/[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 529 by dpavlin, Mon May 22 19:34:45 2006 UTC revision 699 by dpavlin, Mon Sep 25 12:51:17 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 WebPAC::Validate;  use WebPAC::Validate 0.06;
17  use YAML qw/LoadFile/;  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 54  or C<type> from input Line 59  or C<type> from input
59    
60  path to YAML configuration file  path to YAML configuration file
61    
 =item --force-set  
   
 force conversion C<< normalize->path >> in C<config.yml> from  
 C<.xml> to C<.pl>  
   
62  =item --stats  =item --stats
63    
64  disable indexing and dump statistics about field and subfield  disable indexing, modify_* in configuration and dump statistics about field
65  usage for each input  and subfield usage for each input
66    
67  =item --validate path/to/validation_file  =item --validate path/to/validation_file
68    
69  turn on extra validation of imput records, see L<WebPAC::Validation>  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    Run databases in parallel (aproximatly same as number of processors in
91    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    
103  =cut  =cut
# Line 76  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_filter;  my $only_filter;
 my $force_set = 0;  
112  my $stats = 0;  my $stats = 0;
113  my $validate_path;  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,
# Line 89  GetOptions( Line 126  GetOptions(
126          "clean" => \$clean,          "clean" => \$clean,
127          "one=s" => \$only_filter,          "one=s" => \$only_filter,
128          "only=s" => \$only_filter,          "only=s" => \$only_filter,
129          "config" => \$config,          "config" => \$config_path,
130          "debug" => \$debug,          "debug+" => \$debug,
         "force-set" => \$force_set,  
131          "stats" => \$stats,          "stats" => \$stats,
132          "validate=s" => \$validate_path,          "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    
 my $log = _new WebPAC::Common()->_get_logger();  
148  $log->info( "-" x 79 );  $log->info( "-" x 79 );
149    
150    
151    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;  my $validate;
162  $validate = new WebPAC::Validate(  $validate = new WebPAC::Validate(
163          path => $validate_path,          path => $validate_path,
164  ) if ($validate_path);  ) if ($validate_path);
165    
166  my $use_indexer = $config->{use_indexer} || 'hyperestraier';  
167    my $use_indexer = $config->use_indexer;
168  if ($stats) {  if ($stats) {
169          $log->debug("option --stats disables update of indexing engine...");          $log->debug("option --stats disables update of indexing engine...");
170          $use_indexer = undef;          $use_indexer = undef;
# Line 118  if ($stats) { Line 172  if ($stats) {
172          $log->info("using $use_indexer indexing engine...");          $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  my @links;  my @links;
 my $indexer;  
186    
187  while (my ($database, $db_config) = each %{ $config->{databases} }) {  if ($parallel) {
188            $log->info("Using $parallel processes for speedup");
189            Proc::Queue::size($parallel);
190    }
191    
192    while (my ($database, $db_config) = each %{ $config->databases }) {
193    
194          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
195          next if ($only_database && $database !~ m/$only_database/i);          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 $indexer;
207          if ($use_indexer) {          if ($use_indexer) {
208                  my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");  
209                    my $cfg_name = $use_indexer;
210                    $cfg_name =~ s/\-.*$//;
211    
212                    my $indexer_config = $config->get( $cfg_name ) || $log->logdie("can't find '$cfg_name' part in confguration");
213                  $indexer_config->{database} = $database;                  $indexer_config->{database} = $database;
214                  $indexer_config->{clean} = $clean;                  $indexer_config->{clean} = $clean;
215                  $indexer_config->{label} = $db_config->{name};                  $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 ($use_indexer eq 'hyperestraier') {                  if ($use_indexer eq 'hyperestraier') {
221    
222                          # open Hyper Estraier database                          # open Hyper Estraier database
223                          use WebPAC::Output::Estraier '0.10';                          use WebPAC::Output::Estraier '0.10';
224                          $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );                          $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') {                  } elsif ($use_indexer eq 'kinosearch') {
233    
234                          # open KinoSearch                          # open KinoSearch
# Line 157  while (my ($database, $db_config) = each Line 245  while (my ($database, $db_config) = each
245    
246    
247          #          #
248            # store Hyper Estraier links to other databases
249            #
250            if (ref($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
276          #          #
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 $db_path");
# Line 191  while (my ($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));                  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};
                         lookup_file => $input->{lookup},  
                 ) if ($input->{lookup});  
   
                 my $input_module = $config->{webpac}->{inputs}->{$type};  
318    
319                  $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",                  $log->info("working on input '$input->{name}' in $input->{path} [type: $input->{type}] using $input_module",
320                          $input->{lookup} ? "lookup '$input->{lookup}'" : ""                          $input->{lookup} ? "lookup '$input->{lookup}'" : ""
321                  );                  );
322    
323                    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 "parser->depends = ", dump( $parser->{depends} );
330                    warn "depends on: ", dump( $parser->depends($database, $input->{name}) );
331                    warn "lookup_create_rules = ", dump( $parser->lookup_create_rules($database, $input->{name}) );
332                    warn "parser->_lookup_create = ", dump( $parser->{_lookup_create} );
333    
334                    my $lookup;
335    
336                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
337                          module => $input_module,                          module => $input_module,
