/[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 493 by dpavlin, Sun May 14 13:42:48 2006 UTC revision 698 by dpavlin, Mon Sep 25 11:14:53 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::Parser 0.04;
11  use WebPAC::Input 0.03;  use WebPAC::Lookup 0.03;
12    use WebPAC::Input 0.11;
13  use WebPAC::Store 0.03;  use WebPAC::Store 0.03;
14  use WebPAC::Normalize::XML;  use WebPAC::Normalize 0.11;
 use WebPAC::Normalize::Set;  
15  use WebPAC::Output::TT;  use WebPAC::Output::TT;
16  use YAML qw/LoadFile/;  use WebPAC::Validate 0.06;
17    use WebPAC::Output::MARC;
18    use WebPAC::Config;
19  use Getopt::Long;  use Getopt::Long;
20  use File::Path;  use File::Path;
21  use Time::HiRes qw/time/;  use Time::HiRes qw/time/;
22  use File::Slurp;  use File::Slurp;
23    use Data::Dump qw/dump/;
24    use Storable qw/dclone/;
25    
26    use Proc::Queue size => 1;
27    use POSIX ":sys_wait_h"; # imports WNOHANG
28    
29  =head1 NAME  =head1 NAME
30    
# Line 42  limit loading to 100 records Line 48  limit loading to 100 records
48    
49  remove database and Hyper Estraier index before indexing  remove database and Hyper Estraier index before indexing
50    
51  =item --only=database_name  =item --only=database_name/input_filter
52    
53  reindex just single database (legacy name is --one)  reindex just single database (legacy name is --one)
54    
55    C</input_filter> is optional part which can be C<name>
56    or C<type> from input
57    
58  =item --config conf/config.yml  =item --config conf/config.yml
59    
60  path to YAML configuration file  path to YAML configuration file
61    
62  =item --force-set  =item --stats
63    
64    disable indexing, modify_* in configuration and dump statistics about field
65    and subfield 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    =item --marc-normalize conf/normalize/mapping.pl
72    
73    This option specifies normalisation file for MARC creation
74    
75    =item --marc-output out/marc/test.marc
76    
77    Optional path to output file
78    
79    =item --marc-lint
80    
81    By default turned on if C<--marc-normalize> is used. You can disable lint
82    messages with C<--no-marc-lint>.
83    
84    =item --marc-dump
85    
86    Force dump or input and marc record for debugging.
87    
88    =item --parallel 4
89    
90  force conversion C<normalize->path> in C<config.yml> from  Run databases in parallel (aproximatly same as number of processors in
91  C<.xml> to C<.pl>  machine if you want to use full load)
92    
93    =item --only-links
94    
95    Create just links
96    
97    =item --merge
98    
99    Create merged index of databases which have links
100    
101  =back  =back
102    
# Line 63  my $offset; Line 106  my $offset;
106  my $limit;  my $limit;
107    
108  my $clean = 0;  my $clean = 0;
109  my $config = 'conf/config.yml';  my $config_path;
110  my $debug = 0;  my $debug = 0;
111  my $only_db_name;  my $only_filter;
112  my $force_set = 0;  my $stats = 0;
113    my $validate_path;
114    my ($marc_normalize, $marc_output);
115    my $marc_lint = 1;
116    my $marc_dump = 0;
117    my $parallel = 0;
118    my $only_links = 0;
119    my $merge = 0;
120    
121    my $log = _new WebPAC::Common()->_get_logger();
122    
123  GetOptions(  GetOptions(
124          "limit=i" => \$limit,          "limit=i" => \$limit,
125          "offset=i" => \$offset,          "offset=i" => \$offset,
126          "clean" => \$clean,          "clean" => \$clean,
127          "one=s" => \$only_db_name,          "one=s" => \$only_filter,
128          "only=s" => \$only_db_name,          "only=s" => \$only_filter,
