/[webpac2]/trunk/lib/WebPAC/Input.pm
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/lib/WebPAC/Input.pm

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

revision 339 by dpavlin, Sat Dec 31 16:50:11 2005 UTC revision 624 by dpavlin, Sat Aug 26 12:00:31 2006 UTC
# Line 3  package WebPAC::Input; Line 3  package WebPAC::Input;
3  use warnings;  use warnings;
4  use strict;  use strict;
5    
6    use blib;
7    
8  use WebPAC::Common;  use WebPAC::Common;
9  use base qw/WebPAC::Common/;  use base qw/WebPAC::Common/;
 use Text::Iconv;  
10  use Data::Dumper;  use Data::Dumper;
11    use Encode qw/from_to/;
12    
13  =head1 NAME  =head1 NAME
14    
# Line 14  WebPAC::Input - read different file form Line 16  WebPAC::Input - read different file form
16    
17  =head1 VERSION  =head1 VERSION
18    
19  Version 0.03  Version 0.11
20    
21  =cut  =cut
22    
23  our $VERSION = '0.03';  our $VERSION = '0.11';
24    
25  =head1 SYNOPSIS  =head1 SYNOPSIS
26    
# Line 37  C<fetch_rec> and optional C<init> functi Line 39  C<fetch_rec> and optional C<init> functi
39    
40  Perhaps a little code snippet.  Perhaps a little code snippet.
41    
42      use WebPAC::Input;          use WebPAC::Input;
43    
44      my $db = WebPAC::Input->new(          my $db = WebPAC::Input->new(
45          module => 'WebPAC::Input::ISIS',                  module => 'WebPAC::Input::ISIS',
                 config => $config,  
                 lookup => $lookup_obj,  
46                  low_mem => 1,                  low_mem => 1,
47      );          );
48    
49      $db->open('/path/to/database');          $db->open( path => '/path/to/database' );
50      print "database size: ",$db->size,"\n";          print "database size: ",$db->size,"\n";
51      while (my $rec = $db->fetch) {          while (my $rec = $db->fetch) {
52      }                  # do something with $rec
53            }
54    
55    
56    
# Line 61  Create new input database object. Line 62  Create new input database object.
62    
63    my $db = new WebPAC::Input(    my $db = new WebPAC::Input(
64          module => 'WebPAC::Input::MARC',          module => 'WebPAC::Input::MARC',
65          code_page => 'ISO-8859-2',          encoding => 'ISO-8859-2',
66          low_mem => 1,          low_mem => 1,
67            recode => 'char pairs',
68            no_progress_bar => 1,
69    );    );
70    
71  C<module> is low-level file format module. See L<WebPAC::Input::Isis> and  C<module> is low-level file format module. See L<WebPAC::Input::ISIS> and
72  L<WebPAC::Input::MARC>.  L<WebPAC::Input::MARC>.
73    
74  Optional parametar C<code_page> specify application code page (which will be  Optional parametar C<encoding> specify application code page (which will be
75  used internally). This should probably be your terminal encoding, and by  used internally). This should probably be your terminal encoding, and by
76  default, it C<ISO-8859-2>.  default, it C<ISO-8859-2>.
77    
78  Default is not to use C<low_mem> options (see L<MEMORY USAGE> below).  Default is not to use C<low_mem> options (see L<MEMORY USAGE> below).
79    
80    C<recode> is optional string constisting of character or words pairs that
81    should be replaced in input stream.
82    
83    C<no_progress_bar> disables progress bar output on C<STDOUT>
84    
85  This function will also call low-level C<init> if it exists with same  This function will also call low-level C<init> if it exists with same
86  parametars.  parametars.
87    
# Line 86  sub new { Line 94  sub new {
94    
95          my $log = $self->_get_logger;          my $log = $self->_get_logger;
96    
97            $log->logconfess("code_page argument is not suppored any more. change it to encoding") if ($self->{lookup});
98            $log->logconfess("lookup argument is not suppored any more. rewrite call to lookup_ref") if ($self->{lookup});
99    
100          $log->logconfess("specify low-level file format module") unless ($self->{module});          $log->logconfess("specify low-level file format module") unless ($self->{module});
101          my $module = $self->{module};          my $module = $self->{module};
102          $module =~ s#::#/#g;          $module =~ s#::#/#g;
# Line 111  sub new { Line 122  sub new {
122                  $self->{init}->($self, @_);                  $self->{init}->($self, @_);
123          }          }
124    
125          $self->{'code_page'} ||= 'ISO-8859-2';          $self->{'encoding'} ||= 'ISO-8859-2';
126    
127          # running with low_mem flag? well, use DBM::Deep then.          # running with low_mem flag? well, use DBM::Deep then.
