/[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 431 by dpavlin, Mon Apr 17 15:10:04 2006 UTC revision 638 by dpavlin, Wed Sep 6 19:51:32 2006 UTC
# Line 4  use strict; Line 4  use strict;
4    
5  use Cwd qw/abs_path/;  use Cwd qw/abs_path/;
6  use File::Temp qw/tempdir/;  use File::Temp qw/tempdir/;
 use Data::Dumper;  
7  use lib './lib';  use lib './lib';
8    
9  use WebPAC::Common 0.02;  use WebPAC::Common 0.02;
10  use WebPAC::Lookup;  use WebPAC::Lookup 0.03;
11  use WebPAC::Input 0.03;  use WebPAC::Input 0.11;
12  use WebPAC::Store 0.03;  use WebPAC::Store 0.03;
13  use WebPAC::Normalize::XML;  use WebPAC::Normalize 0.11;
14  use WebPAC::Output::TT;  use WebPAC::Output::TT;
15    use WebPAC::Validate;
16    use WebPAC::Output::MARC;
17  use YAML qw/LoadFile/;  use YAML qw/LoadFile/;
18  use Getopt::Long;  use Getopt::Long;
19  use File::Path;  use File::Path;
20  use Time::HiRes qw/time/;  use Time::HiRes qw/time/;
21    use File::Slurp;
22    use Data::Dump qw/dump/;
23    use Storable qw/dclone/;
24    
25    use Proc::Queue size => 1;
26    use POSIX ":sys_wait_h"; # imports WNOHANG
27    
28  =head1 NAME  =head1 NAME
29    
# Line 40  limit loading to 100 records Line 47  limit loading to 100 records
47    
48  remove database and Hyper Estraier index before indexing  remove database and Hyper Estraier index before indexing
49    
50  =item --only=database_name  =item --only=database_name/input_filter
51    
52  reindex just single database (legacy name is --one)  reindex just single database (legacy name is --one)
53    
54    C</input_filter> is optional part which can be C<name>
55    or C<type> from input
56    
57  =item --config conf/config.yml  =item --config conf/config.yml
58    
59  path to YAML configuration file  path to YAML configuration file
60    
61    =item --stats
62    
63    disable indexing, modify_* in configuration and dump statistics about field
64    and subfield usage for each input
65    
66    =item --validate path/to/validation_file
67    
68    turn on extra validation of imput records, see L<WebPAC::Validation>
69    
70    =item --marc-normalize conf/normalize/mapping.pl
71    
72    This option specifies normalisation file for MARC creation
73    
74    =item --marc-output out/marc/test.marc
75    
76    Optional path to output file
77    
78    =item --marc-lint
79    
80    By default turned on if C<--marc-normalize> is used. You can disable lint
81    messages with C<--no-marc-lint>.
