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

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

revision 375 by dpavlin, Sun Jan 8 22:21:24 2006 UTC revision 574 by dpavlin, Mon Jul 3 21:08:07 2006 UTC
# Line 1  Line 1 
1  package WebPAC::Normalize;  package WebPAC::Normalize;
2    use Exporter 'import';
3    @EXPORT = qw/
4            _set_rec _set_lookup
5            _get_ds _clean_ds
6            _debug
7    
8            tag search display
9            marc marc_indicators marc_repeatable_subfield
10            marc_compose marc_leader
11            marc_duplicate marc_remove
12    
13            rec1 rec2 rec
14            regex prefix suffix surround
15            first lookup join_with
16    
17            split_rec_on
18    /;
19    
20  use warnings;  use warnings;
21  use strict;  use strict;
22  use blib;  
23  use WebPAC::Common;  #use base qw/WebPAC::Common/;
24  use base 'WebPAC::Common';  use Data::Dump qw/dump/;
25  use Data::Dumper;  use Encode qw/from_to/;
26    use Storable qw/dclone/;
27    
28    # debugging warn(s)
29    my $debug = 0;
30    
31    
32  =head1 NAME  =head1 NAME
33    
34  WebPAC::Normalize - data mungling for normalisation  WebPAC::Normalize - describe normalisaton rules using sets
35    
36  =head1 VERSION  =head1 VERSION
37    
38  Version 0.08  Version 0.10
39    
40  =cut  =cut
41    
42  our $VERSION = '0.08';  our $VERSION = '0.10';
43    
44  =head1 SYNOPSIS  =head1 SYNOPSIS
45    
46  This package contains code that mungle data to produce normalized format.  This module uses C<conf/normalize/*.pl> files to perform normalisation
47    from input records using perl functions which are specialized for set
48    processing.
49    
50    Sets are implemented as arrays, and normalisation file is valid perl, which
51    means that you check it's validity before running WebPAC using
52    C<perl -c normalize.pl>.
53    
54    Normalisation can generate multiple output normalized data. For now, supported output
55    types (on the left side of definition) are: C<tag>, C<display>, C<search> and
56    C<marc>.
57    
58  It contains several assumptions:  =head1 FUNCTIONS
59    
60  =over  Functions which start with C<_> are private and used by WebPAC internally.
61    All other functions are available for use within normalisation rules.
62    
63  =item *  =head2 data_structure
64    
65  format of fields is defined using C<v123^a> notation for repeatable fields  Return data structure
 or C<s123^a> for single (or first) value, where C<123> is field number and  
 C<a> is subfield.  
66    
67  =item *    my $ds = WebPAC::Normalize::data_structure(
68            lookup => $lookup->lookup_hash,
69            row => $row,
70            rules => $normalize_pl_config,
71            marc_encoding => 'utf-8',
72      );
73    
74  source data records (C<$rec>) have unique identifiers in field C<000>  Options C<lookup>, C<row>, C<rules> and C<log> are mandatory while all
75    other are optional.
76    
77  =item *  This function will B<die> if normalizastion can't be evaled.
78    
79  optional C<eval{length('v123^a') == 3}> tag at B<beginning of format> will be  Since this function isn't exported you have to call it with
80  perl code that is evaluated before producing output (value of field will be  C<WebPAC::Normalize::data_structure>.
 interpolated before that)  
81    
82  =item *  =cut
83    
84  optional C<filter{filter_name}> at B<begining of format> will apply perl  sub data_structure {
85  code defined as code ref on format after field substitution to producing          my $arg = {@_};
 output  
86    
87  There is one built-in filter called C<regex> which can be use like this:          die "need row argument" unless ($arg->{row});
88            die "need normalisation argument" unless ($arg->{rules});
89    
90    filter{regex(s/foo/bar/)}          no strict 'subs';
91            _set_lookup( $arg->{lookup} );
92            _set_rec( $arg->{row} );
93            _clean_ds( %{ $arg } );
94            eval "$arg->{rules}";
95            die "error evaling $arg->{rules}: $@\n" if ($@);
96    
97  =item *          return _get_ds();
98    }
99    
100  optional C<lookup{...}> will be then performed. See C<WebPAC::Lookups>.  =head2 _set_rec
101    
102  =item *  Set current record hash
103    
104  at end, optional C<format>s rules are resolved. Format rules are similar to    _set_rec( $rec );
 C<sprintf> and can also contain C<lookup{...}> which is performed after  
 values are inserted in format.  
105    
106  =back  =cut
107    
108  This also describes order in which transformations are applied (eval,  my $rec;
 filter, lookup, format) which is important to undestand when deciding how to  
 solve your data mungling and normalisation process.  
109    
110    sub _set_rec {
111            $rec = shift or die "no record hash";
112    }
113    
114    =head2 _get_ds
115    
116    Return hash formatted as data structure
117    
118  =head1 FUNCTIONS    my $ds = _get_ds();
119    
120  =head2 new  =cut
121    
122  Create new normalisation object  my ($out, $marc_record, $marc_encoding, $marc_repeatable_subfield, $marc_indicators);
123    my ($marc_record_offset, $marc_fetch_offset) = (0, 0);
124    
125    my $n = new WebPAC::Normalize::Something(  sub _get_ds {
126          filter => {          return $out;
127                  'filter_name_1' => sub {  }
                         # filter code  
                         return length($_);  
                 }, ...  
         },  
         db => $db_obj,  
         lookup_regex => $lookup->regex,  
         lookup => $lookup_obj,  
         prefix => 'foobar',  
   );  
128    
129  Parametar C<filter> defines user supplied snippets of perl code which can  =head2 _clean_ds
 be use with C<filter{...}> notation.  
130    
131  C<prefix> is used to form filename for database record (to support multiple  Clean data structure hash for next record
 source files which are joined in one database).  
