/[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 233 by dpavlin, Tue Dec 6 16:40:18 2005 UTC revision 552 by dpavlin, Fri Jun 30 20:43:18 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    use MARC::Record 2.0;   # need 2.0 for utf-8 encoding see marcpm.sf.net
23    
24  my $limit = shift @ARGV;  =head1 NAME
25    
26  my $config = LoadFile('conf/config.yml');  run.pl - start WebPAC indexing
27    
28  print "config = ",Dumper($config);  B<this command will probably go away. Don't get used to it!>
29    
30    Options:
31    
32    =over 4
33    
34    =item --offset 42
35    
36    start loading (all) databases at offset 42
37    
38    =item --limit 100
39    
40    limit loading to 100 records
41    
42    =item --clean
43    
44    remove database and Hyper Estraier index before indexing
45    
46    =item --only=database_name/input_filter
47    
48    reindex just single database (legacy name is --one)
49    
50    C</input_filter> is optional part which can be C<name>
51    or C<type> from input
52    
53    =item --config conf/config.yml
54    
55    path to YAML configuration file
56    
57    =item --stats
58    
59    disable indexing and dump statistics about field and subfield
60    usage for each input
61    
62    =item --validate path/to/validation_file
63    
64    turn on extra validation of imput records, see L<WebPAC::Validation>
65    
66    =item --marc-normalize conf/normalize/mapping.pl
67    
68    This option specifies normalisation file for MARC creation
69    
70    =item --marc-output out/marc/test.marc
71    
72    Optional path to output file
73    
74    =back
75    
76    =cut
77    
78    my $offset;
79    my $limit;
80    
81    my $clean = 0;
82    my $config = 'conf/config.yml';
83    my $debug = 0;
84    my $only_filter;
85    my $stats = 0;
86    my $validate_path;
87    my ($marc_normalize, $marc_output);
88    
89    GetOptions(
90            "limit=i" => \$limit,
91            "offset=i" => \$offset,
92            "clean" => \$clean,
93            "one=s" => \$only_filter,
94            "only=s" => \$only_filter,
95            "config" => \$config,
96            "debug" => \$debug,
97            "stats" => \$stats,
98            "validate=s" => \$validate_path,
99            "marc-normalize=s" => \$marc_normalize,
100            "marc-output=s" => \$marc_output,
101    );
102    
103    $config = LoadFile($config);
104    
105    print "config = ",Dumper($config) if ($debug);
106    
107  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->{databases});
108    
109    my $log = _new WebPAC::Common()->_get_logger();
110    $log->info( "-" x 79 );
111    
112    my $validate;
113    $validate = new WebPAC::Validate(
114            path => $validate_path,
115    ) if ($validate_path);
116    
117    my $use_indexer = $config->{use_indexer} || 'hyperestraier';
118    if ($stats) {
119            $log->debug("option --stats disables update of indexing engine...");
120            $use_indexer = undef;
121    } else {
122            $log->info("using $use_indexer indexing engine...");
123    }
124    
125    # disable indexing when creating marc
126    $use_indexer = undef if ($marc_normalize);
127    
128  my $total_rows = 0;  my $total_rows = 0;
129    my $start_t = time();
130    
131    my @links;
132    my $indexer;
133    
134  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->{databases} }) {
135    
136            my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
137            next if ($only_database && $database !~ m/$only_database/i);
138    
139            if ($use_indexer) {
140                    my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");
141                    $indexer_config->{database} = $database;
142                    $indexer_config->{clean} = $clean;
143                    $indexer_config->{label} = $db_config->{name};
144    
145                    if ($use_indexer eq 'hyperestraier') {
146    
147                            # open Hyper Estraier database
148                            use WebPAC::Output::Estraier '0.10';
149                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
150                    
151                    } elsif ($use_indexer eq 'kinosearch') {
152    
153                            # open KinoSearch
154                            use WebPAC::Output::KinoSearch;
155                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
156                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
157    
158                    } else {
159                            $log->logdie("unknown use_indexer: $use_indexer");
160                    }
161    
162                    $log->logide("can't continue without valid indexer") unless ($indexer);
163            }
164    
165    
166            #
167            # now WebPAC::Store
168            #
169          my $abs_path = abs_path($0);          my $abs_path = abs_path($0);
170          $abs_path =~ s#/[^/]*$#/#;          $abs_path =~ s#/[^/]*$#/#;
171    
172          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->{webpac}->{db_path} . '/' . $database;
173    
174            if ($clean) {
175                    $log->info("creating new database '$database' in $db_path");
176                    rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
177            } else {
178                    $log->info("working on database '$database' in $db_path");
179            }
