/[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 519 by dpavlin, Thu May 18 13:48:51 2006 UTC revision 624 by dpavlin, Sat Aug 26 12:00:31 2006 UTC
# Line 7  use blib; Line 7  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 16  WebPAC::Input - read different file form Line 16  WebPAC::Input - read different file form
16    
17  =head1 VERSION  =head1 VERSION
18    
19  Version 0.05  Version 0.11
20    
21  =cut  =cut
22    
23  our $VERSION = '0.05';  our $VERSION = '0.11';
24    
25  =head1 SYNOPSIS  =head1 SYNOPSIS
26    
# Line 39  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                  # do something with $rec
# Line 64  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',          recode => 'char pairs',
68          no_progress_bar => 1,          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    
# Line 96  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 121  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 158  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 => $lookup_obj,
166          stats => 1,          stats => 1,
167            lookup_ref => sub {
168                    my ($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    
# Line 173  C<limit> is optional parametar to read j Line 182  C<limit> is optional parametar to read j
182    
183  C<stats> create optional report about usage of fields and subfields  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 184  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 193  sub open { Line 213  sub open {
213                  $self->{$v} = $arg->{$v} if ($arg->{$v});                  $self->{$v} = $arg->{$v} if ($arg->{$v});
214          }          }
215    
         # create Text::Iconv object  
         $self->{iconv} = Text::Iconv->new($code_page,$self->{'code_page'});  
   
216          my $filter_ref;          my $filter_ref;
217            my $recode_regex;
218            my $recode_map;
219    
220          if ($self->{recode}) {          if ($self->{recode}) {
221                  my @r = split(/\s/, $self->{recode});                  my @r = split(/\s/, $self->{recode});
222                  if ($#r % 2 != 1) {                  if ($#r % 2 != 1) {
223                          $log->logwarn("recode needs even number of elements (some number of valid pairs)");                          $log->logwarn("recode needs even number of elements (some number of valid pairs)");
224                  } else {                  } else {
                         my $recode;  
225                          while (@r) {                          while (@r) {
226                                  my $from = shift @r;                                  my $from = shift @r;
227                                  my $to = shift @r;                                  my $to = shift @r;
228                                  $recode->{$from} = $to;                                  $recode_map->{$from} = $to;
229                          }                          }
230    
231                          my $regex = join '|' => keys %{ $recode };                          $recode_regex = join '|' => keys %{ $recode_map };
   
                         $log->debug("using recode regex: $regex");  
                           
                         $filter_ref = sub {  
                                 my $t = shift;  
                                 $t =~ s/($regex)/$recode->{$1}/g;  
                                 return $t;  
                         };  
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 => $filter_ref,  #               filter => sub {
244    #                       my ($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                    %{ $arg },
251          );          );
252    
253          unless (defined($db)) {          unless (defined($db)) {
# Line 258  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}", $self->{stats} ? ' [stats]' : '');          $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 282  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 && $arg->{'lookup_coderef'});
331    
332                  # update counters for statistics                  # update counters for statistics
333                  if ($self->{stats}) {                  if ($self->{stats}) {
334                          map {  
335                                  my $fld = $_;                          # 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 }++;                                  $self->{_stats}->{fld}->{ $fld }++;
340                                  if (ref($rec->{ $fld }) eq 'ARRAY') {  
341                                          map {                                  $log->logdie("invalid record fild $fld, not ARRAY")
342                                                  if (ref($_) eq 'HASH') {                                          unless (ref($rec->{ $fld }) eq 'ARRAY');
343                                                          map {          
344                                                                  $self->{_stats}->{sf}->{ $fld }->{ $_ }++;                                  foreach my $row (@{ $rec->{$fld} }) {
345                                                          } keys %{ $_ };  
346                                                  } else {                                          if (ref($row) eq 'HASH') {
347                                                          $self->{_stats}->{repeatable}->{ $fld }++;  
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                                          } @{ $rec->{$fld} };  
355                                            } else {
356                                                    $self->{_stats}->{repeatable}->{ $fld }++;
357                                            }
358                                  }                                  }
359                          } keys %{ $rec };                          }
360                  }                  }
361    
362                  $self->progress_bar($pos,$to_rec) unless ($self->{no_progress_bar});                  $self->progress_bar($pos,$to_rec) unless ($self->{no_progress_bar});
# Line 455  sub stats { Line 511  sub stats {
511    
512                          if (defined($s->{sf}->{$f})) {                          if (defined($s->{sf}->{$f})) {
513                                  map {                                  map {
514                                          $o .= sprintf(" %s:%d", $_, $s->{sf}->{$f}->{$_});                                          $o .= sprintf(" %s:%d%s", $_,
515                                                    $s->{sf}->{$f}->{$_}->{count},
516                                                    $s->{sf}->{$f}->{$_}->{repeatable} ? '*' : '',
517                                            );
518                                  } sort keys %{ $s->{sf}->{$f} };                                  } sort keys %{ $s->{sf}->{$f} };
519                          }                          }
520    
# Line 472  sub stats { Line 531  sub stats {
531          return $out;          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    
581  C<low_mem> options is double-edged sword. If enabled, WebPAC  C<low_mem> options is double-edged sword. If enabled, WebPAC
# Line 509  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.519  
changed lines
  Added in v.624
  ViewVC Help
Powered by ViewVC 1.1.26