338                          code_page => $config->{webpac}->{webpac_encoding},                          encoding => $config->webpac('webpac_encoding'),
339                          limit => $limit || $input->{limit},                          limit => $limit || $input->{limit},
340                          offset => $offset,                          offset => $offset,
341                          lookup => $lookup,                          lookup_coderef => sub {
342                                    my $rec = shift || return;
343                                    $lookup->add( $rec );
344                            },
345                          recode => $input->{recode},                          recode => $input->{recode},
346                          stats => $stats,                          stats => $stats,
347                            modify_records => $input->{modify_records},
348                            modify_file => $input->{modify_file},
349                  );                  );
350                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
351    
# Line 228  while (my ($database, $db_config) = each Line 355  while (my ($database, $db_config) = each
355                          %{ $input },                          %{ $input },
356                  );                  );
357    
358                  my $n = new WebPAC::Normalize::XML(                  my $report_fh;
359                  #       filter => { 'foo' => sub { shift } },                  if ($stats || $validate) {
360                          db => $db,                          my $path = "out/report/" . $database . '-' . $input->{name} . '.txt';
361                          lookup_regex => $lookup ? $lookup->regex : undef,                          open($report_fh, '>', $path) || $log->logdie("can't open $path: $!");
362                          lookup => $lookup,  
363                          prefix => $input->{name},                          print $report_fh "Report for database '$database' input '$input->{name}' records ",
364                  );                                  $offset || 1, "-", $limit || $input->{limit} || $maxmfn, "\n\n";
365                            $log->info("Generating report file $path");
366                    }
367    
368                  my $rules;                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
369                  my $normalize_path = $input->{normalize}->{path};                          @{ $input->{normalize} } : ( $input->{normalize} );
370    
371                  if ($force_set) {                  if ($marc_normalize) {
372                          my $new_norm_path = $normalize_path;                          @norm_array = ( {
373                          $new_norm_path =~ s/\.xml$/.pl/;                                  path => $marc_normalize,
374                          if (-e $new_norm_path) {                                  output => $marc_output || 'out/marc/' . $database . '-' . $input->{name} . '.marc',
375                                  $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 $normalize_path");  
                         }  
376                  }                  }
377    
378                  if ($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: $!";  
                 }  
379    
380                  foreach my $pos ( 0 ... $input_db->size ) {                          my $normalize_path = $normalize->{path} || $log->logdie("can't find normalize path in config");
381    
382                          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 );
383    
384                          my $mfn = $row->{'000'}->[0];                          my $rules = read_file( $normalize_path ) or die "can't open $normalize_path: $!";
385    
386                          if (! $mfn || $mfn !~ m#^\d+$#) {                          $log->info("Using $normalize_path for normalization...");
                                 $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");  
                                 $mfn = $pos;  
                                 push @{ $row->{'000'} }, $pos;  
                         }  
387    
388                            my $marc = new WebPAC::Output::MARC(
389                                    path => $normalize->{output},
390                                    lint => $marc_lint,
391                                    dump => $marc_dump,
392                            ) if ($normalize->{output});
393    
394                          if ($validate) {                          # reset position in database
395                                  my @errors = $validate->validate_errors( $row );                          $input_db->seek(1);
                                 $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);  
                         }  
396    
397                                                            # generate name of config key for indexer (strip everything after -)
398                          my $ds;                          my $indexer_config = $use_indexer;
399                          if ($n) {                          $indexer_config =~ s/^(\w+)-?.*$/$1/g if ($indexer_config);
400                                  $ds = $n->data_structure($row);  
401                          } else {                          foreach my $pos ( 0 ... $input_db->size ) {
402                                  $ds = WebPAC::Normalize::Set::data_structure(  
403                                    my $row = $input_db->fetch || next;
404    
405                                    my $mfn = $row->{'000'}->[0];
406    
407                                    if (! $mfn || $mfn !~ m#^\d+$#) {
408                                            $log->warn("record $pos doesn't have valid MFN but '$mfn', using $pos");
409                                            $mfn = $pos;
410                                            push @{ $row->{'000'} }, $pos;
411                                    }
412    
413    
414                                    if ($validate) {
415                                            if ( my $errors = $validate->validate_errors( $row, $input_db->dump ) ) {
416                                                    $log->error( "MFN $mfn validation error:\n",
417                                                            $validate->report_error( $errors )
418                                                    );
419                                            }
420                                    }
421    
422                                    my $ds_config = dclone($db_config);
423    
424                                    # default values -> database key
425                                    $ds_config->{_} = $database;
426    
427                                    # current mfn