132    
133  Recommended parametar C<lookup_regex> is used to enable parsing of lookups    _clean_ds();
 in structures. If you pass this parametar, you must also pass C<lookup>  
 which is C<WebPAC::Lookup> object.  
134    
135  =cut  =cut
136    
137  sub new {  sub _clean_ds {
138          my $class = shift;          my $a = {@_};
139          my $self = {@_};          ($out,$marc_record, $marc_encoding, $marc_repeatable_subfield, $marc_indicators) = ();
140          bless($self, $class);          ($marc_record_offset, $marc_fetch_offset) = (0,0);
141            $marc_encoding = $a->{marc_encoding};
142          my $r = $self->{'lookup_regex'} ? 1 : 0;  }
         my $l = $self->{'lookup'} ? 1 : 0;  
143    
144          my $log = $self->_get_logger();  =head2 _set_lookup
145    
146          # those two must be in pair  Set current lookup hash
         if ( ($r & $l) != ($r || $l) ) {  
                 my $log = $self->_get_logger();  
                 $log->logdie("lookup_regex and lookup must be in pair");  
         }  
147    
148          $log->logdie("lookup must be WebPAC::Lookup object") if ($self->{'lookup'} && ! $self->{'lookup'}->isa('WebPAC::Lookup'));    _set_lookup( $lookup );
149    
150          $log->warn("no prefix defined. please check that!") unless ($self->{'prefix'});  =cut
   
         $log->debug("using lookup regex: ", $self->{lookup_regex}) if ($r && $l);  
151    
152          if (! $self->{filter} || ! $self->{filter}->{regex}) {  my $lookup;
                 $log->debug("adding built-in filter regex");  
                 $self->{filter}->{regex} = sub {  
                         my ($val, $regex) = @_;  
                         eval "\$val =~ $regex";  
                         return $val;  
                 };  
         }  
153    
154          $self ? return $self : return undef;  sub _set_lookup {
155            $lookup = shift;
156  }  }
157    
158    =head2 _get_marc_fields
159    
160  =head2 data_structure  Get all fields defined by calls to C<marc>
161    
162  Create in-memory data structure which represents normalized layout from          $marc->add_fields( WebPAC::Normalize:_get_marc_fields() );
 C<conf/normalize/*.xml>.  
163    
164  This structures are used to produce output.  We are using I<magic> which detect repeatable fields only from
165    sequence of field/subfield data generated by normalization.
166    
167   my $ds = $webpac->data_structure($rec);  Repeatable field is created when there is second occurence of same subfield or
168    if any of indicators are different.
169    
170  =cut  This is sane for most cases. Something like:
171    
172  sub data_structure {    900a-1 900b-1 900c-1
173          my $self = shift;    900a-2 900b-2
174      900a-3
175    
176          my $log = $self->_get_logger();  will be created from any combination of:
177    
178          my $rec = shift;    900a-1 900a-2 900a-3 900b-1 900b-2 900c-1
         $log->logconfess("need HASH as first argument!") if ($rec !~ /HASH/o);  
179    
180          $log->debug("data_structure rec = ", sub { Dumper($rec) });  and following rules:
181    
182          $log->logdie("need unique ID (mfn) in field 000 of record " . Dumper($rec) ) unless (defined($rec->{'000'}));    marc('900','a', rec('200','a') );
183      marc('900','b', rec('200','b') );
184      marc('900','c', rec('200','c') );
185    
186          my $id = $rec->{'000'}->[0] || $log->logdie("field 000 isn't array!");  which might not be what you have in mind. If you need repeatable subfield,
187    define it using C<marc_repeatable_subfield> like this:
188    
189          my $cache_file;    marc_repeatable_subfield('900','a');
190      marc('900','a', rec('200','a') );
191      marc('900','b', rec('200','b') );
192      marc('900','c', rec('200','c') );
193    
194          if ($self->{'db'}) {  will create:
                 my $ds = $self->{'db'}->load_ds( id => $id, prefix => $self->{prefix} );  
                 $log->debug("load_ds( rec = ", sub { Dumper($rec) }, ") = ", sub { Dumper($ds) });  
                 return $ds if ($ds);  
                 $log->debug("cache miss, creating");  
         }  
195    
196          my @sorted_tags;    900a-1 900a-2 900a-3 900b-1 900c-1
197          if ($self->{tags_by_order}) {    900b-2
                 @sorted_tags = @{$self->{tags_by_order}};  
         } else {  
                 @sorted_tags = sort { $self->_sort_by_order } keys %{$self->{'import_xml'}->{'indexer'}};  
                 $self->{tags_by_order} = \@sorted_tags;  
         }  
198    
199          my $ds;  There is also support for returning next or specific using:
200    
201          $log->debug("tags: ",sub { join(", ",@sorted_tags) });    while (my $mf = WebPAC::Normalize:_get_marc_fields( fetch_next => 1 ) ) {
202            # do something with $mf
203      }
204    
205          foreach my $field (@sorted_tags) {  will always return fields from next MARC record or
206    
207                  my $row;    my $mf = WebPAC::Normalize::_get_marc_fields( offset => 42 );
208    
209  #print "field $field [",$self->{'tag'},"] = ",Dumper($self->{'import_xml'}->{'indexer'}->{$field}->{$self->{'tag'}});  will return 42th copy record (if it exists).
