump_all($dump);
55  }  }
56    
57  warn "# get session";  warn "# get session";
58  $mech->get( 'http://isiknowledge.com/?DestApp=WOS' );  $mech->get( 'http://isiknowledge.com/?DestApp=WOS' );
59  save_mech $mech;  save_mech;
60    
61    sub search {
62            warn "# advanced serach";
63            $mech->follow_link( url_regex => qr/AdvancedSearch/ );
64            save_mech;
65    
66  warn "# advanced serach";          warn "# cookie_jar ", dump $mech->cookie_jar;
 $mech->follow_link( url_regex => qr/AdvancedSearch/ );  
 save_mech $mech;  
67    
68  warn "# cookie_jar ", dump $mech->cookie_jar;          my $q_this = $q;
69    
70  $mech->submit_form(          if ( @ranges ) {
71          fields => {                  $q_this .= ' AND (' . join(' OR ', map { "PY=$_" } @{ shift @ranges } ) . ')';
                 'value(input1)' => $q,  
72          }          }
 );  
 save_mech $mech;  
73    
74  warn "# summary";          warn "# submit_form search: $q_this\n";
75  $mech->follow_link( url_regex => qr/summary/ );          $mech->submit_form(
76  save_mech $mech;                  fields => {
77                            'value(input1)' => $q_this,
78                    },
79            );
80            save_mech;
81    
82            warn "# summary";
83            $mech->follow_link( url_regex => qr/summary/ );
84            save_mech;
85    }
86    
87    sub get_results {
88            my $desc = shift;
89            my $from = 1;
90    
91            while ( 1 ) {
92    
93                    my $to = $from + $range_size;
94    
95                    warn "# submit_form results $from - $to\n";
96    
97                    $mech->submit_form(
98                            form_name => 'summary_output_form',
99                            fields => {
100                                    record_select_type => 'range',
101                                    mark_from => $from,
102                                    mark_to => $to,
103                                    mark_id => 'WOS',
104    
105                                    qo_fields => 'fullrecord',
106                                    citedref => 'citedref',
107    
108                                    save_options => 'plain_text',
109    
110                                    fields => 'Full',
111                                    format => 'save',
112                            },
113                            button => 'save',
114                    );
115                    save_mech;
116    
117    
118                    if ( $mech->content =~ m{invalid API call} ) {
119                            $mech->back;
120                            last;
121                    }
122    
123                    if ( $mech->content !~ m{Please wait while your request is processed} ) {
124                            warn "WARNING: expecting processing request";
125                    }
126    
127    
128                    my $path = "/tmp/isi.$q.$from-$to";
129                    $path .= '.' . $desc if $desc;
130    
131                    warn "save $from - $to into $path\n";
132                    $mech->follow_link( url_regex => qr/save_file/ );
133                    save_mech $path;
134    
135                    $from += $range_size - $overlap;
136    
137                    $mech->back;
138                    $mech->back;
139                    #save_mech;
140            }
141    }
142    
143    
144    sub citations {
145            warn "# citation report";
146            $mech->follow_link( url_regex => qr/search_mode=CitationReport/ );
147            save_mech;
148    
149            warn "view citing articles";
150            $mech->follow_link( url_regex => qr/search_mode=TotalCitingArticles/ );
151            save_mech;
152    }
153    
154    sub years {
155            my $years_url = $mech->find_link( url_regex => qr/ra_name=/ );
156            if ( ! $years_url ) {
157                    warn "W: can't find ra_name link\n";
158                    return;
159            }
160            $years_url = $years_url->url_abs;
161            warn "## $years_url";
162            if ( $years_url !~ s{ra_name=\w+}{ra_name=PublicationYear} ) {
163                    warn "W: no ra_name in $years_url\n";
164                    return;
165            }
166            warn "# refine years (hidden by javascript)";
167    #       warn "http://apps.isiknowledge.com/RAMore.do?product=WOS&search_mode=TotalCitingArticles&SID=T1o6bChdN9PGP1LN1Nh&qid=3&ra_mode=more&ra_name=PublicationYear&db_id=WOS&viewType=raMore\n$years_url\n";
168            $mech->get( $years_url );
169            save_mech;
170    
171            my $html = $mech->content;
172            my $years;
173            while ( $html =~ s{<label.+?PublicationYear.+?>(\d{4})\s\(([\d,]+)\)</label>}{} ) {
174                    my ( $year, $count ) = ( $1, $2 );
175                    $count =~ s{,}{}g;
176                    $years->{$year} = $count;
177            }
178            warn "# years ",dump $years;
179            $mech->back;
180    
181            my @y = sort keys %$years;
182    
183            @ranges = ();
184    
185            if ( $cites_by_year ) {
186                    push @ranges, [ $_ ] foreach @y;
187                    warn "# cites_by_year ranges ", dump @ranges;
188                    return;
189            }
190    
191            my $y = shift @y;
192            my $size = $years->{$y};
193    