82    
83    =item --marc-dump
84    
85    Force dump or input and marc record for debugging.
86    
87    =item --parallel 4
88    
89    Run databases in parallel (aproximatly same as number of processors in
90    machine if you want to use full load)
91    
92    =item --only-links
93    
94    Create just links
95    
96    =item --merge
97    
98    Create merged index of databases which have links
99    
100  =back  =back
101    
102  =cut  =cut
# Line 58  my $limit; Line 107  my $limit;
107  my $clean = 0;  my $clean = 0;
108  my $config = 'conf/config.yml';  my $config = 'conf/config.yml';
109  my $debug = 0;  my $debug = 0;
110  my $only_db_name;  my $only_filter;
111    my $stats = 0;
112    my $validate_path;
113    my ($marc_normalize, $marc_output);
114    my $marc_lint = 1;
115    my $marc_dump = 0;
116    my $parallel = 0;
117    my $only_links = 0;
118    my $merge = 0;
119    
120    my $log = _new WebPAC::Common()->_get_logger();
121    
122    my $hostname = `hostname`;
123    chomp($hostname);
124    $hostname =~ s/\..+$//;
125    if (-e "conf/$hostname.yml") {
126            $config = "conf/$hostname.yml";
127            $log->info("using host configuration file: $config");
128    }
129    
130  GetOptions(  GetOptions(
131          "limit=i" => \$limit,          "limit=i" => \$limit,
132          "offset=i" => \$offset,          "offset=i" => \$offset,
133          "clean" => \$clean,          "clean" => \$clean,
134          "one=s" => \$only_db_name,          "one=s" => \$only_filter,
135          "only=s" => \$only_db_name,          "only=s" => \$only_filter,
136          "config" => \$config,          "config" => \$config,
137          "debug" => \$debug,          "debug+" => \$debug,
138            "stats" => \$stats,
139            "validate=s" => \$validate_path,
140            "marc-normalize=s" => \$marc_normalize,
141            "marc-output=s" => \$marc_output,
142            "marc-lint!" => \$marc_lint,
143            "marc-dump!" => \$marc_dump,
144            "parallel=i" => \$parallel,
145            "only-links!" => \$only_links,
146            "merge" => \$merge,
147  );  );
148    
149  $config = LoadFile($config);  $config = LoadFile($config);
150    
151  print "config = ",Dumper($config) if ($debug);  #print "config = ",dump($config) if ($debug);
152    
153  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->{databases});
154    
155  my $log = _new WebPAC::Common()->_get_logger();  $log->info( "-" x 79 );
156    
157    
158    my $estcmd_fh;
159    my $estcmd_path = './estcmd-merge.sh';
160    if ($merge) {
161            open($estcmd_fh, '>', $estcmd_path) || $log->logdie("can't open $estcmd_path: $!");
162            print $estcmd_fh 'cd /data/estraier/_node/ || exit 1',$/;
163            print $estcmd_fh 'sudo /etc/init.d/hyperestraier stop',$/;
164            $log->info("created merge batch file $estcmd_path");
165    }
166    
167    
168    my $validate;
169    $validate = new WebPAC::Validate(
170            path => $validate_path,
171    ) if ($validate_path);
172    
173    
174  my $use_indexer = $config->{use_indexer} || 'hyperestraier';  my $use_indexer = $config->{use_indexer} || 'hyperestraier';
175  $log->info("using $use_indexer indexing engine...");  if ($stats) {
176            $log->debug("option --stats disables update of indexing engine...");
177            $use_indexer = undef;
178    } else {
179            $log->info("using $use_indexer indexing engine...");
180    }
181    
182    # disable indexing when creating marc
183    $use_indexer = undef if ($marc_normalize);
184    
185  my $total_rows = 0;  my $total_rows = 0;
186  my $start_t = time();  my $start_t = time();
187    
188    my @links;
189    
190    if ($parallel) {
191            $log->info("Using $parallel processes for speedup");
192            Proc::Queue::size($parallel);
193    }
194    
195  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->{databases} }) {
196    
197          next if ($only_db_name && $database !~ m/$only_db_name/i);          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
198            next if ($only_database && $database !~ m/$only_database/i);
199    
200            if ($parallel) {
201                    my $f=fork;
202                    if(defined ($f) and $f==0) {
203                            $log->info("Created processes $$ for speedup");
204                    } else {
205                            next;
206                    }
207            }
208    
209          my $indexer;          my $indexer;
210            if ($use_indexer) {
211    
212          my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");                  my $cfg_name = $use_indexer;
213          $indexer_config->{database} = $database;                  $cfg_name =~ s/\-.*$//;
         $indexer_config->{clean} = $clean;  
         $indexer_config->{label} = $db_config->{name};  
   
         if ($use_indexer eq 'hyperestraier') {  
   
                 # open Hyper Estraier database  
                 use WebPAC::Output::Estraier '0.10';  
                 $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );  
           
         } elsif ($use_indexer eq 'kinosearch') {  
   
                 # open KinoSearch  
                 use WebPAC::Output::KinoSearch;  
                 $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );  
214    
215          } else {                  my $indexer_config = $config->{$cfg_name} || $log->logdie("can't find '$cfg_name' part in confguration");
216                  $log->logdie("unknown use_indexer: $use_indexer");                  $indexer_config->{database} = $database;
217                    $indexer_config->{clean} = $clean;
