/[webpac2]/trunk/run.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/run.pl

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

revision 221 by dpavlin, Mon Dec 5 17:48:23 2005 UTC revision 536 by dpavlin, Mon Jun 26 16:39:51 2006 UTC
# Line 7  use File::Temp qw/tempdir/; Line 7  use File::Temp qw/tempdir/;
7  use Data::Dumper;  use Data::Dumper;
8  use lib './lib';  use lib './lib';
9    
10    use WebPAC::Common 0.02;
11  use WebPAC::Lookup;  use WebPAC::Lookup;
12  use WebPAC::Input::ISIS;  use WebPAC::Input 0.03;
13  use WebPAC::Store 0.03;  use WebPAC::Store 0.03;
14  use WebPAC::Normalize::XML;  use WebPAC::Normalize;
15  use WebPAC::Output::TT;  use WebPAC::Output::TT;
16  use WebPAC::Output::Estraier 0.02;  use WebPAC::Validate;
17  use YAML qw/LoadFile/;  use YAML qw/LoadFile/;
18  use LWP::Simple;  use Getopt::Long;
19    use File::Path;
20    use Time::HiRes qw/time/;
21    use File::Slurp;
22    
23  my $limit = shift @ARGV;  =head1 NAME
24    
25  my $config = LoadFile('conf/config.yml');  run.pl - start WebPAC indexing
26    
27  print "config = ",Dumper($config);  B<this command will probably go away. Don't get used to it!>
28    
29    Options:
30    
31    =over 4
32    
33    =item --offset 42
34    
35    start loading (all) databases at offset 42
36    
37    =item --limit 100
38    
39    limit loading to 100 records
40    
41    =item --clean
42    
43    remove database and Hyper Estraier index before indexing
44    
45    =item --only=database_name/input_filter
46    
47    reindex just single database (legacy name is --one)
48    
49    C</input_filter> is optional part which can be C<name>
50    or C<type> from input
51    
52    =item --config conf/config.yml
53    
54    path to YAML configuration file
55    
56    =item --stats
57    
58    disable indexing and dump statistics about field and subfield
59    usage for each input
60    
61    =item --validate path/to/validation_file
62    
63    turn on extra validation of imput records, see L<WebPAC::Validation>
64    
65    =back
66    
67    =cut
68    
69    my $offset;
70    my $limit;
71    
72    my $clean = 0;
73    my $config = 'conf/config.yml';
74    my $debug = 0;
75    my $only_filter;
76    my $stats = 0;
77    my $validate_path;
78    
79    GetOptions(
80            "limit=i" => \$limit,
81            "offset=i" => \$offset,
82            "clean" => \$clean,
83            "one=s" => \$only_filter,
84            "only=s" => \$only_filter,
85            "config" => \$config,
86            "debug" => \$debug,
87            "stats" => \$stats,
88            "validate=s" => \$validate_path,
89    );
90    
91    $config = LoadFile($config);
92    
93    print "config = ",Dumper($config) if ($debug);
94    
95  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->{databases});
96    
97    my $log = _new WebPAC::Common()->_get_logger();
98    $log->info( "-" x 79 );
99    
100    my $validate;
101    $validate = new WebPAC::Validate(
102            path => $validate_path,
103    ) if ($validate_path);
104    
105    my $use_indexer = $config->{use_indexer} || 'hyperestraier';
106    if ($stats) {
107            $log->debug("option --stats disables update of indexing engine...");
108            $use_indexer = undef;
109    } else {
110            $log->info("using $use_indexer indexing engine...");
111    }
112    
113  my $total_rows = 0;  my $total_rows = 0;
114    my $start_t = time();
115    
116    my @links;
117    my $indexer;
118    
119  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->{databases} }) {
120    
121          my $type = lc($db_config->{input}->{type});          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
122            next if ($only_database && $database !~ m/$only_database/i);
123    
124          die "I know only how to handle input type isis, not '$type'!\n" unless ($type eq 'isis');          if ($use_indexer) {
125                    my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");
126                    $indexer_config->{database} = $database;
127                    $indexer_config->{clean} = $clean;
128                    $indexer_config->{label} = $db_config->{name};
129    
130                    if ($use_indexer eq 'hyperestraier') {
131    
132                            # open Hyper Estraier database
133                            use WebPAC::Output::Estraier '0.10';
134                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
135                    
136                    } elsif ($use_indexer eq 'kinosearch') {
137    
138                            # open KinoSearch
139                            use WebPAC::Output::KinoSearch;
140                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
141                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
142    
143                    } else {
144                            $log->logdie("unknown use_indexer: $use_indexer");
145                    }
146    
147                    $log->logide("can't continue without valid indexer") unless ($indexer);
148            }
149    
150    
151            #
152            # now WebPAC::Store
153            #
154          my $abs_path = abs_path($0);          my $abs_path = abs_path($0);
155          $abs_path =~ s#/[^/]*$#/#;          $abs_path =~ s#/[^/]*$#/#;
156    
         my $lookup = new WebPAC::Lookup(  
                 lookup_file => $db_config->{input}->{lookup},  
         );  
   
