/[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 576 by dpavlin, Mon Jul 3 22:12:13 2006 UTC revision 707 by dpavlin, Mon Sep 25 15:26:12 2006 UTC
# Line 7  use File::Temp qw/tempdir/; Line 7  use File::Temp qw/tempdir/;
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::Input 0.13;
12  use WebPAC::Store 0.03;  use WebPAC::Store 0.03;
13  use WebPAC::Normalize;  use WebPAC::Normalize 0.11;
14  use WebPAC::Output::TT;  use WebPAC::Output::TT;
15  use WebPAC::Validate;  use WebPAC::Validate 0.06;
16  use YAML qw/LoadFile/;  use WebPAC::Output::MARC;
17    use WebPAC::Config;
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;
 use MARC::Record 2.0;   # need 2.0 for utf-8 encoding see marcpm.sf.net  
 use MARC::Lint;  
22  use Data::Dump qw/dump/;  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 57  path to YAML configuration file Line 60  path to YAML configuration file
60    
61  =item --stats  =item --stats
62    
63  disable indexing and dump statistics about field and subfield  disable indexing, modify_* in configuration and dump statistics about field
64  usage for each input  and subfield usage for each input
65    
66  =item --validate path/to/validation_file  =item --validate path/to/validation_file
67    
# Line 81  messages with C<--no-marc-lint>. Line 84  messages with C<--no-marc-lint>.
84    
85  Force dump or input and marc record for debugging.  Force dump or input and marc record for debugging.
86    
87    =item --parallel 4
88    
89    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    
102  =cut  =cut
# Line 89  my $offset; Line 105  my $offset;
105  my $limit;  my $limit;
106    
107  my $clean = 0;  my $clean = 0;
108  my $config = 'conf/config.yml';  my $config_path;
109  my $debug = 0;  my $debug = 0;
110  my $only_filter;  my $only_filter;
111  my $stats = 0;  my $stats = 0;
# Line 97  my $validate_path; Line 113  my $validate_path;
113  my ($marc_normalize, $marc_output);  my ($marc_normalize, $marc_output);
114  my $marc_lint = 1;  my $marc_lint = 1;
115  my $marc_dump = 0;  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  GetOptions(  GetOptions(
123          "limit=i" => \$limit,          "limit=i" => \$limit,
# Line 104  GetOptions( Line 125  GetOptions(
125          "clean" => \$clean,          "clean" => \$clean,
126          "one=s" => \$only_filter,          "one=s" => \$only_filter,
127          "only=s" => \$only_filter,          "only=s" => \$only_filter,
128          "config" => \$config,          "config" => \$config_path,
129          "debug+" => \$debug,          "debug+" => \$debug,
130          "stats" => \$stats,          "stats" => \$stats,
131          "validate=s" => \$validate_path,          "validate=s" => \$validate_path,
# Line 112  GetOptions( Line 133  GetOptions(
133          "marc-output=s" => \$marc_output,          "marc-output=s" => \$marc_output,
134          "marc-lint!" => \$marc_lint,          "marc-lint!" => \$marc_lint,
135          "marc-dump!" => \$marc_dump,          "marc-dump!" => \$marc_dump,
136            "parallel=i" => \$parallel,
137            "only-links!" => \$only_links,
138            "merge" => \$merge,
139  );  );
140    
141  $config = LoadFile($config);  my $config = new WebPAC::Config( path => $config_path );
142    
143  print "config = ",dump($config) if ($debug);  #print "config = ",dump($config) if ($debug);
144    
145  die "no databases in config file!\n" unless ($config->{databases});  die "no databases in config file!\n" unless ($config->databases);
146    
 my $log = _new WebPAC::Common()->_get_logger();  
147  $log->info( "-" x 79 );  $log->info( "-" x 79 );
148    
149    
150    my $estcmd_fh;
151    my $estcmd_path = './estcmd-merge.sh';
152    if ($merge) {
153            open($estcmd_fh, '>', $estcmd_path) || $log->logdie("can't open $estcmd_path: $!");
154            print $estcmd_fh 'cd /data/estraier/_node/ || exit 1',$/;
155            print $estcmd_fh 'sudo /etc/init.d/hyperestraier stop',$/;
156            $log->info("created merge batch file $estcmd_path");
157    }
158    
159    
160  my $validate;  my $validate;
161  $validate = new WebPAC::Validate(  $validate = new WebPAC::Validate(
162          path => $validate_path,          path => $validate_path,
163  ) if ($validate_path);  ) if ($validate_path);
164    
165  my $use_indexer = $config->{use_indexer} || 'hyperestraier';  
166    my $use_indexer = $config->use_indexer;
167  if ($stats) {  if ($stats) {
168          $log->debug("option --stats disables update of indexing engine...");          $log->debug("option --stats disables update of indexing engine...");
169          $use_indexer = undef;          $use_indexer = undef;
# Line 139  if ($stats) { Line 174  if ($stats) {
174  # disable indexing when creating marc  # disable indexing when creating marc
175  $use_indexer = undef if ($marc_normalize);  $use_indexer = undef if ($marc_normalize);
176    
177    # parse normalize files and create source files for lookup and normalization
178    
179    my $parser = new WebPAC::Parser( config => $config );
180    
181  my $total_rows = 0;  my $total_rows = 0;
182  my $start_t = time();  my $start_t = time();
183    
184  my @links;  my @links;
 my $indexer;  
185    
186  my $lint = new MARC::Lint if ($marc_lint);  if ($parallel) {
187            $log->info("Using $parallel processes for speedup");
188            Proc::Queue::size($parallel);
189    }
190    
191    sub create_ds_config {
192            my ($db_config, $database, $input, $mfn) = @_;
193            my $c = dclone( $db_config );
194            $c->{_} = $database || $log->logconfess("need database");
195            $c->{_mfn} = $mfn || $log->logconfess("need mfn");