128          if ($self->{'low_mem'}) {          if ($self->{'low_mem'}) {
# Line 148  This function will read whole database i Line 159  This function will read whole database i
159    
160   $input->open(   $input->open(
161          path => '/path/to/database/file',          path => '/path/to/database/file',
162          code_page => '852',          code_page => 'cp852',
163          limit => 500,          limit => 500,
164          offset => 6000,          offset => 6000,
165          lookup => $lookup_obj,          lookup => $lookup_obj,
166            stats => 1,
167            lookup_ref => sub {
168                    my ($k,$v) = @_;
169                    # store lookup $k => $v
170            },
171            modify_records => {
172                    900 => { '^a' => { ' : ' => '^b' } },
173                    901 => { '*' => { '^b' => ' ; ' } },
174            },
175   );   );
176    
177  By default, C<code_page> is assumed to be C<852>.  By default, C<code_page> is assumed to be C<cp852>.
178    
179  C<offset> is optional parametar to position at some offset before reading from database.  C<offset> is optional parametar to position at some offset before reading from database.
180    
181  C<limit> is optional parametar to read just C<limit> records from database  C<limit> is optional parametar to read just C<limit> records from database
182    
183    C<stats> create optional report about usage of fields and subfields
184    
185    C<lookup_coderef> is closure to call when adding C<< key => 'value' >> combinations to
186    lookup.
187    
188    C<modify_records> specify mapping from subfields to delimiters or from
189    delimiters to subfields, as well as oprations on fields (if subfield is
190    defined as C<*>.
191    
192  Returns size of database, regardless of C<offset> and C<limit>  Returns size of database, regardless of C<offset> and C<limit>
193  parametars, see also C<size>.  parametars, see also C<size>.
194    
# Line 171  sub open { Line 200  sub open {
200    
201          my $log = $self->_get_logger();          my $log = $self->_get_logger();
202    
203            $log->logconfess("lookup argument is not suppored any more. rewrite call to lookup_coderef") if ($arg->{lookup});
204            $log->logconfess("lookup_coderef must be CODE, not ",ref($arg->{lookup_coderef}))
205                    if ($arg->{lookup_coderef} && ref($arg->{lookup_coderef}) ne 'CODE');
206    
207          $log->logcroak("need path") if (! $arg->{'path'});          $log->logcroak("need path") if (! $arg->{'path'});
208          my $code_page = $arg->{'code_page'} || '852';          my $code_page = $arg->{'code_page'} || 'cp852';
209    
210          # store data in object          # store data in object
211          $self->{'input_code_page'} = $code_page;          $self->{'input_code_page'} = $code_page;
# Line 180  sub open { Line 213  sub open {
213                  $self->{$v} = $arg->{$v} if ($arg->{$v});                  $self->{$v} = $arg->{$v} if ($arg->{$v});
214          }          }
215    
216          # create Text::Iconv object          my $filter_ref;
217          $self->{iconv} = Text::Iconv->new($code_page,$self->{'code_page'});          my $recode_regex;
218            my $recode_map;
219    
220            if ($self->{recode}) {
221                    my @r = split(/\s/, $self->{recode});
222                    if ($#r % 2 != 1) {
223                            $log->logwarn("recode needs even number of elements (some number of valid pairs)");
224                    } else {
225                            while (@r) {
226                                    my $from = shift @r;
227                                    my $to = shift @r;
228                                    $recode_map->{$from} = $to;
229                            }
230    
231                            $recode_regex = join '|' => keys %{ $recode_map };
232    
233                            $log->debug("using recode regex: $recode_regex");
234                    }
235    
236            }
237    
238            my $rec_regex = $self->modify_record_regexps(%{ $arg->{modify_records} });
239            $log->debug("rec_regex: ", Dumper($rec_regex));
240    
241          my ($db, $size) = $self->{open_db}->( $self,          my ($db, $size) = $self->{open_db}->( $self,
242                  path => $arg->{path},                  path => $arg->{path},
243    #               filter => sub {
244    #                       my ($l,$f_nr) = @_;
245    #                       return unless defined($l);
246    #                       from_to($l, $code_page, $self->{'encoding'});
247    #                       $l =~ s/($recode_regex)/$recode_map->{$1}/g if ($recode_regex && $recode_map);
248    #                       return $l;
249    #               },
250                    %{ $arg },
251          );          );
252    
253          unless ($db) {          unless (defined($db)) {
254                  $log->logwarn("can't open database $arg->{path}, skipping...");                  $log->logwarn("can't open database $arg->{path}, skipping...");
255                  return;                  return;