210    
211                  foreach my $tag (@{$self->{'import_xml'}->{'indexer'}->{$field}->{$self->{'tag'}}}) {  =cut
                         my $format;  
212    
213                          $log->logdie("expected tag HASH and got $tag") unless (ref($tag) eq 'HASH');  sub _get_marc_fields {
                         $format = $tag->{'value'} || $tag->{'content'};  
214    
215                          my @v;          my $arg = {@_};
216                          if ($self->{'lookup_regex'} && $format =~ $self->{'lookup_regex'}) {          warn "### _get_marc_fields arg: ", dump($arg), $/ if ($debug > 2);
217                                  @v = $self->_rec_to_arr($rec,$format,'fill_in');          my $offset = $marc_fetch_offset;
218                          } else {          if ($arg->{offset}) {
219                                  @v = $self->_rec_to_arr($rec,$format,'parse');                  $offset = $arg->{offset};
220                          }          } elsif($arg->{fetch_next}) {
221                          if (! @v) {                  $marc_fetch_offset++;
222                                  $log->debug("$field <",$self->{tag},"> format: $format no values");          }
                                 next;  
                         } else {  
                                 $log->debug("$field <",$self->{tag},"> format: $format values: ", join(",", @v));  
                         }  
223    
224                          if ($tag->{'sort'}) {          return if (! $marc_record || ref($marc_record) ne 'ARRAY');
                                 @v = $self->sort_arr(@v);  
                         }  
225    
226                          # use format?          warn "### full marc_record = ", dump( @{ $marc_record }), $/ if ($debug > 2);
                         if ($tag->{'format_name'}) {  
                                 @v = map { $self->apply_format($tag->{'format_name'},$tag->{'format_delimiter'},$_) } @v;  
                         }  
227    
228                          # delimiter will join repeatable fields          my $marc_rec = $marc_record->[ $offset ];
                         if ($tag->{'delimiter'}) {  
                                 @v = ( join($tag->{'delimiter'}, @v) );  
                         }  
229    
230                          # default types          warn "## _get_marc_fields (at offset: $offset) -- marc_record = ", dump( @$marc_rec ), $/ if ($debug > 1);
                         my @types = qw(display search);  
                         # override by type attribute  
                         @types = ( $tag->{'type'} ) if ($tag->{'type'});  
   
                         foreach my $type (@types) {  
                                 # append to previous line?  
                                 $log->debug("tag $field / $type [",sub { join(",",@v) }, "] ", $row->{'append'} || 'no append');  
                                 if ($tag->{'append'}) {  
   
                                         # I will delimit appended part with  
                                         # delimiter (or ,)  
                                         my $d = $tag->{'delimiter'};  
                                         # default delimiter  
                                         $d ||= " ";  
   
                                         my $last = pop @{$row->{$type}};  
                                         $d = "" if (! $last);  
                                         $last .= $d . join($d, @v);  
                                         push @{$row->{$type}}, $last;  
231    
232                                  } else {          return if (! $marc_rec || ref($marc_rec) ne 'ARRAY' || $#{ $marc_rec } < 0);
                                         push @{$row->{$type}}, @v;  
                                 }  
                         }  
233    
234            # first, sort all existing fields
235            # XXX might not be needed, but modern perl might randomize elements in hash
236            my @sorted_marc_record = sort {
237                    $a->[0] . ( $a->[3] || '' ) cmp $b->[0] . ( $b->[3] || '')
238            } @{ $marc_rec };
239    
240                  }          @sorted_marc_record = @{ $marc_rec };   ### FIXME disable sorting
241            
242            # output marc fields
243            my @m;
244    
245                  if ($row) {          # count unique field-subfields (used for offset when walking to next subfield)
246                          $row->{'tag'} = $field;          my $u;
247            map { $u->{ $_->[0] . ( $_->[3] || '')  }++ } @sorted_marc_record;
248    
249            if ($debug) {
250                    warn "## marc_repeatable_subfield = ", dump( $marc_repeatable_subfield ), $/ if ( $marc_repeatable_subfield );
251                    warn "## marc_record[$offset] = ", dump( $marc_rec ), $/;
252                    warn "## sorted_marc_record = ", dump( \@sorted_marc_record ), $/;
253                    warn "## subfield count = ", dump( $u ), $/;
254            }
255    
256                          # TODO: name_sigular, name_plural          my $len = $#sorted_marc_record;
257                          my $name = $self->{'import_xml'}->{'indexer'}->{$field}->{'name'};          my $visited;
258                          my $row_name = $name ? $self->_x($name) : $field;          my $i = 0;
259            my $field;
                         # post-sort all values in field  
                         if ($self->{'import_xml'}->{'indexer'}->{$field}->{'sort'}) {  
                                 $log->warn("sort at field tag not implemented");  
                         }  
260    
261                          $ds->{$row_name} = $row;          foreach ( 0 .. $len ) {
262    
263                          $log->debug("row $field: ",sub { Dumper($row) });                  # find next element which isn't visited
264                  }                  while ($visited->{$i}) {
265                            $i = ($i + 1) % ($len + 1);
266                    }
267    
268                    # mark it visited
269                    $visited->{$i}++;
270    
271                    my $row = dclone( $sorted_marc_record[$i] );
272    
273                    # field and subfield which is key for
274                    # marc_repeatable_subfield and u
275                    my $fsf = $row->[0] . ( $row->[3] || '' );
276    
277                    if ($debug > 1) {
278    
279                            print "### field so far [", $#$field, "] : ", dump( $field ), " ", $field ? 'T' : 'F', $/;
280                            print "### this [$i]: ", dump( $row ),$/;
281                            print "### sf: ", $row->[3], " vs ", $field->[3],
282                                    $marc_repeatable_subfield->{ $row->[0] . $row->[3] } ? ' (repeatable)' : '', $/,
283                                    if ($#$field >= 0);
284    
285          }                  }
286    
287          $self->{'db'}->save_ds(                  # if field exists
288                  id => $id,                  if ( $#$field >= 0 ) {
289                  ds => $ds,                          if (
290                  prefix => $self->{prefix},                                  $row->[0] ne $field->[0] ||             # field
291          ) if ($self->{'db'});                                  $row->[1] ne $field->[1] ||             # i1
292                                    $row->[2] ne $field->[2]                # i2
293                            ) {
294                                    push @m, $field;
295                                    warn "## saved/1 ", dump( $field ),$/ if ($debug);
296                                    $field = $row;
297    
298                            } elsif (
299                                    ( $row->[3] lt $field->[-2] )           # subfield which is not next (e.g. a after c)
300                                    ||
301                                    ( $row->[3] eq $field->[-2] &&          # same subfield, but not repeatable
302                                            ! $marc_repeatable_subfield->{ $fsf }
303                                    )
304                            ) {
305                                    push @m, $field;
306                                    warn "## saved/2 ", dump( $field ),$/ if ($debug);
307                                    $field = $row;
308    
309          $log->debug("ds: ", sub { Dumper($ds) });                          } else {
310                                    # append new subfields to existing field
311                                    push @$field, ( $row->[3], $row->[4] );
312                            }
313                    } else {
314                            # insert first field
315                            $field = $row;
316                    }
317    
318          $log->logconfess("data structure returned is not array any more!") if wantarray;                  if (! $marc_repeatable_subfield->{ $fsf }) {
319                            # make step to next subfield
320                            $i = ($i + $u->{ $fsf } ) % ($len + 1);
321                    }
322            }
323    
324          return $ds;          if ($#$field >= 0) {
325                    push @m, $field;
326                    warn "## saved/3 ", dump( $field ),$/ if ($debug);
327            }
328    
329            return @m;
330  }  }
331    
332  =head2 parse  =head2 _debug
333    
334  Perform smart parsing of string, skipping delimiters for fields which aren't  Change level of debug warnings
 defined. It can also eval code in format starting with C<eval{...}> and  
 return output or nothing depending on eval code.  