196            $c->{input} = $input || $log->logconfess("need input");
197            return $c;
198    }
199    
200  while (my ($database, $db_config) = each %{ $config->{databases} }) {  while (my ($database, $db_config) = each %{ $config->databases }) {
201    
202          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);          my ($only_database,$only_input) = split(m#/#, $only_filter) if ($only_filter);
203          next if ($only_database && $database !~ m/$only_database/i);          next if ($only_database && $database !~ m/$only_database/i);
204    
205            if ($parallel) {
206                    my $f=fork;
207                    if(defined ($f) and $f==0) {
208                            $log->info("Created processes $$ for speedup");
209                    } else {
210                            next;
211                    }
212            }
213    
214            my $indexer;
215          if ($use_indexer) {          if ($use_indexer) {
216                  my $indexer_config = $config->{$use_indexer} || $log->logdie("can't find '$use_indexer' part in confguration");  
217                    my $cfg_name = $use_indexer;
218                    $cfg_name =~ s/\-.*$//;
219    
220                    my $indexer_config = $config->get( $cfg_name ) || $log->logdie("can't find '$cfg_name' part in confguration");
221                  $indexer_config->{database} = $database;                  $indexer_config->{database} = $database;
222                  $indexer_config->{clean} = $clean;                  $indexer_config->{clean} = $clean;
223                  $indexer_config->{label} = $db_config->{name};                  $indexer_config->{label} = $db_config->{name};
224    
225                    # force clean if database has links
226                    $indexer_config->{clean} = 1 if ($db_config->{links});
227    
228                  if ($use_indexer eq 'hyperestraier') {                  if ($use_indexer eq 'hyperestraier') {
229    
230                          # open Hyper Estraier database                          # open Hyper Estraier database
231                          use WebPAC::Output::Estraier '0.10';                          use WebPAC::Output::Estraier '0.10';
232                          $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );                          $indexer = new WebPAC::Output::Estraier( %{ $indexer_config } );
233                                    
234                    } elsif ($use_indexer eq 'hyperestraier-native') {
235    
236                            # open Hyper Estraier database
237                            use WebPAC::Output::EstraierNative;
238                            $indexer = new WebPAC::Output::EstraierNative( %{ $indexer_config } );
239    
240                  } elsif ($use_indexer eq 'kinosearch') {                  } elsif ($use_indexer eq 'kinosearch') {
241    
242                          # open KinoSearch                          # open KinoSearch
# Line 180  while (my ($database, $db_config) = each Line 253  while (my ($database, $db_config) = each
253    
254    
255          #          #
256            # store Hyper Estraier links to other databases
257            #
258            if (ref($db_config->{links}) eq 'ARRAY' && $use_indexer) {
259                    foreach my $link (@{ $db_config->{links} }) {
260                            if ($use_indexer eq 'hyperestraier') {
261                                    if ($merge) {
262                                            print $estcmd_fh 'sudo -u www-data estcmd merge ' . $database . ' ' . $link->{to},$/;
263                                    } else {
264                                            $log->info("saving link $database -> $link->{to} [$link->{credit}]");
265                                            push @links, sub {
266                                                    $log->info("adding link $database -> $link->{to} [$link->{credit}]");
267                                                    $indexer->add_link(
268                                                            from => $database,
269                                                            to => $link->{to},
270                                                            credit => $link->{credit},
271                                                    );
272                                            };
273                                    }
274                            } else {
275                                    $log->warn("NOT IMPLEMENTED WITH $use_indexer: adding link $database -> $link->{to} [$link->{credit}]");
276                            }
277                    }
278            }
279            next if ($only_links);
280    
281    
282            #
283          # now WebPAC::Store          # now WebPAC::Store
284          #          #
285          my $abs_path = abs_path($0);          my $abs_path = abs_path($0);
286          $abs_path =~ s#/[^/]*$#/#;          $abs_path =~ s#/[^/]*$#/#;
287    
288          my $db_path = $config->{webpac}->{db_path} . '/' . $database;          my $db_path = $config->get('webpac')->{db_path} . '/' . $database;
289    
290          if ($clean) {          if ($clean) {
291                  $log->info("creating new database '$database' in $db_path");                  $log->info("creating new database '$database' in $db_path");
# Line 214  while (my ($database, $db_config) = each Line 314  while (my ($database, $db_config) = each
314                  $log->info("database $database doesn't have inputs defined");                  $log->info("database $database doesn't have inputs defined");
315          }          }