218                    $indexer_config->{label} = $db_config->{name};
219    
220                    # force clean if database has links
221                    $indexer_config->{clean} = 1 if ($db_config->{links});
222    
223                    if ($use_indexer eq 'hyperestraier') {
224    
225                            # open Hyper Estraier database
226                            use WebPAC::Output::Estraier '0.10';
227                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
228                    
229                    } elsif ($use_indexer eq 'hyperestraier-native') {
230    
231                            # open Hyper Estraier database
232                            use WebPAC::Output::EstraierNative;
233                            $indexer = new WebPAC::Output::EstraierNative( %{ $indexer_config } );
234    
235                            $use_indexer = 'hyperestraier';
236    
237                    } elsif ($use_indexer eq 'kinosearch') {
238    
239                            # open KinoSearch
240                            use WebPAC::Output::KinoSearch;
241                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
242                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
243    
244                    } else {
245                            $log->logdie("unknown use_indexer: $use_indexer");
246                    }
247    
248                    $log->logide("can't continue without valid indexer") unless ($indexer);
249          }          }
250    
251          $log->logide("can't continue without valid indexer") unless ($indexer);  
252            #
253            # store Hyper Estraier links to other databases
254            #
255            if (ref($db_config->{links}) eq 'ARRAY' && $use_indexer) {
256                    foreach my $link (@{ $db_config->{links} }) {
257                            if ($use_indexer eq 'hyperestraier') {
258                                    if ($merge) {
259                                            print $estcmd_fh 'sudo -u www-data estcmd merge ' . $database . ' ' . $link->{to},$/;
260                                    } else {
261                                            $log->info("saving link $database -> $link->{to} [$link->{credit}]");
262                                            push @links, sub {
263                                                    $log->info("adding link $database -> $link->{to} [$link->{credit}]");
264                                                    $indexer->add_link(
265                                                            from => $database,
266                                                            to => $link->{to},
267                                                            credit => $link->{credit},
268                                                    );
269                                            };
270                                    }
271                            } else {
272                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
273                            }
274                    }
275            }
276            next if ($only_links);
277    
278    
279          #          #
280          # now WebPAC::Store          # now WebPAC::Store
# Line 122  while (my ($database, $db_config) = each Line 285  while (my ($database, $db_config) = each
285          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->{webpac}->{db_path} . '/' . $database;
286    
287          if ($clean) {          if ($clean) {
288                  $log->info("creating new database $database in $db_path");                  $log->info("creating new database '$database' in $db_path");
289                  rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");                  rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
290          } else {          } else {
291                  $log->debug("working on $database in $db_path");                  $log->info("working on database '$database' in $db_path");
292          }          }
293    
294          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
# Line 152  while (my ($database, $db_config) = each Line 315  while (my ($database, $db_config) = each
315    
316          foreach my $input (@inputs) {          foreach my $input (@inputs) {
317    
318                    next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
319    
320                  my $type = lc($input->{type});                  my $type = lc($input->{type});
321    
322                  die "I know only how to handle input types ", join(",", @supported_inputs), " not '$type'!\n" unless (grep(/$type/, @supported_inputs));                  die "I know only how to handle input types ", join(",", @supported_inputs), " not '$type'!\n" unless (grep(/$type/, @supported_inputs));
323    
324                  my $lookup = new WebPAC::Lookup(                  my $lookup;
325                          lookup_file => $input->{lookup},                  if ($input->{lookup}) {
326                  );                          $lookup = new WebPAC::Lookup(
327                                    lookup_file => $input->{lookup},
328                            );
329                            delete( $input->{lookup} );
330                    }
331    
332                  my $input_module = $config->{webpac}->{inputs}->{$type};                  my $input_module = $config->{webpac}->{inputs}->{$type};
333    
334                  $log->info("working on input '$input->{path}' [$input->{type}] using $input_module lookup '$input->{lookup}'");                  $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
335                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
336                    );
337    
