/[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 286 by dpavlin, Sun Dec 18 21:06:46 2005 UTC revision 546 by dpavlin, Thu Jun 29 22:53:21 2006 UTC
# Line 9  use lib './lib'; Line 9  use lib './lib';
9    
10  use WebPAC::Common 0.02;  use WebPAC::Common 0.02;
11  use WebPAC::Lookup;  use WebPAC::Lookup;
12  use WebPAC::Input::ISIS 0.02;  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 0.05;  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    =back
67    
68    =cut
69    
70    my $offset;
71    my $limit;
72    
73    my $clean = 0;
74    my $config = 'conf/config.yml';
75    my $debug = 0;
76    my $only_filter;
77    my $stats = 0;
78    my $validate_path;
79    
80    GetOptions(
81            "limit=i" => \$limit,
82            "offset=i" => \$offset,
83            "clean" => \$clean,
84            "one=s" => \$only_filter,
85            "only=s" => \$only_filter,
86            "config" => \$config,
87            "debug" => \$debug,
88            "stats" => \$stats,
89            "validate=s" => \$validate_path,
90    );
91    
92    $config = LoadFile($config);
93    
94    print "config = ",Dumper($config) if ($debug);
95    
96  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->{databases});
97    
98    my $log = _new WebPAC::Common()->_get_logger();
99    $log->info( "-" x 79 );
100    
101    my $validate;
102    $validate = new WebPAC::Validate(
103            path => $validate_path,
104    ) if ($validate_path);
105    
106    my $use_indexer = $config->{use_indexer} || 'hyperestraier';
107    if ($stats) {
108            $log->debug("option --stats disables update of indexing engine...");
109            $use_indexer = undef;
110    } else {
111            $log->info("using $use_indexer indexing engine...");
112    }
113    
114  my $total_rows = 0;  my $total_rows = 0;
115    my $start_t = time();
116    
117    my @links;
118    my $indexer;
119    
120  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->{databases} }) {
121    
122          my $log = _new WebPAC::Common()->_get_logger();          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
123            next if ($only_database && $database !~ m/$only_database/i);
124    
125          #          if ($use_indexer) {
126          # open Hyper Estraier database                  my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");
127          #                  $indexer_config->{database} = $database;
128                    $indexer_config->{clean} = $clean;
129                    $indexer_config->{label} = $db_config->{name};
130    
131                    if ($use_indexer eq 'hyperestraier') {
132    
133                            # open Hyper Estraier database
134                            use WebPAC::Output::Estraier '0.10';
135                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
136                    
137                    } elsif ($use_indexer eq 'kinosearch') {
138    
139                            # open KinoSearch
140                            use WebPAC::Output::KinoSearch;
141                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
142                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
143    
144          my $est_config = $config->{hyperestraier} || $log->logdie("can't find 'hyperestraier' part in confguration");                  } else {
145          $est_config->{database} = $database;                          $log->logdie("unknown use_indexer: $use_indexer");
146                    }
147    
148          $log->info("using HyperEstraier URL $est_config->{masterurl}");                  $log->logide("can't continue without valid indexer") unless ($indexer);
149            }
150    
         my $est = new WebPAC::Output::Estraier(  
                 %{ $est_config },  
         );  
151    
152          #          #
153          # now WebPAC::Store          # now WebPAC::Store
# Line 52  while (my ($database, $db_config) = each Line 157  while (my ($database, $db_config) = each
157    
158          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->{webpac}->{db_path} . '/' . $database;
159    
160          $log->info("working on $database in $db_path");          if ($clean) {
161                    $log->info("creating new database '$database' in $db_path");
162                    rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
163            } else {
164                    $log->info("working on database '$database' in $db_path");
165            }
166    
167          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
168                  path => $db_path,                  path => $db_path,
169                  database => $database,                  database => $database,
170                  debug => 1,                  debug => $debug,
171          );          );
172    
173    
# Line 78  while (my ($database, $db_config) = each Line 188  while (my ($database, $db_config) = each
188    
189          foreach my $input (@inputs) {          foreach my $input (@inputs) {
190    
191                    next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
192    
193                  my $type = lc($input->{type});                  my $type = lc($input->{type});
194    
195                  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));
196    
197                  my $lookup = new WebPAC::Lookup(                  my $lookup = new WebPAC::Lookup(
198                          lookup_file => $input->{lookup},                          lookup_file => $input->{lookup},
199                  );                  ) if ($input->{lookup});
200    
201                  my $input_module = $config->{webpac}->{inputs}->{$type};                  my $input_module = $config->{webpac}->{inputs}->{$type};
202    
203                  $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",
204                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
205                  sub new_input {                  );
                         my $name = shift;  
                         my $args = shift;  
                         new $name->($args);  
                 }  
206    
207                  my $input = new_input($input_module,{                  my $input_db = new WebPAC::Input(
208                            module => $input_module,
209                          code_page => $config->{webpac}->{webpac_encoding},                          code_page => $config->{webpac}->{webpac_encoding},
210                          limit_mfn => $input->{limit},                          limit => $limit || $input->{limit},
211                            offset => $offset,
212                          lookup => $lookup,                          lookup => $lookup,
213                  });                          recode => $input->{recode},
214                            stats => $stats,
215                    );
216                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
217    
218                  my $maxmfn = $input->open(                  my $maxmfn = $input_db->open(
219                          path => $input->{path},                          path => $input->{path},
220                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
221                            %{ $input },
222                  );                  );
223    
224                  my $n = new WebPAC::Normalize::XML(                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