316    
         my @supported_inputs = keys %{ $config->{webpac}->{inputs} };  
   
317          foreach my $input (@inputs) {          foreach my $input (@inputs) {
318    
319                  next if ($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));
320    
321                  my $type = lc($input->{type});                  my $type = lc($input->{type});
322    
323                  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')));
324    
325                  my $lookup = new WebPAC::Lookup(                  my $input_module = $config->webpac('inputs')->{$type};
                         lookup_file => $input->{lookup},  
                 ) if ($input->{lookup});  
326    
327                  my $input_module = $config->{webpac}->{inputs}->{$type};                  my @lookups = $parser->have_lookup_create($database, $input);
328    
329                  $log->info("working on input '$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",
330                          $input->{lookup} ? "lookup '$input->{lookup}'" : ""                          @lookups ? " creating lookups: ".join(", ", @lookups) : ""
331                  );                  );
332    
333                    if ($stats) {
334                            # disable modification of records if --stats is in use
335                            delete($input->{modify_records});
336                            delete($input->{modify_file});
337                    }
338    
339                  my $input_db = new WebPAC::Input(                  my $input_db = new WebPAC::Input(
340                          module => $input_module,                          module => $input_module,
341                          code_page => $config->{webpac}->{webpac_encoding},                          encoding => $config->webpac('webpac_encoding'),
342                          limit => $limit || $input->{limit},                          limit => $limit || $input->{limit},
343                          offset => $offset,                          offset => $offset,
                         lookup => $lookup,  
344                          recode => $input->{recode},                          recode => $input->{recode},
345                          stats => $stats,                          stats => $stats,
346                            modify_records => $input->{modify_records},
347                            modify_file => $input->{modify_file},
348                  );                  );
349                  $log->logdie("can't create input using $input_module") unless ($input);                  $log->logdie("can't create input using $input_module") unless ($input);
350    
351                    if (defined( $input->{lookup} )) {
352                            $log->warn("$database/", $input->{name}, " has depriciated lookup definition, removing it...");
353                            delete( $input->{lookup} );
354                    }
355    
356                    my $lookup;
357                    my $lookup_coderef;
358    
359                    if (@lookups) {
360    
361                            my $rules = $parser->lookup_create_rules($database, $input) || $log->logdie("no rules found for $database/$input");
362    
363                            $lookup_coderef = sub {
364                                    my $rec = shift || die "need rec!";
365                                    my $mfn = $rec->{'000'}->[0] || die "need mfn in 000";
366    
367                                    WebPAC::Normalize::data_structure(
368                                            row => $rec,
369                                            rules => $rules,
370                                            lookup => $lookup,
371                                            config => create_ds_config( $db_config, $database, $input, $mfn ),
372                                    );
373    
374                                    warn "current lookup = ", dump($lookup) if ($lookup);
375                            };
376    
377                            WebPAC::Normalize::_set_lookup( undef );
378    
379                            $log->debug("created lookup_coderef using:\n$rules");
380    
381                    };
382    
383                  my $maxmfn = $input_db->open(                  my $maxmfn = $input_db->open(
384                          path => $input->{path},                          path => $input->{path},
385                          code_page => $input->{encoding},        # database encoding                          code_page => $input->{encoding},        # database encoding
386                            lookup_coderef => $lookup_coderef,
387                          %{ $input },                          %{ $input },
388                  );                  );
389    
390                    $log->debug("created following lookups: ", dump( WebPAC::Normalize::_get_lookup() ) );
391    
392                    my $report_fh;
393                    if ($stats || $validate) {
394                            my $path = "out/report/" . $database . '-' . $input->{name} . '.txt';
395                            open($report_fh, '>', $path) || $log->logdie("can't open $path: $!");
396    
397                            print $report_fh "Report for database '$database' input '$input->{name}' records ",
398                                    $offset || 1, "-", $limit || $input->{limit} || $maxmfn, "\n\n";
399                            $log->info("Generating report file $path");
400                    }
401    
402                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?                  my @norm_array = ref($input->{normalize}) eq 'ARRAY' ?