256          }          }
# Line 201  sub open { Line 264  sub open {
264          my $to_rec = $size;          my $to_rec = $size;
265    
266          if (my $s = $self->{offset}) {          if (my $s = $self->{offset}) {
267                  $log->info("skipping to MFN $s");                  $log->debug("skipping to MFN $s");
268                  $from_rec = $s;                  $from_rec = $s;
269          } else {          } else {
270                  $self->{offset} = $from_rec;                  $self->{offset} = $from_rec;
# Line 216  sub open { Line 279  sub open {
279          # store size for later          # store size for later
280          $self->{size} = ($to_rec - $from_rec) ? ($to_rec - $from_rec + 1) : 0;          $self->{size} = ($to_rec - $from_rec) ? ($to_rec - $from_rec + 1) : 0;
281    
282          $log->info("processing $self->{size}/$size records [$from_rec-$to_rec] convert $code_page -> $self->{code_page}");          $log->info("processing $self->{size}/$size records [$from_rec-$to_rec] convert $code_page -> $self->{encoding}", $self->{stats} ? ' [stats]' : '');
283    
284          # read database          # read database
285          for (my $pos = $from_rec; $pos <= $to_rec; $pos++) {          for (my $pos = $from_rec; $pos <= $to_rec; $pos++) {
286    
287                  $log->debug("position: $pos\n");                  $log->debug("position: $pos\n");
288    
289                  my $rec = $self->{fetch_rec}->($self, $db, $pos );                  my $rec = $self->{fetch_rec}->($self, $db, $pos, sub {
290                                    my ($l,$f_nr) = @_;
291    #                               return unless defined($l);
292    #                               return $l unless ($rec_regex && $f_nr);
293    
294    warn "## --> $f_nr ## $l\n";
295                                    # codepage conversion and recode_regex
296    #                               from_to($l, $code_page, $self->{'encoding'});
297                                    from_to($l, $code_page, 'utf-8');
298                                    $l =~ s/($recode_regex)/$recode_map->{$1}/g if ($recode_regex && $recode_map);
299    
300                                    # apply regexps
301                                    if ($rec_regex && defined($rec_regex->{$f_nr})) {
302                                            $log->logconfess("regexps->{$f_nr} must be ARRAY") if (ref($rec_regex->{$f_nr}) ne 'ARRAY');
303                                            my $c = 0;
304                                            foreach my $r (@{ $rec_regex->{$f_nr} }) {
305                                                    #$log->debug("\$l = $l\neval \$l =~ $r");
306                                                    eval '$l =~ ' . $r;
307                                                    $log->error("error applying regex: $r") if ($@);
308                                            }
309                                    }
310    
311    warn "## <-- $f_nr ## $l\n";
312                                    return $l;
313                    });
314    
315                  $log->debug(sub { Dumper($rec) });                  $log->debug(sub { Dumper($rec) });
316    
# Line 240  sub open { Line 327  sub open {
327                  }                  }
328    
329                  # create lookup                  # create lookup
330                  $self->{'lookup'}->add( $rec ) if ($rec && $self->{'lookup'});                  $arg->{'lookup_coderef'}->( $rec ) if ($rec && $arg->{'lookup_coderef'});
331    
332                    # update counters for statistics
333                    if ($self->{stats}) {
334    
335                            # fetch clean record with regexpes applied for statistics
336                            my $rec = $self->{fetch_rec}->($self, $db, $pos);
337    
338                            foreach my $fld (keys %{ $rec }) {
339                                    $self->{_stats}->{fld}->{ $fld }++;
340    
341                                    $log->logdie("invalid record fild $fld, not ARRAY")
342                                            unless (ref($rec->{ $fld }) eq 'ARRAY');
343            
344                                    foreach my $row (@{ $rec->{$fld} }) {
345    
346                                            if (ref($row) eq 'HASH') {
347    
348                                                    foreach my $sf (keys %{ $row }) {
349                                                            next if ($sf eq 'subfields');
350                                                            $self->{_stats}->{sf}->{ $fld }->{ $sf }->{count}++;
351                                                            $self->{_stats}->{sf}->{ $fld }->{ $sf }->{repeatable}++
352                                                                            if (ref($row->{$sf}) eq 'ARRAY');
353                                                    }
354    
355                                            } else {
356                                                    $self->{_stats}->{repeatable}->{ $fld }++;
357                                            }
