/[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 290 by dpavlin, Sun Dec 18 23:10:02 2005 UTC revision 523 by dpavlin, Sun May 21 19:29:26 2006 UTC
# Line 12  use WebPAC::Lookup; Line 12  use WebPAC::Lookup;
12  use WebPAC::Input 0.03;  use WebPAC::Input 0.03;
13  use WebPAC::Store 0.03;  use WebPAC::Store 0.03;
14  use WebPAC::Normalize::XML;  use WebPAC::Normalize::XML;
15    use WebPAC::Normalize::Set;
16  use WebPAC::Output::TT;  use WebPAC::Output::TT;
17  use WebPAC::Output::Estraier 0.05;  use WebPAC::Validate;
18  use YAML qw/LoadFile/;  use YAML qw/LoadFile/;
19  use LWP::Simple;  use Getopt::Long;
20    use File::Path;
21    use Time::HiRes qw/time/;
22    use File::Slurp;
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 --force-set
58    
59    force conversion C<< normalize->path >> in C<config.yml> from
60    C<.xml> to C<.pl>
61    
62    =item --stats
63    
64    disable indexing and dump statistics about field and subfield
65    usage for each input
66    
67    =item --validate path/to/validation_file
68    
69    turn on extra validation of imput records, see L<WebPAC::Validation>
70    
71    =back
72    
73    =cut
74    
75    my $offset;
76    my $limit;
77    
78    my $clean = 0;
79    my $config = 'conf/config.yml';
80    my $debug = 0;
81    my $only_filter;
82    my $force_set = 0;
83    my $stats = 0;
84    my $validate_path;
85    
86    GetOptions(
87            "limit=i" => \$limit,
88            "offset=i" => \$offset,
89            "clean" => \$clean,
90            "one=s" => \$only_filter,
91            "only=s" => \$only_filter,
92            "config" => \$config,
93            "debug" => \$debug,
94            "force-set" => \$force_set,
95            "stats" => \$stats,
96            "validate=s" => \$validate_path,
97    );
98    
99    $config = LoadFile($config);
100    
101    print "config = ",Dumper($config) if ($debug);
102    
103  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->{databases});
104    
105    my $log = _new WebPAC::Common()->_get_logger();
106    $log->info( "-" x 79 );
107    
108    my $validate;
109    $validate = new WebPAC::Validate(
110            path => $validate_path,
111    ) if ($validate_path);
112    
113    my $use_indexer = $config->{use_indexer} || 'hyperestraier';
114    if ($stats) {
115            $log->debug("option --stats disables update of indexing engine...");
116            $use_indexer = undef;
117    } else {
118            $log->info("using $use_indexer indexing engine...");
119    }
120    
121  my $total_rows = 0;  my $total_rows = 0;
122    my $start_t = time();
123    
124  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->{databases} }) {
125    
126          my $log = _new WebPAC::Common()->_get_logger();          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
127            next if ($only_database && $database !~ m/$only_database/i);
128    
129          #          my $indexer;
         # open Hyper Estraier database  
         #  
130    
131          my $est_config = $config->{hyperestraier} || $log->logdie("can't find 'hyperestraier' part in confguration");          if ($use_indexer) {
132          $est_config->{database} = $database;                  my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");
133                    $indexer_config->{database} = $database;
134                    $indexer_config->{clean} = $clean;
135                    $indexer_config->{label} = $db_config->{name};
136    
137                    if ($use_indexer eq 'hyperestraier') {
138    
139                            # open Hyper Estraier database
140                            use WebPAC::Output::Estraier '0.10';
141                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
142                    
143                    } elsif ($use_indexer eq 'kinosearch') {
144    
145                            # open KinoSearch
146                            use WebPAC::Output::KinoSearch;
147                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
148                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
149    
150          $log->info("using HyperEstraier URL $est_config->{masterurl}");                  } else {
151                            $log->logdie("unknown use_indexer: $use_indexer");
152                    }
153    
154                    $log->logide("can't continue without valid indexer") unless ($indexer);
155            }
156    
         my $est = new WebPAC::Output::Estraier(  
                 %{ $est_config },  
         );  
157    
158          #          #
159          # now WebPAC::Store          # now WebPAC::Store
# Line 52  while (my ($database, $db_config) = each Line 163  while (my ($database, $db_config) = each
163    
164          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->{webpac}->{db_path} . '/' . $database;
165    
166          $log->info("working on $database in $db_path");          if ($clean) {
167                    $log->info("creating new database '$database' in $db_path");
168                    rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
169            } else {
170                    $log->info("working on database '$database' in $db_path");
171            }
172    
173          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
