/[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 507 by dpavlin, Mon May 15 13:15:01 2006 UTC revision 636 by dpavlin, Wed Sep 6 19:25:22 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;
 use WebPAC::Normalize::Set;  
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;  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 42  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 --force-set  =item --stats
62    
63  force conversion C<normalize->path> in C<config.yml> from  disable indexing and dump statistics about field and subfield
64  C<.xml> to C<.pl>  usage for each input
65    
66  =item --stats  =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  dump statistics about used fields and subfields in each input  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    
# Line 69  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;
 my $force_set = 0;  
111  my $stats = 0;  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,
         "force-set" => \$force_set,  
138          "stats" => \$stats,          "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_config->{clean} = 1 unless (-e $indexer_config->{index_path});  
                 $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    
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    
         $log->logide("can't continue without valid indexer") unless ($indexer);  
278    
279          #          #
280          # now WebPAC::Store          # now WebPAC::Store
# Line 138  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 $db = new WebPAC::Store(
# Line 168  while (my ($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                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
339                          module => $input_module,                          module => $input_module,
340                          code_page => $config->{webpac}->{webpac_encoding},                          encoding => $config->{webpac}->{webpac_encoding},
341                          limit => $limit || $input->{limit},                          limit => $limit || $input->{limit},
342                          offset => $offset,                          offset => $offset,
343                          lookup => $lookup,                          lookup_coderef => sub {
344                                    my $rec = shift || return;
345                                    $lookup->add( $rec );
346                            },
347                          recode => $input->{recode},                          recode => $input->{recode},
348                          stats => $stats,                          stats => $stats,
349                            modify_records => $input->{modify_records},
350                            modify_file => $input->{modify_file},
351                  );                  );
352                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
353    
354                  my $maxmfn = $input_db->open(                  my $maxmfn = $input_db->open(
355                          path => $input->{path},                          path => $input->{path},
356                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
357                            %{ $input },
358                  );                  );
359    
360                  my $n = new WebPAC::Normalize::XML(                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
361                  #       filter => { 'foo' => sub { shift } },                          @{ $input->{normalize} } : ( $input->{normalize} );
                         db => $db,  
                         lookup_regex => $lookup->regex,  
                         lookup => $lookup,  
                         prefix => $input->{name},  
                 );  
   
                 my $rules;  
                 my $normalize_path = $input->{normalize}->{path};  
362    
363                  if ($force_set) {                  if ($marc_normalize) {
364                          my $new_norm_path = $normalize_path;                          @norm_array = ( {
365                          $new_norm_path =~ s/\.xml$/.pl/;                                  path => $marc_normalize,
366                          if (-e $new_norm_path) {                                  output => $marc_output || 'out/marc/' . $database . '-' . $input->{name} . '.marc',
367                                  $log->debug("--force-set replaced $normalize_path with $new_norm_path");                          } );
                                 $normalize_path = $new_norm_path;  
                         } else {  
                                 $log->debug("--force-set failed on $new_norm_path, fallback to $normalize_path");  
                         }  
368                  }                  }
369    
370                  if ($normalize_path =~ m/\.xml$/i) {                  foreach my $normalize (@norm_array) {
                         $n->open(  
                                 tag => $input->{normalize}->{tag},  
                                 xml_file => $normalize_path,  
                         );  
                 } elsif ($normalize_path =~ m/\.(?:yml|yaml)$/i) {  
                         $n->open_yaml(  
                                 path => $normalize_path,  
                                 tag => $input->{normalize}->{tag},  
                         );  
                 } elsif ($normalize_path =~ m/\.(?:pl)$/i) {  
                         $n = undef;  
                         $log->info("using WebPAC::Normalize::Set to process $normalize_path");  
                         $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";  
                 }  
371    
372                  foreach my $pos ( 0 ... $input_db->size ) {                          my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
373    
374                          my $row = $input_db->fetch || next;                          $log->logdie("Found '$normalize_path' as normalization file which isn't supported any more!") unless ( $normalize_path =~ m!\.pl$!i );
375    
376                          my $mfn = $row->{'000'}->[0];                          my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
377    
378                          if (! $mfn || $mfn !~ m#^\d+$#) {                          $log->info("Using $normalize_path for normalization...");
379                                  $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");  
380                                  $mfn = $pos;                          my $marc = new WebPAC::Output::MARC(
381                                  push @{ $row->{'000'} }, $pos;                                  path => $normalize->{output},
382                          }                                  lint => $marc_lint,