157          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->{webpac}->{db_path} . '/' . $database;
158    
159            if ($clean) {
160          my $log = $lookup->_get_logger;                  $log->info("creating new database '$database' in $db_path");
161          $log->info("working on $database in $db_path");                  rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
162            } else {
163                    $log->info("working on database '$database' in $db_path");
164            }
165    
166          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
167                  path => $db_path,                  path => $db_path,
168                  database => $database,                  database => $database,
169                  debug => 1,                  debug => $debug,
170          );          );
171    
         my $est_config = $config->{hyperestraier} || $log->logdie("can't find 'hyperestraier' part in confguration");  
         $est_config->{database} = $database;  
   
         $log->info("using HyperEstraier URL $est_config->{masterurl}");  
   
         my $est = new WebPAC::Output::Estraier(  
                 %{ $est_config },  
         );  
172    
173          #          #
174          # now, iterate through input formats          # now, iterate through input formats
# Line 67  while (my ($database, $db_config) = each Line 177  while (my ($database, $db_config) = each
177          my @inputs;          my @inputs;
178          if (ref($db_config->{input}) eq 'ARRAY') {          if (ref($db_config->{input}) eq 'ARRAY') {
179                  @inputs = @{ $db_config->{input} };                  @inputs = @{ $db_config->{input} };
180          } else {          } elsif ($db_config->{input}) {
181                  push @inputs, $db_config->{input};                  push @inputs, $db_config->{input};
182            } else {
183                    $log->info("database $database doesn't have inputs defined");
184          }          }
185    
186            my @supported_inputs = keys %{ $config->{webpac}->{inputs} };
187    
188          foreach my $input (@inputs) {          foreach my $input (@inputs) {
                 $log->info("working on input $input->{path} [$input->{type}]");  
189    
190                  my $isis = new WebPAC::Input::ISIS(                  next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
                         code_page => $config->{webpac}->{webpac_encoding},  
                         limit_mfn => $input->{limit},  
                 );  
191    
192                  my $maxmfn = $isis->open(                  my $type = lc($input->{type});
193                          filename => $input->{path},  
194                          code_page => $input->{encoding},        # database encoding                  die "I know only how to handle input types ", join(",", @supported_inputs), " not '$type'!\n" unless (grep(/$type/, @supported_inputs));
195    
196                    my $lookup = new WebPAC::Lookup(
197                            lookup_file => $input->{lookup},
198                    ) if ($input->{lookup});
199    
200                    my $input_module = $config->{webpac}->{inputs}->{$type};
201    
202                    $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
203                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
204                  );                  );
205    
206                  my $n = new WebPAC::Normalize::XML(                  my $input_db = new WebPAC::Input(
207                  #       filter => { 'foo' => sub { shift } },                          module => $input_module,
208                          db => $db,                          code_page => $config->{webpac}->{webpac_encoding},
209                          lookup_regex => $lookup->regex,                          limit => $limit || $input->{limit},
210                            offset => $offset,
211                          lookup => $lookup,                          lookup => $lookup,
212                          prefix => $input->{name},                          recode => $input->{recode},
213                            stats => $stats,
214                  );                  );
215                    $log->logdie("can't create input using $input_module") unless ($input);
216    
217                  $n->open(                  my $maxmfn = $input_db->open(
218                          tag => $input->{normalize}->{tag},                          path => $input->{path},
219                          xml_file => $input->{normalize}->{path},                          code_page => $input->{encoding},        # database encoding