174                  path => $db_path,                  path => $db_path,
175                  database => $database,                  database => $database,
176                  debug => 1,                  debug => $debug,
177          );          );
178    
179    
# Line 78  while (my ($database, $db_config) = each Line 194  while (my ($database, $db_config) = each
194    
195          foreach my $input (@inputs) {          foreach my $input (@inputs) {
196    
197                    next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
198    
199                  my $type = lc($input->{type});                  my $type = lc($input->{type});
200    
201                  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));
202    
203                  my $lookup = new WebPAC::Lookup(                  my $lookup = new WebPAC::Lookup(
204                          lookup_file => $input->{lookup},                          lookup_file => $input->{lookup},
205                  );                  ) if ($input->{lookup});
206    
207                  my $input_module = $config->{webpac}->{inputs}->{$type};                  my $input_module = $config->{webpac}->{inputs}->{$type};
208    
209                  $log->info("working on input $input->{path} [$input->{type}] using $input_module");                  $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
210                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
211                    );
212    
213                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
214                          module => $input_module,                          module => $input_module,
215                          code_page => $config->{webpac}->{webpac_encoding},                          code_page => $config->{webpac}->{webpac_encoding},
216                          limit => $input->{limit},                          limit => $limit || $input->{limit},
217                            offset => $offset,
218                          lookup => $lookup,                          lookup => $lookup,
219                            recode => $input->{recode},
220                            stats => $stats,
221                  );                  );
222                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
223    
224                  my $maxmfn = $input_db->open(                  my $maxmfn = $input_db->open(
225                          path => $input->{path},                          path => $input->{path},
226                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
227                            %{ $input },
228                  );                  );
229    
230                  my $n = new WebPAC::Normalize::XML(                  my $n = new WebPAC::Normalize::XML(
231                  #       filter => { 'foo' => sub { shift } },                  #       filter => { 'foo' => sub { shift } },
232                          db => $db,                          db => $db,
233                          lookup_regex => $lookup->regex,                          lookup_regex => $lookup ? $lookup->regex : undef,
234                          lookup => $lookup,                          lookup => $lookup,
235                          prefix => $input->{name},                          prefix => $input->{name},
236                  );                  );
237    
238                    my $rules;
239                  my $normalize_path = $input->{normalize}->{path};                  my $normalize_path = $input->{normalize}->{path};
240    
241                    if ($force_set) {
242                            my $new_norm_path = $normalize_path;
243                            $new_norm_path =~ s/\.xml$/.pl/;
244                            if (-e $new_norm_path) {
245                                    $log->debug("--force-set replaced $normalize_path with $new_norm_path");
246                                    $normalize_path = $new_norm_path;
247                            } else {
248                                    $log->debug("--force-set failed on $new_norm_path, fallback to $normalize_path");
249                            }
250                    }
251    
252                  if ($normalize_path =~ m/\.xml$/i) {                  if ($normalize_path =~ m/\.xml$/i) {
253                          $n->open(                          $n->open(
254                                  tag => $input->{normalize}->{tag},                                  tag => $input->{normalize}->{tag},
255                                  xml_file => $input->{normalize}->{path},                                  xml_file => $normalize_path,
256                          );                          );
257                  } elsif ($normalize_path =~ m/\.(?:yml|yaml)$/i) {                  } elsif ($normalize_path =~ m/\.(?:yml|yaml)$/i) {
258                          $n->open_yaml(                          $n->open_yaml(
259                                  path => $normalize_path,                                  path => $normalize_path,
260                                  tag => $input->{normalize}->{tag},                                  tag => $input->{normalize}->{tag},
261                          );                          );
262                    } elsif ($normalize_path =~ m/\.(?:pl)$/i) {