338                    if ($stats) {
339                            # disable modification of records if --stats is in use
340                            delete($input->{modify_records});
341                            delete($input->{modify_file});
342                    }
343    
344                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
345                          module => $input_module,                          module => $input_module,
346                          code_page => $config->{webpac}->{webpac_encoding},                          encoding => $config->{webpac}->{webpac_encoding},
347                          limit => $limit || $input->{limit},                          limit => $limit || $input->{limit},
348                          offset => $offset,                          offset => $offset,
349                          lookup => $lookup,                          lookup_coderef => sub {
350                                    my $rec = shift || return;
351                                    $lookup->add( $rec );
352                            },
353                          recode => $input->{recode},                          recode => $input->{recode},
354                            stats => $stats,
355                            modify_records => $input->{modify_records},
356                            modify_file => $input->{modify_file},
357                  );                  );
358                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
359    
360                  my $maxmfn = $input_db->open(                  my $maxmfn = $input_db->open(
361                          path => $input->{path},                          path => $input->{path},
362                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
363                            %{ $input },
364                  );                  );
365    
366                  my $n = new WebPAC::Normalize::XML(                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
367                  #       filter => { 'foo' => sub { shift } },                          @{ $input->{normalize} } : ( $input->{normalize} );
                         db => $db,  
                         lookup_regex => $lookup->regex,  
                         lookup => $lookup,  
                         prefix => $input->{name},  
                 );  
   
                 my $normalize_path = $input->{normalize}->{path};  
368    
369                  if ($normalize_path =~ m/\.xml$/i) {                  if ($marc_normalize) {
370                          $n->open(                          @norm_array = ( {
371                                  tag => $input->{normalize}->{tag},                                  path => $marc_normalize,
372                                  xml_file => $input->{normalize}->{path},                                  output => $marc_output || 'out/marc/' . $database . '-' . $input->{name} . '.marc',
373                          );                          } );
                 } elsif ($normalize_path =~ m/\.(?:yml|yaml)$/i) {  
                         $n->open_yaml(  
                                 path => $normalize_path,  
                                 tag => $input->{normalize}->{tag},  
                         );  
374                  }                  }
375    
376                  foreach my $pos ( 0 ... $input_db->size ) {                  foreach my $normalize (@norm_array) {
377    
378                            my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
379    
380                            $log->logdie("Found '$normalize_path' as normalization file which isn't supported any more!") unless ( $normalize_path =~ m!\.pl$!i );
381    
382                            my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
383    
384                            $log->info("Using $normalize_path for normalization...");
385    
386                            my $marc = new WebPAC::Output::MARC(
387                                    path => $normalize->{output},
388                                    lint => $marc_lint,
389                                    dump => $marc_dump,
390                            ) if ($normalize->{output});
391    
392                            # reset position in database
393                            $input_db->seek(1);
394    
395                            foreach my $pos ( 0 ... $input_db->size ) {
396    
397                                    my $row = $input_db->fetch || next;
398    
399                                    my $mfn = $row->{'000'}->[0];
400    
401                          my $row = $input_db->fetch || next;                                  if (! $mfn || $mfn !~ m#^\d+$#) {
402                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
403                                            $mfn = $pos;
404                                            push @{ $row->{'000'} }, $pos;
405                                    }
406    
                         my $mfn = $row->{'000'}->[0];  
407    
408                          if (! $mfn || $mfn !~ m#^\d+$#) {                                  if ($validate) {
409                                  $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");                                          my @errors = $validate->validate_errors( $row );
410                                  $mfn = $pos;                                          $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
411                                  push @{ $row->{'000'} }, $pos;                                  }
412    
413                                    my $ds_config = dclone($db_config);
414    
415                                    # default values -> database key