220                            %{ $input },
221                  );                  );
222    
223                  for ( 0 ... $isis->size ) {                  my $rules;
224                    my $normalize_path = $input->{normalize}->{path};
225    
226                          my $row = $isis->fetch || next;                  $log->logdie("Found '$normalize_path' as normalization file which isn't supported any more!") unless ( $normalize_path =~ m!\.pl$!i );
227    
228                          my $mfn = $row->{'000'}->[0] || die "can't find MFN";                  my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
229    
230                          my $ds = $n->data_structure($row);                  foreach my $pos ( 0 ... $input_db->size ) {
231    
232                          $est->add(                          my $row = $input_db->fetch || next;
233                                  id => $input->{name} . "#" . $mfn,  
234                                  ds => $ds,                          my $mfn = $row->{'000'}->[0];
235                                  type => $config->{hyperestraier}->{type},  
236                            if (! $mfn || $mfn !~ m#^\d+$#) {
237                                    $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
238                                    $mfn = $pos;
239                                    push @{ $row->{'000'} }, $pos;
240                            }
241    
242    
243                            if ($validate) {
244                                    my @errors = $validate->validate_errors( $row );
245                                    $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
246                            }
247    
248                                    
249                            my $ds = WebPAC::Normalize::data_structure(
250                                    row => $row,
251                                    rules => $rules,
252                                    lookup => $lookup ? $lookup->lookup_hash : undef,
253                          );                          );
254    
255                            $db->save_ds(
256                                    id => $mfn,
257                                    ds => $ds,
258                                    prefix => $input->{name},
259                            ) if ($ds && !$stats);
260    
261                            $indexer->add(
262                                    id => $input->{name} . "/" . $mfn,
263                                    ds => $ds,
264                                    type => $config->{$use_indexer}->{type},
265                            ) if ($indexer);
266    
267                          $total_rows++;                          $total_rows++;
268                  }                  }
269    
270                    $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
271    
272          };          };
273    
274          $log->info("$total_rows records indexed");          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
275    
276            my $dt = time() - $start_t;
277            $log->info("$total_rows records ", $indexer ? "indexed " : "",
278                    sprintf("in %.2f sec [%.2f rec/sec]",
279                            $dt, ($total_rows / $dt)
280                    )
281            );
282    
283            #
284            # add Hyper Estraier links to other databases
285            #
286            if (ref($db_config->{links}) eq 'ARRAY') {
287                    foreach my $link (@{ $db_config->{links} }) {
288                            if ($use_indexer eq 'hyperestraier') {
289                                    $log->info("saving link $database -> $link->{to} [$link->{credit}]");
290                                    push @links, {
291                                            from => $database,
292                                            to => $link->{to},
293                                            credit => $link->{credit},
294                                    };
295                            } else {
296                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
297                            }
298                    }
299            }
300    
301  }  }
302    
303    foreach my $link (@links) {
304            $log->info("adding link $link->{from} -> $link->{to} [$link->{credit}]");
305            $indexer->add_link( %{ $link } );
306    }
Legend:
Removed from v.221  
changed lines
  Added in v.536
  ViewVC Help
Powered by ViewVC 1.1.26