129          "config" => \$config,          "config" => \$config_path,
130          "debug" => \$debug,          "debug+" => \$debug,
131          "force-set" => \$force_set,          "stats" => \$stats,
132            "validate=s" => \$validate_path,
133            "marc-normalize=s" => \$marc_normalize,
134            "marc-output=s" => \$marc_output,
135            "marc-lint!" => \$marc_lint,
136            "marc-dump!" => \$marc_dump,
137            "parallel=i" => \$parallel,
138            "only-links!" => \$only_links,
139            "merge" => \$merge,
140  );  );
141    
142  $config = LoadFile($config);  my $config = new WebPAC::Config( path => $config_path );
143    
144  print "config = ",Dumper($config) if ($debug);  #print "config = ",dump($config) if ($debug);
145    
146  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->databases);
147    
148  my $log = _new WebPAC::Common()->_get_logger();  $log->info( "-" x 79 );
149    
150  my $use_indexer = $config->{use_indexer} || 'hyperestraier';  
151  $log->info("using $use_indexer indexing engine...");  my $estcmd_fh;
152    my $estcmd_path = './estcmd-merge.sh';
153    if ($merge) {
154            open($estcmd_fh, '>', $estcmd_path) || $log->logdie("can't open $estcmd_path: $!");
155            print $estcmd_fh 'cd /data/estraier/_node/ || exit 1',$/;
156            print $estcmd_fh 'sudo /etc/init.d/hyperestraier stop',$/;
157            $log->info("created merge batch file $estcmd_path");
158    }
159    
160    
161    my $validate;
162    $validate = new WebPAC::Validate(
163            path => $validate_path,
164    ) if ($validate_path);
165    
166    
167    my $use_indexer = $config->use_indexer;
168    if ($stats) {
169            $log->debug("option --stats disables update of indexing engine...");
170            $use_indexer = undef;
171    } else {
172            $log->info("using $use_indexer indexing engine...");
173    }
174    
175    # disable indexing when creating marc
176    $use_indexer = undef if ($marc_normalize);
177    
178    # parse normalize files and create source files for lookup and normalization
179    
180    my $parser = new WebPAC::Parser( config => $config );
181    
182  my $total_rows = 0;  my $total_rows = 0;
183  my $start_t = time();  my $start_t = time();
184    
185  while (my ($database, $db_config) = each %{ $config->{databases} }) {  my @links;
186    
187    if ($parallel) {
188            $log->info("Using $parallel processes for speedup");
189            Proc::Queue::size($parallel);
190    }
191    
192    while (my ($database, $db_config) = each %{ $config->databases }) {
193    
194          next if ($only_db_name && $database !~ m/$only_db_name/i);          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
195            next if ($only_database && $database !~ m/$only_database/i);
196    
197            if ($parallel) {
198                    my $f=fork;
199                    if(defined ($f) and $f==0) {
200                            $log->info("Created processes $$ for speedup");
201                    } else {
202                            next;
203                    }
204            }
205    
206          my $indexer;          my $indexer;
207            if ($use_indexer) {
208    
209          my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");                  my $cfg_name = $use_indexer;
210          $indexer_config->{database} = $database;                  $cfg_name =~ s/\-.*$//;
         $indexer_config->{clean} = $clean;  
         $indexer_config->{label} = $db_config->{name};  
   