416                                    $ds_config->{_} = $database;
417    
418                                    # current mfn
419                                    $ds_config->{_mfn} = $mfn;
420    
421                                    # attach current input
422                                    $ds_config->{input} = $input;
423    
424                                    my $ds = WebPAC::Normalize::data_structure(
425                                            row => $row,
426                                            rules => $rules,
427                                            lookup => $lookup ? $lookup->lookup_hash : undef,
428                                            config => $ds_config,
429                                            marc_encoding => 'utf-8',
430                                    );
431    
432                                    $db->save_ds(
433                                            id => $mfn,
434                                            ds => $ds,
435                                            prefix => $input->{name},
436                                    ) if ($ds && !$stats);
437    
438                                    $indexer->add(
439                                            id => $input->{name} . "/" . $mfn,
440                                            ds => $ds,
441                                            type => $config->{$use_indexer}->{type},
442                                    ) if ($indexer && $ds);
443    
444                                    if ($marc) {
445                                            my $i = 0;
446    
447                                            while (my $fields = WebPAC::Normalize::_get_marc_fields( fetch_next => 1 ) ) {
448                                                    $marc->add(
449                                                            id => $mfn . ( $i ? "/$i" : '' ),
450                                                            fields => $fields,
451                                                            leader => WebPAC::Normalize::marc_leader(),
452                                                            row => $row,
453                                                    );
454                                                    $i++;
455                                            }
456    
457                                            $log->info("Created $i instances of MFN $mfn\n") if ($i > 1);
458                                    }
459    
460                                    $total_rows++;
461                          }                          }
462    
463                          my $ds = $n->data_structure($row);                          $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
464    
465                          $indexer->add(                          # close MARC file
466                                  id => $input->{name} . "/" . $mfn,                          $marc->finish if ($marc);
                                 ds => $ds,  
                                 type => $config->{$use_indexer}->{type},  
                         );  
467    
                         $total_rows++;  
468                  }                  }
469    
470          };          }
471    
472            eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
473    
474          my $dt = time() - $start_t;          my $dt = time() - $start_t;
475          $log->info("$total_rows records indexed in " .          $log->info("$total_rows records ", $indexer ? "indexed " : "",
476                  sprintf("%.2f sec [%.2f rec/sec]",                  sprintf("in %.2f sec [%.2f rec/sec]",
477                          $dt, ($total_rows / $dt)                          $dt, ($total_rows / $dt)
478                  )                  )
479          );          );
480    
481          #  
482          # add Hyper Estraier links to other databases          # end forked process
483          #          if ($parallel) {
484          if (ref($db_config->{links}) eq 'ARRAY') {                  $log->info("parallel process $$ finished");
485                  foreach my $link (@{ $db_config->{links} }) {                  exit(0);
                         if ($use_indexer eq 'hyperestraier') {  
                                 $log->info("adding link $database -> $link->{to} [$link->{credit}]");  
                                 $indexer->add_link(  
                                         from => $database,  
                                         to => $link->{to},  
                                         credit => $link->{credit},  
                                 );  
                         } else {  
                                 $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");  
                         }  
                 }  
486          }          }
487    
488  }  }
489    
490    if ($parallel) {
491            # wait all children to finish
492            sleep(1) while wait != -1;
493            $log->info("all parallel processes finished");
494    }
495    
496    #
497    # handle links or merge after indexing
498    #
499    
500    if ($merge) {
501            print $estcmd_fh 'sudo /etc/init.d/hyperestraier start',$/;
502            close($estcmd_fh);
503            chmod 0700, $estcmd_path || $log->warn("can't chmod 0700 $estcmd_path: $!");
504            system $estcmd_path;
505    } else {
506            foreach my $link (@links) {
507                    $log->logdie("coderef in link ", Dumper($link), " is ", ref($link), " and not CODE") unless (ref($link) eq 'CODE');
508                    $link->();
509            }
510    }
Legend:
Removed from v.431  
changed lines
  Added in v.638
  ViewVC Help
Powered by ViewVC 1.1.26