180    
181          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
182                  path => $db_path,                  path => $db_path,
183                  database => $database,                  database => $database,
184                  debug => 1,                  debug => $debug,
185          );          );
186    
         my $log = $db->_get_logger;  
         $log->info("working on $database in $db_path");  
   
         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(  
                 %{ $est_config },  
         );  
187    
188          #          #
189          # now, iterate through input formats          # now, iterate through input formats
# Line 58  while (my ($database, $db_config) = each Line 192  while (my ($database, $db_config) = each
192          my @inputs;          my @inputs;
193          if (ref($db_config->{input}) eq 'ARRAY') {          if (ref($db_config->{input}) eq 'ARRAY') {
194                  @inputs = @{ $db_config->{input} };                  @inputs = @{ $db_config->{input} };
195          } else {          } elsif ($db_config->{input}) {
196                  push @inputs, $db_config->{input};                  push @inputs, $db_config->{input};
197            } else {
198                    $log->info("database $database doesn't have inputs defined");
199          }          }
200    
201            my @supported_inputs = keys %{ $config->{webpac}->{inputs} };
202    
203          foreach my $input (@inputs) {          foreach my $input (@inputs) {
204    
205                    next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
206    
207                  my $type = lc($input->{type});                  my $type = lc($input->{type});
208    
209                  die "I know only how to handle input type isis, not '$type'!\n" unless ($type eq 'isis');                  die "I know only how to handle input types ", join(",", @supported_inputs), " not '$type'!\n" unless (grep(/$type/, @supported_inputs));
210    
211                  my $lookup = new WebPAC::Lookup(                  my $lookup = new WebPAC::Lookup(
212                          lookup_file => $input->{lookup},                          lookup_file => $input->{lookup},
213                  );                  ) if ($input->{lookup});
214    
215                    my $input_module = $config->{webpac}->{inputs}->{$type};
216    
217                  $log->info("working on input $input->{path} [$input->{type}]");                  $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
218                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
219                    );
220    
221                  my $isis = new WebPAC::Input::ISIS(                  my $input_db = new WebPAC::Input(
222                            module => $input_module,
223                          code_page => $config->{webpac}->{webpac_encoding},                          code_page => $config->{webpac}->{webpac_encoding},
224                          limit_mfn => $input->{limit},                          limit => $limit || $input->{limit},
225                            offset => $offset,
226                            lookup => $lookup,
227                            recode => $input->{recode},
228                            stats => $stats,
229                  );                  );
230                    $log->logdie("can't create input using $input_module") unless ($input);
231    
232                  my $maxmfn = $isis->open(                  my $maxmfn = $input_db->open(
233                          filename => $input->{path},                          path => $input->{path},
234                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
235                            %{ $input },
236                  );                  );
237    
238                  my $n = new WebPAC::Normalize::XML(                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
239                  #       filter => { 'foo' => sub { shift } },                          @{ $input->{normalize} } : ( $input->{normalize} );
                         db => $db,  
                         lookup_regex => $lookup->regex,  
                         lookup => $lookup,  
                         prefix => $input->{name},  
                 );  
240    
241                  $n->open(                  if ($marc_normalize) {
242                          tag => $input->{normalize}->{tag},                          @norm_array = ( {
243                          xml_file => $input->{normalize}->{path},                                  path => $marc_normalize,
244                  );                                  output => $marc_output || 'out/marc/' . $database . '-' . $input->{name} . '.marc',
245                            } );
246                    }
247    
248                    foreach my $normalize (@norm_array) {
249    
250                            my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
251    
252                            $log->logdie("Found '$normalize_path' as normalization file which isn't supported any more!") unless ( $normalize_path =~ m!\.pl$!i );
253    
254                            my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
255    
256                            $log->info("Using $normalize_path for normalization...");
257    
258                  for ( 0 ... $isis->size ) {                          my $marc_fh;