403                          @{ $input->{normalize} } : ( $input->{normalize} );                          @{ $input->{normalize} } : ( $input->{normalize} );
404    
# Line 271  while (my ($database, $db_config) = each Line 419  while (my ($database, $db_config) = each
419    
420                          $log->info("Using $normalize_path for normalization...");                          $log->info("Using $normalize_path for normalization...");
421    
422                          my $marc_fh;                          my $marc = new WebPAC::Output::MARC(
423                          if (my $path = $normalize->{output}) {                                  path => $normalize->{output},
424                                  open($marc_fh, '>', $path) ||                                  lint => $marc_lint,
425                                          $log->logdie("can't open MARC output $path: $!");                                  dump => $marc_dump,
426                            ) if ($normalize->{output});
                                 $log->info("Creating MARC export file $path", $marc_lint ? ' (with lint)' : '', "\n");  
                         }  
427    
428                          # reset position in database                          # reset position in database
429                          $input_db->seek(1);                          $input_db->seek(1);
430    
431                            # generate name of config key for indexer (strip everything after -)
432                            my $indexer_config = $use_indexer;
433                            $indexer_config =~ s/^(\w+)-?.*$/$1/g if ($indexer_config);
434    
435                          foreach my $pos ( 0 ... $input_db->size ) {                          foreach my $pos ( 0 ... $input_db->size ) {
436    
437                                  my $row = $input_db->fetch || next;                                  my $row = $input_db->fetch || next;
# Line 296  while (my ($database, $db_config) = each Line 446  while (my ($database, $db_config) = each
446    
447    
448                                  if ($validate) {                                  if ($validate) {
449                                          my @errors = $validate->validate_errors( $row );                                          if ( my $errors = $validate->validate_errors( $row, $input_db->dump ) ) {
450                                          $log->error( "MFN $mfn validation errors:\n", join("\n", @errors) ) if (@errors);                                                  $log->error( "MFN $mfn validation error:\n",
451                                                            $validate->report_error( $errors )
452                                                    );
453                                            }
454                                  }                                  }
455    
456                                  my $ds = WebPAC::Normalize::data_structure(                                  my $ds = WebPAC::Normalize::data_structure(
457                                          row => $row,                                          row => $row,
458                                          rules => $rules,                                          rules => $rules,
459                                          lookup => $lookup ? $lookup->lookup_hash : undef,                                          lookup => $lookup ? $lookup->lookup_hash : undef,
460                                            config => create_ds_config( $db_config, $database, $input, $mfn ),
461                                          marc_encoding => 'utf-8',                                          marc_encoding => 'utf-8',
462                                  );                                  );
463    
# Line 316  while (my ($database, $db_config) = each Line 470  while (my ($database, $db_config) = each
470                                  $indexer->add(                                  $indexer->add(
471                                          id => $input->{name} . "/" . $mfn,                                          id => $input->{name} . "/" . $mfn,
472                                          ds => $ds,                                          ds => $ds,
473                                          type => $config->{$use_indexer}->{type},                                          type => $config->get($indexer_config)->{type},
474                                  ) if ($indexer && $ds);                                  ) if ($indexer && $ds);
475    
476                                  if ($marc_fh) {                                  if ($marc) {
477                                          my $marc = new MARC::Record;                                          my $i = 0;
                                         $marc->encoding( 'utf-8' );  
                                         my @marc_fields = WebPAC::Normalize::_get_marc_fields();  
                                         if (! @marc_fields) {  
                                                 $log->warn("MARC record $mfn is empty, skipping");  
                                         } else {  
                                                 $marc->add_fields( @marc_fields );  
   
                                                 # tweak leader  
                                                 if (my $new_l = WebPAC::Normalize::marc_leader()) {  
   
                                                         my $leader = $marc->leader;  
   
                                                         foreach my $o ( keys %$new_l ) {  
                                                                 my $insert = $new_l->{$o};  
                                                                 $leader = substr($leader, 0, $o) .  