428                                    $ds_config->{_mfn} = $mfn;
429    
430                                    # attach current input
431                                    $ds_config->{input} = $input;
432    
433                                    my $ds = WebPAC::Normalize::data_structure(
434                                          row => $row,                                          row => $row,
435                                          rules => $rules,                                          rules => $rules,
436                                          lookup => $lookup ? $lookup->lookup_hash : undef,                                          lookup => $lookup ? $lookup->lookup_hash : undef,
437                                            config => $ds_config,
438                                            marc_encoding => 'utf-8',
439                                  );                                  );
440    
441                                  $db->save_ds(                                  $db->save_ds(
# Line 300  while (my ($database, $db_config) = each Line 443  while (my ($database, $db_config) = each
443                                          ds => $ds,                                          ds => $ds,
444                                          prefix => $input->{name},                                          prefix => $input->{name},
445                                  ) if ($ds && !$stats);                                  ) if ($ds && !$stats);
446    
447                                    $indexer->add(
448                                            id => $input->{name} . "/" . $mfn,
449                                            ds => $ds,
450                                            type => $config->get($indexer_config)->{type},
451                                    ) if ($indexer && $ds);
452    
453                                    if ($marc) {
454                                            my $i = 0;
455    
456                                            while (my $fields = WebPAC::Normalize::_get_marc_fields( fetch_next => 1 ) ) {
457                                                    $marc->add(
458                                                            id => $mfn . ( $i ? "/$i" : '' ),
459                                                            fields => $fields,
460                                                            leader => WebPAC::Normalize::marc_leader(),
461                                                            row => $row,
462                                                    );
463                                                    $i++;
464                                            }
465    
466                                            $log->info("Created $i instances of MFN $mfn\n") if ($i > 1);
467                                    }
468    
469                                    $total_rows++;
470                          }                          }
471    
472                          $indexer->add(                          if ($validate) {
473                                  id => $input->{name} . "/" . $mfn,                                  my $errors = $validate->report;
474                                  ds => $ds,                                  if ($errors) {
475                                  type => $config->{$use_indexer}->{type},                                          $log->info("validation errors:\n$errors\n" );
476                          ) if ($indexer);                                          print $report_fh "$errors\n" if ($report_fh);
477                                    }
478                            }
479    
480                          $total_rows++;                          if ($stats) {
481                  }                                  my $s = $input_db->stats;
482                                    $log->info("statistics of fields usage:\n$s");
483                                    print $report_fh "Statistics of fields usage:\n$s" if ($report_fh);
484                            }
485    
486                            # close MARC file
487                            $marc->finish if ($marc);
488    
489                  $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);                          # close report
490                            close($report_fh) if ($report_fh)
491                    }
492    
493          };          }
494    
495          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));          eval { $indexer->finish } if ($indexer && $indexer->can('finish'));
496    
# Line 324  while (my ($database, $db_config) = each Line 501  while (my ($database, $db_config) = each
501                  )                  )
502          );          );
503    
504          #  
505          # add Hyper Estraier links to other databases          # end forked process
506          #          if ($parallel) {
507          if (ref($db_config->{links}) eq 'ARRAY') {                  $log->info("parallel process $$ finished");
508                  foreach my $link (@{ $db_config->{links} }) {                  exit(0);
                         if ($use_indexer eq 'hyperestraier') {  
                                 $log->info("saving link $database -> $link->{to} [$link->{credit}]");  
                                 push @links, {  
                                         from => $database,  
                                         to => $link->{to},  
                                         credit => $link->{credit},  
                                 };  
                         } else {  
                                 $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");  
                         }  
                 }  
509          }          }
510    
511  }  }
512    
513  foreach my $link (@links) {  if ($parallel) {
514          $log->info("adding link $link->{from} -> $link->{to} [$link->{credit}]");          # wait all children to finish
515          $indexer->add_link( %{ $link } );          sleep(1) while wait != -1;
516            $log->info("all parallel processes finished");
517    }
518    
519    #
520    # handle links or merge after indexing
521    #
522    
523    if ($merge) {
524            print $estcmd_fh 'sudo /etc/init.d/hyperestraier start',$/;
525            close($estcmd_fh);
526            chmod 0700, $estcmd_path || $log->warn("can't chmod 0700 $estcmd_path: $!");
527            system $estcmd_path;
528    } else {
529            foreach my $link (@links) {
530                    $log->logdie("coderef in link ", Dumper($link), " is ", ref($link), " and not CODE") unless (ref($link) eq 'CODE');
531                    $link->();
532            }
533  }  }
Legend:
Removed from v.529  
changed lines
  Added in v.699
  ViewVC Help
Powered by ViewVC 1.1.26