335    
336   my $text = $webpac->parse($rec,'eval{"v901^a" eq "Deskriptor"}descriptor: v250^a', $i);    _debug( 2 );
337    
338  Filters are implemented here. While simple form of filters looks like this:  =cut
339    
340    filter{name_of_filter}  sub _debug {
341            my $l = shift;
342            return $debug unless defined($l);
343            warn "debug level $l",$/ if ($l > 0);
344            $debug = $l;
345    }
346    
347  but, filters can also have variable number of parametars like this:  =head1 Functions to create C<data_structure>
348    
349    filter{name_of_filter(param,param,param)}  Those functions generally have to first in your normalization file.
350    
351  =cut  =head2 tag
352    
353  my $warn_once;  Define new tag for I<search> and I<display>.
354    
355  sub parse {    tag('Title', rec('200','a') );
         my $self = shift;  
356    
         my ($rec, $format_utf8, $i, $rec_size) = @_;  
357    
358          return if (! $format_utf8);  =cut
359    
360          my $log = $self->_get_logger();  sub tag {
361            my $name = shift or die "tag needs name as first argument";
362            my @o = grep { defined($_) && $_ ne '' } @_;
363            return unless (@o);
364            $out->{$name}->{tag} = $name;
365            $out->{$name}->{search} = \@o;
366            $out->{$name}->{display} = \@o;
367    }
368    
369          $log->logconfess("need HASH as first argument!") if ($rec !~ /HASH/o);  =head2 display
370    
371          $i = 0 if (! $i);  Define tag just for I<display>
372    
373          my $format = $self->_x($format_utf8) || $log->logconfess("can't convert '$format_utf8' from UTF-8 to ",$self->{'code_page'});    @v = display('Title', rec('200','a') );
374    
375          my @out;  =cut
376    
377          $log->debug("format: $format [$i]");  sub display {
378            my $name = shift or die "display needs name as first argument";
379            my @o = grep { defined($_) && $_ ne '' } @_;
380            return unless (@o);
381            $out->{$name}->{tag} = $name;
382            $out->{$name}->{display} = \@o;
383    }
384    
385          my $eval_code;  =head2 search
         # remove eval{...} from beginning  
         $eval_code = $1 if ($format =~ s/^eval{([^}]+)}//s);  
386    
387          my $filter_name;  Prepare values just for I<search>
         # remove filter{...} from beginning  
         $filter_name = $1 if ($format =~ s/^filter{([^}]+)}//s);  
388    
389          # did we found any (att all) field from format in row?    @v = search('Title', rec('200','a') );
         my $found_any;  
         # prefix before first field which we preserve it $found_any  
         my $prefix;  
390    
391          my $f_step = 1;  =cut
392    
393          while ($format =~ s/^(.*?)(v|s)(\d+)(?:\^(\w))?//s) {  sub search {
394            my $name = shift or die "search needs name as first argument";
395            my @o = grep { defined($_) && $_ ne '' } @_;
396            return unless (@o);
397            $out->{$name}->{tag} = $name;
398            $out->{$name}->{search} = \@o;
399    }
400    
401                  my $del = $1 || '';  =head2 marc_leader
                 $prefix = $del if ($f_step == 1);  
402    
403                  my $fld_type = lc($2);  Setup fields within MARC leader or get leader
404    
405                  # repeatable index    marc_leader('05','c');
406                  my $r = $i;    my $leader = marc_leader();
                 if ($fld_type eq 's') {  
                         if ($found_any->{'v'}) {  
                                 $r = 0;  
                         } else {  
                                 return;  
                         }  
                 }  
407    
408                  my $found = 0;  =cut
                 my $tmp = $self->get_data(\$rec,$3,$4,$r,\$found,$rec_size);  
409    
410                  if ($found) {  sub marc_leader {
411                          $found_any->{$fld_type} += $found;          my ($offset,$value) = @_;
412    
413                          # we will skip delimiter before first occurence of field!          if ($offset) {
414                          push @out, $del unless($found_any->{$fld_type} == 1);                  $out->{' leader'}->{ $offset } = $value;
415                          push @out, $tmp;          } else {
416                  }                  return $out->{' leader'};
                 $f_step++;  
417          }          }
418    }
419    
420          # test if any fields found?  =head2 marc
         return if (! $found_any->{'v'} && ! $found_any->{'s'});  
421    
422          my $out = join('',@out);  Save value for MARC field
423    
424          if ($out) {    marc('900','a', rec('200','a') );
425                  # add rest of format (suffix)    marc('001', rec('000') );
                 $out .= $format;  
426    
427                  # add prefix if not there  =cut
                 $out = $prefix . $out if ($out !~ m/^\Q$prefix\E/);  
428    
429                  $log->debug("result: $out");  sub marc {
430          }          my $f = shift or die "marc needs field";
431            die "marc field must be numer" unless ($f =~ /^\d+$/);
432    
433          if ($eval_code) {          my $sf;
434                  my $eval = $self->fill_in($rec,$eval_code,$i) || return;          if ($f >= 10) {
435                  $log->debug("about to eval{$eval} format: $out");                  $sf = shift or die "marc needs subfield";
                 return if (! $self->_eval($eval));  
436          }          }
437            
438          if ($filter_name) {          foreach (@_) {
439                  my @filter_args;                  my $v = $_;             # make var read-write for Encode
440                  if ($filter_name =~ s/(\w+)\((.*)\)/$1/) {                  next unless (defined($v) && $v !~ /^\s*$/);