263                            $n = undef;
264                            $log->info("using WebPAC::Normalize::Set to process $normalize_path");
265                            $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
266                  }                  }
267    
268                  foreach my $pos ( 0 ... $input_db->size ) {                  foreach my $pos ( 0 ... $input_db->size ) {
269    
270                          my $row = $input_db->fetch || next;                          my $row = $input_db->fetch || next;
271    
272                          my $mfn = $row->{000}->[0] || $row->{000} || die "can't find MFN";                          my $mfn = $row->{'000'}->[0];
273    
274                          if ($mfn =~ m#^\d+$#) {                          if (! $mfn || $mfn !~ m#^\d+$#) {
275                                  $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");                                  $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
276                                  $mfn = $pos;                                  $mfn = $pos;
277                                  $row->{000}->[0] = $pos;                                  push @{ $row->{'000'} }, $pos;
278                          }                          }
279    
                         my $ds = $n->data_structure($row);  
280    
281                          $est->add(                          if ($validate) {
282                                  id => $input->{name} . "#" . $mfn,                                  my @errors = $validate->validate_errors( $row );
283                                    $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
284                            }
285    
286                                    
287                            my $ds;
288                            if ($n) {
289                                    $ds = $n->data_structure($row);
290                            } else {
291                                    $ds = WebPAC::Normalize::Set::data_structure(
292                                            row => $row,
293                                            rules => $rules,
294                                            lookup => $lookup ? $lookup->lookup_hash : undef,
295                                    );
296    
297                                    $db->save_ds(
298                                            id => $mfn,
299                                            ds => $ds,
300                                            prefix => $input->{name},
301                                    ) if ($ds && !$stats);
302                            }
303    
304                            $indexer->add(
305                                    id => $input->{name} . "/" . $mfn,
306                                  ds => $ds,                                  ds => $ds,
307                                  type => $config->{hyperestraier}->{type},                                  type => $config->{$use_indexer}->{type},
308                          );                          ) if ($indexer);
309    
310                          $total_rows++;                          $total_rows++;
311                  }                  }
312    
313                    $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
314    
315          };          };
316    
317          $log->info("$total_rows records indexed");          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
318    
319            my $dt = time() - $start_t;
320            $log->info("$total_rows records ", $indexer ? "indexed " : "",
321                    sprintf("in %.2f sec [%.2f rec/sec]",
322                            $dt, ($total_rows / $dt)
323                    )
324            );
325    
326          #          #
327          # add Hyper Estraier links to other databases          # add Hyper Estraier links to other databases
328          #          #
329          if (ref($db_config->{links}) eq 'ARRAY') {          if (ref($db_config->{links}) eq 'ARRAY') {
330                  foreach my $link (@{ $db_config->{links} }) {                  foreach my $link (@{ $db_config->{links} }) {
331                          $log->info("adding link $database -> $link->{to} [$link->{credit}]");                          if ($use_indexer eq 'hyperestraier') {
332                          $est->add_link(                                  $log->info("adding link $database -> $link->{to} [$link->{credit}]");
333                                  from => $database,                                  $indexer->add_link(
334                                  to => $link->{to},                                          from => $database,
335                                  credit => $link->{credit},                                          to => $link->{to},
336                          );                                          credit => $link->{credit},
337                                    );
338                            } else {
339                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
340                            }
341                  }                  }
342          }          }
343    
Legend:
Removed from v.290  
changed lines
  Added in v.523
  ViewVC Help
Powered by ViewVC 1.1.26