         # important: clean database just once!  
         $clean = 0;  
   
         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 } );  
211    
212          } else {                  my $indexer_config = $config->get( $cfg_name ) || $log->logdie("can't find '$cfg_name' part in confguration");
213                  $log->logdie("unknown use_indexer: $use_indexer");                  $indexer_config->{database} = $database;
214                    $indexer_config->{clean} = $clean;
215                    $indexer_config->{label} = $db_config->{name};
216    
217                    # force clean if database has links
218                    $indexer_config->{clean} = 1 if ($db_config->{links});
219    
220                    if ($use_indexer eq 'hyperestraier') {
221    
222                            # open Hyper Estraier database
223                            use WebPAC::Output::Estraier '0.10';
224                            $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
225                    
226                    } elsif ($use_indexer eq 'hyperestraier-native') {
227    
228                            # open Hyper Estraier database
229                            use WebPAC::Output::EstraierNative;
230                            $indexer = new WebPAC::Output::EstraierNative( %{ $indexer_config } );
231    
232                    } elsif ($use_indexer eq 'kinosearch') {
233    
234                            # open KinoSearch
235                            use WebPAC::Output::KinoSearch;
236                            $indexer_config->{clean} = 1 unless (-e $indexer_config->{index_path});
237                            $indexer = new WebPAC::Output::KinoSearch( %{ $indexer_config } );
238    
239                    } else {
240                            $log->logdie("unknown use_indexer: $use_indexer");
241                    }
242    
243                    $log->logide("can't continue without valid indexer") unless ($indexer);
244          }          }
245    
246          $log->logide("can't continue without valid indexer") unless ($indexer);  
247            #
248            # store Hyper Estraier links to other databases
249            #
250            if (ref($db_config->{links}) eq 'ARRAY' && $use_indexer) {
251                    foreach my $link (@{ $db_config->{links} }) {
252                            if ($use_indexer eq 'hyperestraier') {
253                                    if ($merge) {
254                                            print $estcmd_fh 'sudo -u www-data estcmd merge ' . $database . ' ' . $link->{to},$/;
255                                    } else {
256                                            $log->info("saving link $database -> $link->{to} [$link->{credit}]");
257                                            push @links, sub {
258                                                    $log->info("adding link $database -> $link->{to} [$link->{credit}]");
259                                                    $indexer->add_link(
260                                                            from => $database,
261                                                            to => $link->{to},
262                                                            credit => $link->{credit},
263                                                    );
264                                            };
265                                    }
266                            } else {
267                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
268                            }
269                    }
270            }
271            next if ($only_links);
272    
273    
274          #          #
275          # now WebPAC::Store          # now WebPAC::Store
# Line 132  while (my ($database, $db_config) = each Line 277  while (my ($database, $db_config) = each
277          my $abs_path = abs_path($0);          my $abs_path = abs_path($0);
278          $abs_path =~ s#/[^/]*$#/#;          $abs_path =~ s#/[^/]*$#/#;
279    
280          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->get('webpac')->{db_path} . '/' . $database;
281    
282          if ($clean) {          if ($clean) {
283                  $log->info("creating new database $database in $db_path");                  $log->info("creating new database '$database' in $db_path");
284                  rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");                  rmtree( $db_path ) || $log->warn("can't remove $db_path: $!");
285          } else {          } else {
286                  $log->debug("working on $database in $db_path");                  $log->info("working on database '$database' in $db_path");
287          }          }
288    
289          my $db = new WebPAC::Store(          my $db = new WebPAC::Store(
# Line 161  while (my ($database, $db_config) = each Line 306  while (my ($database, $db_config) = each
306                  $log->info("database $database doesn't have inputs defined");                  $log->info("database $database doesn't have inputs defined");
307          }          }
308    
         my @supported_inputs = keys %{ $config->{webpac}->{inputs} };  
   
309          foreach my $input (@inputs) {          foreach my $input (@inputs) {
310    
311                    next if ($only_input && ($input->{name} !~ m#$only_input#i && $input->{type} !~ m#$only_input#i));
312    
313                  my $type = lc($input->{type});                  my $type = lc($input->{type});
314    
315                  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(",", $config->webpac('inputs') ), " not '$type'!\n" unless (grep(/$type/, $config->webpac('inputs')));
316    
317                  my $lookup = new WebPAC::Lookup(                  my $input_module = $config->webpac('inputs')->{$type};
318                          lookup_file => $input->{lookup},  
319                    $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
320                            $input->{lookup} ? "lookup '$input->{lookup}'" : ""
321                  );                  );
322    
323                  my $input_module = $config->{webpac}->{inputs}->{$type};                  if ($stats) {
324                            # disable modification of records if --stats is in use
325                            delete($input->{modify_records});
326                            delete($input->{modify_file});
327                    }
328    