441                          @filter_args = split(/,/, $2);                  from_to($v, 'iso-8859-2', $marc_encoding) if ($marc_encoding);
442                  }                  my ($i1,$i2) = defined($marc_indicators->{$f}) ? @{ $marc_indicators->{$f} } : (' ',' ');
443                  if ($self->{'filter'}->{$filter_name}) {                  if (defined $sf) {
444                          $log->debug("about to filter{$filter_name} format: $out with arguments: ", join(",", @filter_args));                          push @{ $marc_record->[ $marc_record_offset ] }, [ $f, $i1, $i2, $sf => $v ];
445                          unshift @filter_args, $out;                  } else {
446                          $out = $self->{'filter'}->{$filter_name}->(@filter_args);                          push @{ $marc_record->[ $marc_record_offset ] }, [ $f, $v ];
                         return unless(defined($out));  
                         $log->debug("filter result: $out");  
                 } elsif (! $warn_once->{$filter_name}) {  
                         $log->warn("trying to use undefined filter $filter_name");  
                         $warn_once->{$filter_name}++;  
447                  }                  }
448          }          }
   
         return $out;  
449  }  }
450    
451  =head2 fill_in  =head2 marc_repeatable_subfield
452    
453  Workhourse of all: takes record from in-memory structure of database and  Save values for MARC repetable subfield
 strings with placeholders and returns string or array of with substituted  
 values from record.  
454    
455   my $text = $webpac->fill_in($rec,'v250^a');    marc_repeatable_subfield('910', 'z', rec('909') );
456    
457  Optional argument is ordinal number for repeatable fields. By default,  =cut
 it's assume to be first repeatable field (fields are perl array, so first  
 element is 0).  
 Following example will read second value from repeatable field.  
458    
459   my $text = $webpac->fill_in($rec,'Title: v250^a',1);  sub marc_repeatable_subfield {
460            my ($f,$sf) = @_;
461            die "marc_repeatable_subfield need field and subfield!\n" unless ($f && $sf);
462            $marc_repeatable_subfield->{ $f . $sf }++;
463            marc(@_);
464    }
465    
466  This function B<does not> perform parsing of format to inteligenty skip  =head2 marc_indicators
 delimiters before fields which aren't used.  
467    
468  This method will automatically decode UTF-8 string to local code page  Set both indicators for MARC field
 if needed.  
469    
470  There is optional parametar C<$record_size> which can be used to get sizes of    marc_indicators('900', ' ', 1);
 all C<field^subfield> combinations in this format.  
471    
472   my $text = $webpac->fill_in($rec,'got: v900^a v900^x',0,\$rec_size);  Any indicator value other than C<0-9> will be treated as undefined.
473    
474  =cut  =cut
475    
476  sub fill_in {  sub marc_indicators {
477          my $self = shift;          my $f = shift || die "marc_indicators need field!\n";
478            my ($i1,$i2) = @_;
479          my $log = $self->_get_logger();          die "marc_indicators($f, ...) need i1!\n" unless(defined($i1));
480            die "marc_indicators($f, $i1, ...) need i2!\n" unless(defined($i2));
481    
482          my ($rec,$format,$i,$rec_size) = @_;          $i1 = ' ' if ($i1 !~ /^\d$/);
483            $i2 = ' ' if ($i2 !~ /^\d$/);
484          $log->logconfess("need data record") unless ($rec);          @{ $marc_indicators->{$f} } = ($i1,$i2);
485          $log->logconfess("need format to parse") unless($format);  }
486    
487          # iteration (for repeatable fields)  =head2 marc_compose
         $i ||= 0;  
488    
489          $log->logdie("infitite loop in format $format") if ($i > ($self->{'max_mfn'} || 9999));  Save values for each MARC subfield explicitly
490    
491          # FIXME remove for speedup?    marc_compose('900',
492          $log->logconfess("need HASH as first argument!") if ($rec !~ /HASH/o);          'a', rec('200','a')
493            'b', rec('201','a')
494            'a', rec('200','b')
495            'c', rec('200','c')
496      );
497    
498          if (utf8::is_utf8($format)) {  =cut
                 $format = $self->_x($format);  
         }  
499    
500          my $found = 0;  sub marc_compose {
501          my $just_single = 1;          my $f = shift or die "marc_compose needs field";
502            die "marc_compose field must be numer" unless ($f =~ /^\d+$/);
503    
504          my $eval_code;          my ($i1,$i2) = defined($marc_indicators->{$f}) ? @{ $marc_indicators->{$f} } : (' ',' ');
505          # remove eval{...} from beginning          my $m = [ $f, $i1, $i2 ];
         $eval_code = $1 if ($format =~ s/^eval{([^}]+)}//s);  
506    
507          my $filter_name;          while (@_) {
508          # remove filter{...} from beginning                  my $sf = shift or die "marc_compose $f needs subfield";
509          $filter_name = $1 if ($format =~ s/^filter{([^}]+)}//s);                  my $v = shift;
510    
511          # do actual replacement of placeholders                  next unless (defined($v) && $v !~ /^\s*$/);
512          # repeatable fields                  from_to($v, 'iso-8859-2', $marc_encoding) if ($marc_encoding);
513          if ($format =~ s/v(\d+)(?:\^(\w))?/$self->get_data(\$rec,$1,$2,$i,\$found,$rec_size)/ges) {                  push @$m, ( $sf, $v );
514                  $just_single = 0;                  warn "## ++ marc_compose($f,$sf,$v) ", dump( $m ),$/ if ($debug > 1);
515          }          }
516    
517          # non-repeatable fields          warn "## marc_compose(d) ", dump( $m ),$/ if ($debug > 1);
         if ($format =~ s/s(\d+)(?:\^(\w))?/$self->get_data(\$rec,$1,$2,0,\$found,$rec_size)/ges) {  
                 return if ($i > 0 && $just_single);  
         }  
518    