194  my $from = 1;          my $cites_range;
195            $cites_range = [$y] if $y;
196    
197  while ( $from ) {          foreach my $y ( @y ) {
198                    if ( $size + $years->{$y} > $max_cites ) {
199                            push @ranges, $cites_range;
200                            warn "# cites_range $size years ",dump( $cites_range ),$/;
201    
202                            $cites_range = [];
203                            $size = 0;
204                    }
205                    $size += $years->{$y};
206                    push @$cites_range, $y;
207            }
208    
209            if ( $cites_range ) {
210                    push @ranges, $cites_range;
211                    warn "# cites_range $size years ",dump( $cites_range ), " FINAL\n"
212            }
213    
214            warn '# ranges ', dump @ranges;
215            @ranges = () if $#ranges == 1; # just take all
216    
217            return $years;
218    }
219    
220          my $to = $from + $range_size;  
221    our $page = 1;
222    sub next_page {
223            $page++;
224            warn "next_page $page\n";
225    
226          $mech->submit_form(          $mech->submit_form(
227                  form_name => 'summary_output_form',                  form_name => 'summary_navigation',
228                  fields => {                  fields => {
229                          record_select_type => 'range',                          'page' => $page,
230                          mark_from => $from,                  },
231                          mark_to => $to,          );
232                          mark_id => 'WOS',  
233            save_mech;
234    
235            $mech->form_name( 'summary_navigation' );
236            my $is_next_page = $mech->value('page') == $page;
237            warn "no next_page" unless $is_next_page;
238            return $is_next_page;
239    }
240    
241    if ( $results ) {
242            search;
243            years;
244            get_results;
245    }
246    
247    if ( $citations ) {
248    
249            citations;
250            years unless @ranges;
251    
252                          qo_fields => 'fullrecord',          do {
253                          citedref => 'citedref',                  my $part;
254                    if ( @ranges ) {
255                            $part .= $ranges[0]->[0] . '.';
256                            search;
257                            citations;
258                    }
259                    $part .= 'citing';
260                    get_results $part;
261            } while ( @ranges );
262    
263                          save_options => 'plain_text',  }
264    
265    
266    
267    if ( $q =~ m{CA=(.+)} && $cited_reference ) {
268    
269            my $CA = $1;
270    
271            warn "# citated reference search";
272            $mech->follow_link( url_regex => qr/CitedReferenceSearch/ );
273            save_mech;
274    
275                          fields => 'Full',  
276                          format => 'save',          $mech->submit_form(
277                    form_name => 'WOS_CitedReferenceSearch_input_form',
278                    fields => {
279                            'value(input1)' => $CA,
280                  },                  },
                 button => 'save',  
281          );          );
         save_mech $mech;  
282    
283          last if $mech->content =~ m{invalid API call};          my $page = 1;
284            my $records = $1 if $mech->content =~ m/(\d+)\s+records/;
285            warn "# found $records records\n";
286            my $last_span = 'fake';
287    
288            while (1) {
289                    save_mech "/tmp/isi.$q.citedref.$page";
290    
291                    last unless next_page();
292    
293                    if ( $mech->content =~ m/(\d+\s*-\s*(\d+))/ ) {
294                            warn "span: $1\n";
295                            last if $2 == $records;
296                            last if $1 == $last_span;
297                            $last_span = $1;
298                    } elsif ( $page > 5 ) {
299                            warn "ARTIFICALLY LIMITED TO 5 PAGES WITHOUT VALID SPAN!";
300                            last;
301                    }
302    
303          warn "# save_file";          }
         $mech->follow_link( url_regex => qr/save_file/ );  
         save_mech $mech => "/tmp/isi.$q.$from-$to.txt";  
304    
305          $from += $range_size;  }
306    
307          $mech->back;  if ( $q =~ m{CA=(.+)} && $citing_articles ) {
308          $mech->back;  
309          #save_mech $mech;          search;
310    
311            my $orig_q = $q;
312            my $nr = 0;
313    
314            do {
315    
316            foreach my $link ( $mech->find_all_links( url_regex => qr/CitingArticles.do/ ) ) {
317                    $nr++;
318                    warn "link $nr\n";
319                    $mech->get( $link->url );
320                    save_mech;
321                    $q = $orig_q . '.citing_article.' . $nr;
322                    get_results;
323                    $mech->back;
324                    $mech->back;
325    
326                    #last if $nr > 3; # FIXME only for development
327            }
328    
329            } while next_page;
330    
331            $q = $orig_q;
332  }  }
333    
334    warn "OVER\n";
Legend:
Removed from v.1282  
changed lines
  Added in v.1338
  ViewVC Help
Powered by ViewVC 1.1.26