259                            if (my $path = $normalize->{output}) {
260                                    open($marc_fh, '>', $path) ||
261                                            $log->logdie("can't open MARC output $path: $!");
262    
263                          my $row = $isis->fetch || next;                                  $log->info("Creating MARC export file $path\n");
264                            }
265    
266                          my $mfn = $row->{'000'}->[0] || die "can't find MFN";                          # reset position in database
267                            $input_db->seek(1);
268    
269                          my $ds = $n->data_structure($row);                          foreach my $pos ( 0 ... $input_db->size ) {
270    
271                          $est->add(                                  my $row = $input_db->fetch || next;
272                                  id => $input->{name} . "#" . $mfn,  
273                                  ds => $ds,                                  my $mfn = $row->{'000'}->[0];
274                                  type => $config->{hyperestraier}->{type},  
275                          );                                  if (! $mfn || $mfn !~ m#^\d+$#) {
276                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
277                                            $mfn = $pos;
278                                            push @{ $row->{'000'} }, $pos;
279                                    }
280    
281    
282                                    if ($validate) {
283                                            my @errors = $validate->validate_errors( $row );
284                                            $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
285                                    }
286    
287                                            
288                                    my $ds = WebPAC::Normalize::data_structure(
289                                            row => $row,
290                                            rules => $rules,
291                                            lookup => $lookup ? $lookup->lookup_hash : undef,
292                                            marc_encoding => 'utf-8',
293                                    );
294    
295                                    $db->save_ds(
296                                            id => $mfn,
297                                            ds => $ds,
298                                            prefix => $input->{name},
299                                    ) if ($ds && !$stats);
300    
301                                    $indexer->add(
302                                            id => $input->{name} . "/" . $mfn,
303                                            ds => $ds,
304                                            type => $config->{$use_indexer}->{type},
305                                    ) if ($indexer && $ds);
306    
307                                    if ($marc_fh) {
308                                            my $marc = new MARC::Record;
309                                            $marc->encoding( 'utf-8' );
310                                            $marc->add_fields( WebPAC::Normalize::_get_marc_fields() );
311                                            print $marc_fh $marc->as_usmarc;
312                                    }
313    
314                                    $total_rows++;
315                            }
316    
317                            $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
318    
319                            # close MARC file
320                            close($marc_fh) if ($marc_fh);
321    
                         $total_rows++;  
322                  }                  }
323    
324          };          }
325    
326            eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
327    
328            my $dt = time() - $start_t;
329            $log->info("$total_rows records ", $indexer ? "indexed " : "",
330                    sprintf("in %.2f sec [%.2f rec/sec]",
331                            $dt, ($total_rows / $dt)
332                    )
333            );
334    
335            #
336            # add Hyper Estraier links to other databases
337            #
338            if (ref($db_config->{links}) eq 'ARRAY' && $use_indexer) {
339                    foreach my $link (@{ $db_config->{links} }) {
340                            if ($use_indexer eq 'hyperestraier') {
341                                    $log->info("saving link $database -> $link->{to} [$link->{credit}]");
342                                    push @links, {
343                                            from => $database,
344                                            to => $link->{to},
345                                            credit => $link->{credit},
346                                    };
347                            } else {
348                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
349                            }
350                    }
351            }
352    
         $log->info("$total_rows records indexed");  
353  }  }
354    
355    foreach my $link (@links) {
356            $log->info("adding link $link->{from} -> $link->{to} [$link->{credit}]");
357            $indexer->add_link( %{ $link } );
358    }
Legend:
Removed from v.233  
changed lines
  Added in v.552
  ViewVC Help
Powered by ViewVC 1.1.26