225                  #       filter => { 'foo' => sub { shift } },                          @{ $input->{normalize} } : ( $input->{normalize} );
                         db => $db,  
                         lookup_regex => $lookup->regex,  
                         lookup => $lookup,  
                         prefix => $input->{name},  
                 );  
226    
227                  my $normalize_path = $input->{normalize}->{path};                  foreach my $normalize (@norm_array) {
228    
229                  if ($normalize_path =~ m/\.xml$/i) {                          my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
230                          $n->open(  
231                                  tag => $input->{normalize}->{tag},                          $log->logdie("Found '$normalize_path' as normalization file which isn't supported any more!") unless ( $normalize_path =~ m!\.pl$!i );
232                                  xml_file => $input->{normalize}->{path},  
233                          );                          my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
234                  } elsif ($normalize_path =~ m/\.(?:yml|yaml)$/i) {  
235                          $n->open_yaml(                          $log->info("Using $normalize_path for normalization...");
                                 path => $normalize_path,  
                                 tag => $input->{normalize}->{tag},  
                         );  
                 }  
236    
237                  for ( 0 ... $input->size ) {                          my $marc_fh;
238                            if (my $path = $normalize->{marc21}) {
239                                    open($marc_fh, '>', $path) ||
240                                            $log->logdie("can't open MARC output $path: $!");
241    
242                          my $row = $input->fetch || next;                                  $log->info("Creating MARC export file $path\n");
243                            }
244    
245                          my $mfn = $row->{'000'}->[0] || die "can't find MFN";                          # reset position in database
246                            $input_db->seek(1);
247    
248                          my $ds = $n->data_structure($row);                          foreach my $pos ( 0 ... $input_db->size ) {
249    
250                          $est->add(                                  my $row = $input_db->fetch || next;
251                                  id => $input->{name} . "#" . $mfn,  
252                                  ds => $ds,                                  my $mfn = $row->{'000'}->[0];
253                                  type => $config->{hyperestraier}->{type},  
254                          );                                  if (! $mfn || $mfn !~ m#^\d+$#) {
255                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
256                                            $mfn = $pos;
257                                            push @{ $row->{'000'} }, $pos;
258                                    }
259    
260    
261                                    if ($validate) {
262                                            my @errors = $validate->validate_errors( $row );
263                                            $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
264                                    }
265    
266                                            
267                                    my $ds = WebPAC::Normalize::data_structure(
268                                            row => $row,
269                                            rules => $rules,
270                                            lookup => $lookup ? $lookup->lookup_hash : undef,
271                                            marc_encoding => 'utf-8',
272                                    );
273    
274                                    $db->save_ds(
275                                            id => $mfn,
276                                            ds => $ds,
277                                            prefix => $input->{name},
278                                    ) if ($ds && !$stats);
279    
280                                    $indexer->add(
281                                            id => $input->{name} . "/" . $mfn,
282                                            ds => $ds,
283                                            type => $config->{$use_indexer}->{type},
284                                    ) if ($indexer && $ds);
285    
286                                    if ($marc_fh) {
287                                            my $marc = new MARC::Record;
288                                            $marc->encoding( 'utf-8' );
289                                            $marc->add_fields( WebPAC::Normalize::_get_marc21_fields() );
290                                            print $marc_fh $marc->as_usmarc;
291                                    }
292    
293                                    $total_rows++;
294                            }
295    
296                            $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
297    
298                            # close MARC file
299                            close($marc_fh) if ($marc_fh);
300    
                         $total_rows++;  
301                  }                  }
302    
303          };          }
304    
305          $log->info("$total_rows records indexed");          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
306    
307            my $dt = time() - $start_t;
308            $log->info("$total_rows records ", $indexer ? "indexed " : "",
309                    sprintf("in %.2f sec [%.2f rec/sec]",
310                            $dt, ($total_rows / $dt)
311                    )
312            );
313    
314          #          #
315          # add Hyper Estraier links to other databases          # add Hyper Estraier links to other databases
316          #          #
317          if (ref($db_config->{links}) eq 'ARRAY') {          if (ref($db_config->{links}) eq 'ARRAY') {
318                  foreach my $link (@{ $db_config->{links} }) {                  foreach my $link (@{ $db_config->{links} }) {
319                          $log->info("adding link $database -> $link->{to} [$link->{credit}]");                          if ($use_indexer eq 'hyperestraier') {
320                          $est->add_link(                                  $log->info("saving link $database -> $link->{to} [$link->{credit}]");
321                                  from => $database,                                  push @links, {
322                                  to => $link->{to},                                          from => $database,
323                                  credit => $link->{credit},                                          to => $link->{to},
324                          );                                          credit => $link->{credit},
325                                    };
326                            } else {
327                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
328                            }
329                  }                  }
330          }          }
331    
332  }  }
333    
334    foreach my $link (@links) {
335            $log->info("adding link $link->{from} -> $link->{to} [$link->{credit}]");
336            $indexer->add_link( %{ $link } );
337    }
Legend:
Removed from v.286  
changed lines
  Added in v.546
  ViewVC Help
Powered by ViewVC 1.1.26