519          if ($found) {          push @{ $marc_record->[ $marc_record_offset ] }, $m if ($#{$m} > 2);
                 $log->debug("format: $format");  
                 if ($eval_code) {  
                         my $eval = $self->fill_in($rec,$eval_code,$i);  
                         return if (! $self->_eval($eval));  
                 }  
                 if ($filter_name && $self->{'filter'}->{$filter_name}) {  
                         $log->debug("filter '$filter_name' for $format");  
                         $format = $self->{'filter'}->{$filter_name}->($format);  
                         return unless(defined($format));  
                         $log->debug("filter result: $format");  
                 }  
                 # do we have lookups?  
                 if ($self->{'lookup'}) {  
                         if ($self->{'lookup'}->can('lookup')) {  
                                 my @lookup = $self->{lookup}->lookup($format);  
                                 $log->debug("lookup $format", join(", ", @lookup));  
                                 return @lookup;  
                         } else {  
                                 $log->warn("Have lookup object but can't invoke lookup method");  
                         }  
                 } else {  
                         return $format;  
                 }  
         } else {  
                 return;  
         }  
520  }  }
521    
522    =head2 marc_duplicate
523    
524  =head2 _rec_to_arr  Generate copy of current MARC record and continue working on copy
525    
526  Similar to C<parse> and C<fill_in>, but returns array of all repeatable fields. Usable    marc_duplicate();
 for fields which have lookups, so they shouldn't be parsed but rather  
 C<paste>d or C<fill_id>ed. Last argument is name of operation: C<paste> or C<fill_in>.  
527    
528   my @arr = $webpac->fill_in_to_arr($rec,'[v900];;[v250^a]','paste');  Copies can be accessed using C<< _get_marc_fields( fetch_next => 1 ) >> or
529    C<< _get_marc_fields( offset => 42 ) >>.
530    
531  =cut  =cut
532    
533  sub _rec_to_arr {  sub marc_duplicate {
534          my $self = shift;           my $m = $marc_record->[ -1 ];
535             die "can't duplicate record which isn't defined" unless ($m);
536          my ($rec, $format_utf8, $code) = @_;           push @{ $marc_record }, dclone( $m );
537             warn "## marc_duplicate = ", dump(@$marc_record), $/ if ($debug > 1);
538             $marc_record_offset = $#{ $marc_record };
539             warn "## marc_record_offset = $marc_record_offset", $/ if ($debug > 1);
540    }
541    
542          my $log = $self->_get_logger();  =head2 marc_remove
543    
544          $log->logconfess("need HASH as first argument!") if ($rec !~ /HASH/o);  Remove some field or subfield from MARC record.
         return if (! $format_utf8);  
545    
546          $log->debug("using $code on $format_utf8");    marc_remove('200');
547      marc_remove('200','a');
548    
549          my $i = 0;  This will erase field C<200> or C<200^a> from current MARC record.
         my $max = 0;  
         my @arr;  
         my $rec_size = {};  
   
         while ($i <= $max) {  
                 my @v = $self->$code($rec,$format_utf8,$i++,\$rec_size);  
                 if ($rec_size) {  
                         foreach my $f (keys %{ $rec_size }) {  
                                 $max = $rec_size->{$f} if ($rec_size->{$f} > $max);  
                         }  
                         $log->debug("max set to $max");  
                         undef $rec_size;  
                 }  
                 if (@v) {  
                         push @arr, @v;  
                 } else {  
                         push @arr, '' if ($max > $i);  
                 }  
         }  
550    
551          $log->debug("format '$format_utf8' returned ",--$i," elements: ", sub { join(" | ",@arr) }) if (@arr);  This is useful after calling C<marc_duplicate> or on it's own (but, you
552    should probably just remove that subfield definition if you are not
553    using C<marc_duplicate>).
554    
555          return @arr;  FIXME: support fields < 10.
 }  
556    
557    =cut
558    
559  =head2 get_data  sub marc_remove {
560            my ($f, $sf) = @_;
561    
562  Returns value from record.          die "marc_remove needs record number" unless defined($f);
563    
564   my $text = $self->get_data(\$rec,$f,$sf,$i,\$found,\$rec_size);          my $marc = $marc_record->[ $marc_record_offset ];
565    
566  Required arguments are:          warn "### marc_remove before = ", dump( $marc ), $/ if ($debug > 2);
567    
568  =over 8          foreach my $i ( 0 .. $#{ $marc } ) {
569                    last unless (defined $marc->[$i]);
570                    warn "#### working on ",dump( @{ $marc->[$i] }), $/ if ($debug > 3);
571                    if ($marc->[$i]->[0] eq $f) {
572                            if (! defined $sf) {
573                                    # remove whole field
574                                    splice @$marc, $i, 1;
575                                    warn "#### slice \@\$marc, $i, 1 = ",dump( @{ $marc }), $/ if ($debug > 3);
576                                    $i--;
577                            } else {
578                                    foreach my $j ( 0 .. (( $#{ $marc->[$i] } - 3 ) / 2) ) {
579                                            my $o = ($j * 2) + 3;
580                                            if ($marc->[$i]->[$o] eq $sf) {
581                                                    # remove subfield
582                                                    splice @{$marc->[$i]}, $o, 2;
583                                                    warn "#### slice \@{\$marc->[$i]}, $o, 2 = ", dump( @{ $marc }), $/ if ($debug > 3);
584                                                    # is record now empty?