329                    warn "depends on: ", dump( $parser->depends($database, $input->{name}), $parser->{depends}, $parser->lookup_create_rules($database, $input->{name}), $parser->{_lookup_create} );
330    
331                  $log->info("working on input '$input->{path}' [$input->{type}] using $input_module lookup '$input->{lookup}'");                  my $lookup;
332    
333                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
334                          module => $input_module,                          module => $input_module,
335                          code_page => $config->{webpac}->{webpac_encoding},                          encoding => $config->webpac('webpac_encoding'),
336                          limit => $limit || $input->{limit},                          limit => $limit || $input->{limit},
337                          offset => $offset,                          offset => $offset,
338                          lookup => $lookup,                          lookup_coderef => sub {
339                                    my $rec = shift || return;
340                                    $lookup->add( $rec );
341                            },
342                          recode => $input->{recode},                          recode => $input->{recode},
343                            stats => $stats,
344                            modify_records => $input->{modify_records},
345                            modify_file => $input->{modify_file},
346                  );                  );
347                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
348    
349                  my $maxmfn = $input_db->open(                  my $maxmfn = $input_db->open(
350                          path => $input->{path},                          path => $input->{path},
351                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
352                            %{ $input },
353                  );                  );
354    
355                  my $n = new WebPAC::Normalize::XML(                  my $report_fh;
356                  #       filter => { 'foo' => sub { shift } },                  if ($stats || $validate) {
357                          db => $db,                          my $path = "out/report/" . $database . '-' . $input->{name} . '.txt';
358                          lookup_regex => $lookup->regex,                          open($report_fh, '>', $path) || $log->logdie("can't open $path: $!");
359                          lookup => $lookup,  
360                          prefix => $input->{name},                          print $report_fh "Report for database '$database' input '$input->{name}' records ",
361                  );                                  $offset || 1, "-", $limit || $input->{limit} || $maxmfn, "\n\n";
362                            $log->info("Generating report file $path");
363                    }
364    
365                  my $rules;                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
366                  my $normalize_path = $input->{normalize}->{path};                          @{ $input->{normalize} } : ( $input->{normalize} );
367    
368                  if ($force_set) {                  if ($marc_normalize) {
369                          my $new_norm_path = $normalize_path;                          @norm_array = ( {
370                          $new_norm_path =~ s/\.xml$/.pl/;                                  path => $marc_normalize,
371                          if (-e $new_norm_path) {                                  output => $marc_output || 'out/marc/' . $database . '-' . $input->{name} . '.marc',
372                                  $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 $normalize_path");  
                         }  
373                  }                  }
374    
375                  if ($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: $!";  
                 }  
376    
377                  foreach my $pos ( 0 ... $input_db->size ) {                          my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
378    
379                          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 );
380    
381                          my $mfn = $row->{'000'}->[0];                          my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
382    
383                          if (! $mfn || $mfn !~ m#^\d+$#) {                          $log->info("Using $normalize_path for normalization...");
384                                  $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");  
385                                  $mfn = $pos;                          my $marc = new WebPAC::Output::MARC(
386                                  push @{ $row->{'000'} }, $pos;                                  path => $normalize->{output},
387                          }                                  lint => $marc_lint,
388                                    dump => $marc_dump,
389                            ) if ($normalize->{output});
390    
391                            # reset position in database
392                            $input_db->seek(1);
393    
394                            # generate name of config key for indexer (strip everything after -)
395                            my $indexer_config = $use_indexer;
396                            $indexer_config =~ s/^(\w+)-?.*$/$1/g if ($indexer_config);
397    
398                            foreach my $pos ( 0 ... $input_db->size ) {
399    
400                                    my $row = $input_db->fetch || next;
401    
402                                    my $mfn = $row->{'000'}->[0];
403    
404                                    if (! $mfn || $mfn !~ m#^\d+$#) {
405                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
406                                            $mfn = $pos;
407                                            push @{ $row->{'000'} }, $pos;
408                                    }
409    
410    
411                                    if ($validate) {
412                                            if ( my $errors = $validate->validate_errors( $row, $input_db->dump ) ) {
413                                                    $log->error( "MFN $mfn validation error:\n",
414                                                            $validate->report_error( $errors )
415                                                    );
416                                            }