                                                                         $insert . substr($leader, $o+length($insert));  
                                                         }  
                                                         $marc->leader( $leader );  
                                                 }  
   
                                                 if ($marc_lint) {  
                                                         $lint->check_record( $marc );  
                                                         my $err = join( "\n", $lint->warnings );  
                                                         $log->error("MARC lint detected warning on MFN $mfn\n",  
                                                                 "<<<<< Original imput row:\n",dump($row), "\n",  
                                                                 ">>>>> Normalized MARC row: leader: [", $marc->leader(), "]\n", dump(@marc_fields), "\n",  
                                                                 "!!!!! MARC lint warnings:\n",$err,"\n"  
                                                         ) if ($err);  
                                                 }  
   
                                                 if ($marc_dump) {  
                                                         $log->info("MARC record on MFN $mfn\n",  
                                                                 "<<<<< Original imput row:\n",dump($row), "\n",  
                                                                 ">>>>> Normalized MARC row: leader: [", $marc->leader(), "]\n", dump(@marc_fields), "\n",  
                                                         );  
                                                 }  
478    
479                                                  print $marc_fh $marc->as_usmarc;                                          while (my $fields = WebPAC::Normalize::_get_marc_fields( fetch_next => 1 ) ) {
480                                                    $marc->add(
481                                                            id => $mfn . ( $i ? "/$i" : '' ),
482                                                            fields => $fields,
483                                                            leader => WebPAC::Normalize::marc_leader(),
484                                                            row => $row,
485                                                    );
486                                                    $i++;
487                                          }                                          }
488    
489                                            $log->info("Created $i instances of MFN $mfn\n") if ($i > 1);
490                                  }                                  }
491    
492                                  $total_rows++;                                  $total_rows++;
493                          }                          }
494    
495                          $log->info("statistics of fields usage:\n", $input_db->stats) if ($stats);                          if ($validate) {
496                                    my $errors = $validate->report;
497                                    if ($errors) {
498                                            $log->info("validation errors:\n$errors\n" );
499                                            print $report_fh "$errors\n" if ($report_fh);
500                                    }
501                            }
502    
503                            if ($stats) {
504                                    my $s = $input_db->stats;
505                                    $log->info("statistics of fields usage:\n$s");
506                                    print $report_fh "Statistics of fields usage:\n$s" if ($report_fh);
507                            }
508    
509                          # close MARC file                          # close MARC file
510                          close($marc_fh) if ($marc_fh);                          $marc->finish if ($marc);
511    
512                            # close report
513                            close($report_fh) if ($report_fh)
514                  }                  }
515    
516          }          }
# Line 383  while (my ($database, $db_config) = each Line 524  while (my ($database, $db_config) = each
524                  )                  )
525          );          );
526    
527          #  
528          # add Hyper Estraier links to other databases          # end forked process
529          #          if ($parallel) {
530          if (ref($db_config->{links}) eq 'ARRAY' && $use_indexer) {                  $log->info("parallel process $$ finished");
531                  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}]");  
                         }  
                 }  
532          }          }
533    
534  }  }
535    
536  foreach my $link (@links) {  if ($parallel) {
537          $log->info("adding link $link->{from} -> $link->{to} [$link->{credit}]");          # wait all children to finish
538          $indexer->add_link( %{ $link } );          sleep(1) while wait != -1;
539            $log->info("all parallel processes finished");
540    }
541    
542    #
543    # handle links or merge after indexing
544    #
545    
546    if ($merge) {
547            print $estcmd_fh 'sudo /etc/init.d/hyperestraier start',$/;
548            close($estcmd_fh);
549            chmod 0700, $estcmd_path || $log->warn("can't chmod 0700 $estcmd_path: $!");
550            system $estcmd_path;
551    } else {
552            foreach my $link (@links) {
553                    $log->logdie("coderef in link ", Dumper($link), " is ", ref($link), " and not CODE") unless (ref($link) eq 'CODE');
554                    $link->();
555            }
556  }  }
Legend:
Removed from v.576  
changed lines
  Added in v.707
  ViewVC Help
Powered by ViewVC 1.1.26