585                                                    if ($#{ $marc->[$i] } == 2) {
586                                                            splice @$marc, $i, 1;
587                                                            warn "#### slice \@\$marc, $i, 1 = ", dump( @{ $marc }), $/ if ($debug > 3);
588                                                            $i--;
589                                                    };
590                                            }
591                                    }
592                            }
593                    }
594            }
595    
596  =item C<$rec>          warn "### marc_remove($f", $sf ? ",$sf" : "", ") after = ", dump( $marc ), $/ if ($debug > 2);
597    
598  record reference          $marc_record->[ $marc_record_offset ] = $marc;
599    
600  =item C<$f>          warn "## full marc_record = ", dump( @{ $marc_record }), $/ if ($debug > 1);
601    }
602    
603  field  =head1 Functions to extract data from input
604    
605  =item C<$sf>  This function should be used inside functions to create C<data_structure> described
606    above.
607    
608  optional subfield  =head2 rec1
609    
610  =item C<$i>  Return all values in some field
611    
612  index offset for repeatable values ( 0 ... $rec_size->{'400^a'} )    @v = rec1('200')
613    
614  =item C<$found>  TODO: order of values is probably same as in source data, need to investigate that
615    
616  optional variable that will be incremeted if preset  =cut
617    
618  =item C<$rec_size>  sub rec1 {
619            my $f = shift;
620            warn "rec1($f) = ", dump( $rec->{$f} ), $/ if ($debug > 1);
621            return unless (defined($rec) && defined($rec->{$f}));
622            warn "rec1($f) = ", dump( $rec->{$f} ), $/ if ($debug > 1);
623            if (ref($rec->{$f}) eq 'ARRAY') {
624                    return map {
625                            if (ref($_) eq 'HASH') {
626                                    values %{$_};
627                            } else {
628                                    $_;
629                            }
630                    } @{ $rec->{$f} };
631            } elsif( defined($rec->{$f}) ) {
632                    return $rec->{$f};
633            }
634    }
635    
636  hash to hold maximum occurances of C<field^subfield> combinations  =head2 rec2
 (which can be accessed using keys in same format)  
637    
638  =back  Return all values in specific field and subfield
639    
640  Returns value or empty string, updates C<$found> and C<rec_size>    @v = rec2('200','a')
 if present.  
641    
642  =cut  =cut
643    
644  sub get_data {  sub rec2 {
645          my $self = shift;          my $f = shift;
646            return unless (defined($rec && $rec->{$f}));
647            my $sf = shift;
648            return map { $_->{$sf} } grep { ref($_) eq 'HASH' && $_->{$sf} } @{ $rec->{$f} };
649    }
650    
651          my ($rec,$f,$sf,$i,$found,$cache) = @_;  =head2 rec
652    
653          return '' unless ($$rec->{$f} && ref($$rec->{$f}) eq 'ARRAY');  syntaxtic sugar for
654    
655          if (defined($$cache)) {    @v = rec('200')
656                  $$cache->{ $f . ( $sf ? '^' . $sf : '' ) } ||= scalar @{ $$rec->{$f} };    @v = rec('200','a')
         }  
657    
658          return '' unless ($$rec->{$f}->[$i]);  =cut
659    
660          {  sub rec {
661                  no strict 'refs';          if ($#_ == 0) {
662                  if (defined($sf)) {                  return rec1(@_);
663                          $$found++ if (defined($$found) && $$rec->{$f}->[$i]->{$sf});          } elsif ($#_ == 1) {
664                          return $$rec->{$f}->[$i]->{$sf};                  return rec2(@_);
                 } else {  
                         $$found++ if (defined($$found));  
                         # it still might have subfields, just  
                         # not specified, so we'll dump some debug info  
                         if ($$rec->{$f}->[$i] =~ /HASH/o) {  
                                 my $out;  
                                 foreach my $k (keys %{$$rec->{$f}->[$i]}) {  
                                         $out .= '$' . $k .':' . $$rec->{$f}->[$i]->{$k}." ";  
                                 }  
                                 return $out;  
                         } else {  
                                 return $$rec->{$f}->[$i];  
                         }  
                 }  
665          }          }
666  }  }
667    
668    =head2 regex
669    
670  =head2 apply_format  Apply regex to some or all values
   
 Apply format specified in tag with C<format_name="name"> and  
 C<format_delimiter=";;">.  
671    
672   my $text = $webpac->apply_format($format_name,$format_delimiter,$data);    @v = regex( 's/foo/bar/g', @v );
   
 Formats can contain C<lookup{...}> if you need them.  