417                                    }
418    
419                                    my $ds_config = dclone($db_config);
420    
421                          my $ds = $n ? $n->data_structure($row) :                                  # default values -> database key
422                                  WebPAC::Normalize::Set::data_structure(                                  $ds_config->{_} = $database;
423    
424                                    # current mfn
425                                    $ds_config->{_mfn} = $mfn;
426    
427                                    # attach current input
428                                    $ds_config->{input} = $input;
429    
430                                    my $ds = WebPAC::Normalize::data_structure(
431                                          row => $row,                                          row => $row,
432                                          rules => $rules,                                          rules => $rules,
433                                          lookup => $lookup->lookup_hash,                                          lookup => $lookup ? $lookup->lookup_hash : undef,
434                                            config => $ds_config,
435                                            marc_encoding => 'utf-8',
436                                  );                                  );
437    
438                          $indexer->add(                                  $db->save_ds(
439                                  id => $input->{name} . "/" . $mfn,                                          id => $mfn,
440                                  ds => $ds,                                          ds => $ds,
441                                  type => $config->{$use_indexer}->{type},                                          prefix => $input->{name},
442                          );                                  ) if ($ds && !$stats);
443    
444                                    $indexer->add(
445                                            id => $input->{name} . "/" . $mfn,
446                                            ds => $ds,
447                                            type => $config->get($indexer_config)->{type},
448                                    ) if ($indexer && $ds);
449    
450                                    if ($marc) {
451                                            my $i = 0;
452    
453                                            while (my $fields = WebPAC::Normalize::_get_marc_fields( fetch_next => 1 ) ) {
454                                                    $marc->add(
455                                                            id => $mfn . ( $i ? "/$i" : '' ),
456                                                            fields => $fields,
457                                                            leader => WebPAC::Normalize::marc_leader(),
458                                                            row => $row,
459                                                    );
460                                                    $i++;
461                                            }
462    
463                                            $log->info("Created $i instances of MFN $mfn\n") if ($i > 1);
464                                    }
465    
466                          $total_rows++;                                  $total_rows++;
467                            }
468    
469                            if ($validate) {
470                                    my $errors = $validate->report;
471                                    if ($errors) {
472                                            $log->info("validation errors:\n$errors\n" );
473                                            print $report_fh "$errors\n" if ($report_fh);
474                                    }
475                            }
476    
477                            if ($stats) {
478                                    my $s = $input_db->stats;
479                                    $log->info("statistics of fields usage:\n$s");
480                                    print $report_fh "Statistics of fields usage:\n$s" if ($report_fh);
481                            }
482    
483                            # close MARC file
484                            $marc->finish if ($marc);
485    
486                            # close report
487                            close($report_fh) if ($report_fh)
488                  }                  }
489    
490          };          }
491    
492          eval { $indexer->finish } if ($indexer->can('finish'));          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
493    
494          my $dt = time() - $start_t;          my $dt = time() - $start_t;
495          $log->info("$total_rows records indexed in " .          $log->info("$total_rows records ", $indexer ? "indexed " : "",
496                  sprintf("%.2f sec [%.2f rec/sec]",                  sprintf("in %.2f sec [%.2f rec/sec]",
497                          $dt, ($total_rows / $dt)                          $dt, ($total_rows / $dt)
498                  )                  )
499          );          );
500    
501          #  
502          # add Hyper Estraier links to other databases          # end forked process
503          #          if ($parallel) {
504          if (ref($db_config->{links}) eq 'ARRAY') {                  $log->info("parallel process $$ finished");
505                  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}]");  
                         }  
                 }  
506          }          }
507    
508  }  }
509    
510    if ($parallel) {
511            # wait all children to finish
512            sleep(1) while wait != -1;
513            $log->info("all parallel processes finished");
514    }
515    
516    #
517    # handle links or merge after indexing
518    #
519    
520    if ($merge) {
521            print $estcmd_fh 'sudo /etc/init.d/hyperestraier start',$/;
522            close($estcmd_fh);
523            chmod 0700, $estcmd_path || $log->warn("can't chmod 0700 $estcmd_path: $!");
524            system $estcmd_path;
525    } else {
526            foreach my $link (@links) {
527                    $log->logdie("coderef in link ", Dumper($link), " is ", ref($link), " and not CODE") unless (ref($link) eq 'CODE');
528                    $link->();
529            }
530    }
Legend:
Removed from v.493  
changed lines
  Added in v.698
  ViewVC Help
Powered by ViewVC 1.1.26