383                                    dump => $marc_dump,
384                            ) if ($normalize->{output});
385    
386                            # reset position in database
387                            $input_db->seek(1);
388    
389                            foreach my $pos ( 0 ... $input_db->size ) {
390    
391                                    my $row = $input_db->fetch || next;
392    
393                                    my $mfn = $row->{'000'}->[0];
394    
395                                    if (! $mfn || $mfn !~ m#^\d+$#) {
396                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
397                                            $mfn = $pos;
398                                            push @{ $row->{'000'} }, $pos;
399                                    }
400    
401    
402                                    if ($validate) {
403                                            my @errors = $validate->validate_errors( $row );
404                                            $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);
405                                    }
406    
407                          my $ds = $n ? $n->data_structure($row) :                                  my $ds_config = dclone($db_config);
408                                  WebPAC::Normalize::Set::data_structure(  
409                                    # default values -> database key
410                                    $ds_config->{_} = $database;
411    
412                                    # current mfn
413                                    $ds_config->{_mfn} = $mfn;
414    
415                                    # attach current input
416                                    $ds_config->{input} = $input;
417    
418                                    my $ds = WebPAC::Normalize::data_structure(
419                                          row => $row,                                          row => $row,
420                                          rules => $rules,                                          rules => $rules,
421                                          lookup => $lookup->lookup_hash,                                          lookup => $lookup ? $lookup->lookup_hash : undef,
422                                            config => $ds_config,
423                                            marc_encoding => 'utf-8',
424                                  );                                  );
425    
426                          $indexer->add(                                  $db->save_ds(
427                                  id => $input->{name} . "/" . $mfn,                                          id => $mfn,
428                                  ds => $ds,                                          ds => $ds,
429                                  type => $config->{$use_indexer}->{type},                                          prefix => $input->{name},
430                          );                                  ) if ($ds && !$stats);
431    
432                                    $indexer->add(
433                                            id => $input->{name} . "/" . $mfn,
434                                            ds => $ds,
435                                            type => $config->{$use_indexer}->{type},
436                                    ) if ($indexer && $ds);
437    
438                                    if ($marc) {
439                                            my $i = 0;
440    
441                                            while (my $fields = WebPAC::Normalize::_get_marc_fields( fetch_next => 1 ) ) {
442                                                    $marc->add(
443                                                            id => $mfn . ( $i ? "/$i" : '' ),
444                                                            fields => $fields,
445                                                            leader => WebPAC::Normalize::marc_leader(),
446                                                            row => $row,
447                                                    );
448                                                    $i++;
449                                            }
450    
451                          $total_rows++;                                          $log->info("Created $i instances of MFN $mfn\n") if ($i > 1);
452                  }                                  }
453    
454                  $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);                                  $total_rows++;
455                            }
456    
457          };                          $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);
458    
459          eval { $indexer->finish } if ($indexer->can('finish'));                          # close MARC file
460                            $marc->finish if ($marc);
461    
462                    }
463    
464            }
465    
466            eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
467    
468          my $dt = time() - $start_t;          my $dt = time() - $start_t;
469          $log->info("$total_rows records indexed in " .          $log->info("$total_rows records ", $indexer ? "indexed " : "",
470                  sprintf("%.2f sec [%.2f rec/sec]",                  sprintf("in %.2f sec [%.2f rec/sec]",
471                          $dt, ($total_rows / $dt)                          $dt, ($total_rows / $dt)
472                  )                  )
473          );          );
474    
475          #  
476          # add Hyper Estraier links to other databases          # end forked process
477          #          if ($parallel) {
478          if (ref($db_config->{links}) eq 'ARRAY') {                  $log->info("parallel process $$ finished");
479                  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}]");  
                         }  
                 }  
480          }          }
481    
482  }  }
483    
484    if ($parallel) {
485            # wait all children to finish
486            sleep(1) while wait != -1;
487            $log->info("all parallel processes finished");
488    }
489    
490    #
491    # handle links or merge after indexing
492    #
493    
494    if ($merge) {
495            print $estcmd_fh 'sudo /etc/init.d/hyperestraier start',$/;
496            close($estcmd_fh);
497            chmod 0700, $estcmd_path || $log->warn("can't chmod 0700 $estcmd_path: $!");
498            system $estcmd_path;
499    } else {
500            foreach my $link (@links) {
501                    $log->logdie("coderef in link ", Dumper($link), " is ", ref($link), " and not CODE") unless (ref($link) eq 'CODE');
502                    $link->();
503            }
504    }
Legend:
Removed from v.507  
changed lines
  Added in v.636
  ViewVC Help
Powered by ViewVC 1.1.26