358                                    }
359                            }
360                    }
361    
362                  $self->progress_bar($pos,$to_rec);                  $self->progress_bar($pos,$to_rec) unless ($self->{no_progress_bar});
363    
364          }          }
365    
# Line 288  sub fetch { Line 405  sub fetch {
405                  return;                  return;
406          }          }
407    
408          $self->progress_bar($mfn,$self->{max_pos});          $self->progress_bar($mfn,$self->{max_pos}) unless ($self->{no_progress_bar});
409    
410          my $rec;          my $rec;
411    
# Line 363  sub seek { Line 480  sub seek {
480          return $self->{pos} = (($pos - 1) || -1);          return $self->{pos} = (($pos - 1) || -1);
481  }  }
482    
483    =head2 stats
484    
485    Dump statistics about field and subfield usage
486    
487      print $input->stats;
488    
489    =cut
490    
491    sub stats {
492            my $self = shift;
493    
494            my $log = $self->_get_logger();
495    
496            my $s = $self->{_stats};
497            if (! $s) {
498                    $log->warn("called stats, but there is no statistics collected");
499                    return;
500            }
501    
502            my $max_fld = 0;
503    
504            my $out = join("\n",
505                    map {
506                            my $f = $_ || die "no field";
507                            my $v = $s->{fld}->{$f} || die "no s->{fld}->{$f}";
508                            $max_fld = $v if ($v > $max_fld);
509    
510                            my $o = sprintf("%4s %d ~", $f, $v);
511    
512                            if (defined($s->{sf}->{$f})) {
513                                    map {
514                                            $o .= sprintf(" %s:%d%s", $_,
515                                                    $s->{sf}->{$f}->{$_}->{count},
516                                                    $s->{sf}->{$f}->{$_}->{repeatable} ? '*' : '',
517                                            );
518                                    } sort keys %{ $s->{sf}->{$f} };
519                            }
520    
521                            if (my $v_r = $s->{repeatable}->{$f}) {
522                                    $o .= " ($v_r)" if ($v_r != $v);
523                            }
524    
525                            $o;
526                    } sort { $a cmp $b } keys %{ $s->{fld} }
527            );
528    
529            $log->debug( sub { Dumper($s) } );
530    
531            return $out;
532    }
533    
534    =head2 modify_record_regexps
535    
536    Generate hash with regexpes to be applied using L<filter>.
537    
538      my $regexpes = $input->modify_record_regexps(
539                    900 => { '^a' => { ' : ' => '^b' } },
540                    901 => { '*' => { '^b' => ' ; ' } },
541      );
542    
543    =cut
544    
545    sub modify_record_regexps {
546            my $self = shift;
547            my $modify_record = {@_};
548    
549            my $regexpes;
550    
551            foreach my $f (keys %$modify_record) {
552    warn "--- f: $f\n";
553                    foreach my $sf (keys %{ $modify_record->{$f} }) {
554    warn "---- sf: $sf\n";
555                            foreach my $from (keys %{ $modify_record->{$f}->{$sf} }) {
556                                    my $to = $modify_record->{$f}->{$sf}->{$from};
557                                    #die "no field?" unless defined($to);
558    warn "----- transform: |$from| -> |$to|\n";
559    
560                                    if ($sf =~ /^\^/) {
561                                            my $regex =
562                                                    's/\Q'. $sf .'\E([^\^]+)\Q'. $from .'\E([^\^]+)/'. $sf .'$1'. $to .'$2/g';
563                                            push @{ $regexpes->{$f} }, $regex;
564    warn ">>>>> $regex [sf]\n";
565                                    } else {
566                                            my $regex =
567                                                    's/\Q'. $from .'\E/'. $to .'/g';
568                                            push @{ $regexpes->{$f} }, $regex;
569    warn ">>>>> $regex [global]\n";
570                                    }
571    
572                            }
573                    }
574            }
575    
576            return $regexpes;
577    }
578    
579  =head1 MEMORY USAGE  =head1 MEMORY USAGE
580    
# Line 401  Dobrica Pavlinusic, C<< <dpavlin@rot13.o Line 613  Dobrica Pavlinusic, C<< <dpavlin@rot13.o
613    
614  =head1 COPYRIGHT & LICENSE  =head1 COPYRIGHT & LICENSE
615    
616  Copyright 2005 Dobrica Pavlinusic, All Rights Reserved.  Copyright 2005-2006 Dobrica Pavlinusic, All Rights Reserved.
617    
618  This program is free software; you can redistribute it and/or modify it  This program is free software; you can redistribute it and/or modify it
619  under the same terms as Perl itself.  under the same terms as Perl itself.
Legend:
Removed from v.339  
changed lines
  Added in v.624
  ViewVC Help
Powered by ViewVC 1.1.26