673    
674  =cut  =cut
675    
676  sub apply_format {  sub regex {
677          my $self = shift;          my $r = shift;
678            my @out;
679            #warn "r: $r\n", dump(\@_);
680            foreach my $t (@_) {
681                    next unless ($t);
682                    eval "\$t =~ $r";
683                    push @out, $t if ($t && $t ne '');
684            }
685            return @out;
686    }
687    
688          my ($name,$delimiter,$data) = @_;  =head2 prefix
689    
690          my $log = $self->_get_logger();  Prefix all values with a string
691    
692          if (! $self->{'import_xml'}->{'format'}->{$name}) {    @v = prefix( 'my_', @v );
                 $log->warn("<format name=\"$name\"> is not defined in ",$self->{'import_xml_file'});  
                 return $data;  
         }  
693    
694          $log->warn("no delimiter for format $name") if (! $delimiter);  =cut
695    
696          my $format = $self->_x($self->{'import_xml'}->{'format'}->{$name}->{'content'}) || $log->logdie("can't find format '$name'");  sub prefix {
697            my $p = shift or die "prefix needs string as first argument";
698            return map { $p . $_ } grep { defined($_) } @_;
699    }
700    
701          my @data = split(/\Q$delimiter\E/, $data);  =head2 suffix
702    
703          my $out = sprintf($format, @data);  suffix all values with a string
         $log->debug("using format $name [$format] on $data to produce: $out");  
704    
705          if ($self->{'lookup_regex'} && $out =~ $self->{'lookup_regex'}) {    @v = suffix( '_my', @v );
                 return $self->{'lookup'}->lookup($out);  
         } else {  
                 return $out;  
         }  
706    
707    =cut
708    
709    sub suffix {
710            my $s = shift or die "suffix needs string as first argument";
711            return map { $_ . $s } grep { defined($_) } @_;
712  }  }
713    
714  =head2 sort_arr  =head2 surround
715    
716  Sort array ignoring case and html in data  surround all values with a two strings
717    
718   my @sorted = $webpac->sort_arr(@unsorted);    @v = surround( 'prefix_', '_suffix', @v );
719    
720  =cut  =cut
721    
722  sub sort_arr {  sub surround {
723          my $self = shift;          my $p = shift or die "surround need prefix as first argument";
724            my $s = shift or die "surround needs suffix as second argument";
725            return map { $p . $_ . $s } grep { defined($_) } @_;
726    }
727    
728          my $log = $self->_get_logger();  =head2 first
729    
730          # FIXME add Schwartzian Transformation?  Return first element
731    
732          my @sorted = sort {    $v = first( @v );
                 $a =~ s#<[^>]+/*>##;  
                 $b =~ s#<[^>]+/*>##;  
                 lc($b) cmp lc($a)  
         } @_;  
         $log->debug("sorted values: ",sub { join(", ",@sorted) });  
733    
734          return @sorted;  =cut
 }  
735    
736    sub first {
737            my $r = shift;
738            return $r;
739    }
740    
741  =head1 INTERNAL METHODS  =head2 lookup
742    
743  =head2 _sort_by_order  Consult lookup hashes for some value
744    
745  Sort xml tags data structure accoding to C<order=""> attribute.    @v = lookup( $v );
746      @v = lookup( @v );
747    
748  =cut  =cut
749    
750  sub _sort_by_order {  sub lookup {
751          my $self = shift;          my $k = shift or return;
752            return unless (defined($lookup->{$k}));
753          my $va = $self->{'import_xml'}->{'indexer'}->{$a}->{'order'} ||          if (ref($lookup->{$k}) eq 'ARRAY') {
754                  $self->{'import_xml'}->{'indexer'}->{$a};                  return @{ $lookup->{$k} };
755          my $vb = $self->{'import_xml'}->{'indexer'}->{$b}->{'order'} ||          } else {
756                  $self->{'import_xml'}->{'indexer'}->{$b};                  return $lookup->{$k};
757            }
         return $va <=> $vb;  
758  }  }
759    
760  =head2 _x  =head2 join_with
   
 Convert strings from C<conf/normalize/*.xml> encoding into application  
 specific encoding (optinally specified using C<code_page> to C<new>  
 constructor).  
761    
762   my $text = $n->_x('normalize text string');  Joins walues with some delimiter
763    
764  This is a stub so that other modules doesn't have to implement it.    $v = join_with(", ", @v);
765    
766  =cut  =cut
767    
768  sub _x {  sub join_with {
769          my $self = shift;          my $d = shift;
770          return shift;          return join($d, grep { defined($_) && $_ ne '' } @_);
771  }  }
772    
773    =head2 split_rec_on
774    
775  =head1 AUTHOR  Split record subfield on some regex and take one of parts out
776    
777  Dobrica Pavlinusic, C<< <dpavlin@rot13.org> >>    $a_before_semi_column =
778            split_rec_on('200','a', /\s*;\s*/, $part);
779    
780  =head1 COPYRIGHT & LICENSE  C<$part> is optional number of element. First element is
781    B<1>, not 0!
782    
783  Copyright 2005 Dobrica Pavlinusic, All Rights Reserved.  If there is no C<$part> parameter or C<$part> is 0, this function will
784    return all values produced by splitting.
 This program is free software; you can redistribute it and/or modify it  
 under the same terms as Perl itself.  
785    
786  =cut  =cut
787    
788  1; # End of WebPAC::Normalize  sub split_rec_on {
789            die "split_rec_on need (fld,sf,regex[,part]" if ($#_ < 2);
790    
791            my ($fld, $sf, $regex, $part) = @_;
792            warn "### regex ", ref($regex), $regex, $/ if ($debug > 2);
793    
794            my @r = rec( $fld, $sf );
795            my $v = shift @r;
796            warn "### first rec($fld,$sf) = ",dump($v),$/ if ($debug > 2);
797    
798            return '' if( ! defined($v) || $v =~ /^\s*$/);
799    
800            my @s = split( $regex, $v );
801            warn "## split_rec_on($fld,$sf,$regex,$part) = ",dump(@s),$/ if ($debug > 1);
802            if ($part && $part > 0) {
803                    return $s[ $part - 1 ];
804            } else {
805                    return @s;
806            }
807    }
808    
809    # END
810    1;

Legend:
Removed from v.375  
changed lines
  Added in v.574

  ViewVC Help
Powered by ViewVC 1.1.26