/[webpac]/branches/tehnika/all2xml.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 /branches/tehnika/all2xml.pl

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

revision 276 by dpavlin, Sun Mar 14 12:09:01 2004 UTC revision 652 by dpavlin, Thu Jan 27 21:17:47 2005 UTC
# Line 1  Line 1 
1  #!/usr/bin/perl -w  #!/usr/bin/perl -w
2    
3  use strict;  use strict;
4  use OpenIsis;  use Biblio::Isis;
5  use Getopt::Std;  use Getopt::Std;
6  use Data::Dumper;  use Data::Dumper;
7  use XML::Simple;  use XML::Simple;
 use Text::Unaccent 1.02;        # 1.01 won't compile on my platform,  
8  use Text::Iconv;  use Text::Iconv;
9  use Config::IniFiles;  use Config::IniFiles;
10  use Encode;  use Encode;
# Line 17  $|=1; Line 16  $|=1;
16    
17  my $config_file = $0;  my $config_file = $0;
18  $config_file =~ s/\.pl$/.conf/;  $config_file =~ s/\.pl$/.conf/;
19    $config_file = $ARGV[0] if ($ARGV[0] && -f $ARGV[0]);
20  die "FATAL: can't find configuration file '$config_file'" if (! -e $config_file);  die "FATAL: can't find configuration file '$config_file'" if (! -e $config_file);
21    
22  my $config;  my $config;
23    
24  #use index_DBI;         # default DBI module for index  #use index_DBI;         # default DBI module for index
25  use index_DBI_cache;    # faster DBI module using memory cache  #use index_DBI_cache;   # faster DBI module using memory cache
26    use index_DBI_filter;   # filter support for indexes
27  my $index;  my $index;
28    
29  my %opts;  my %opts;
# Line 139  sub data2xml { Line 140  sub data2xml {
140                  } else {                  } else {
141                          print STDERR "WARNING: field '$field' doesn't have 'name' attribute!";                          print STDERR "WARNING: field '$field' doesn't have 'name' attribute!";
142                  }                  }
143    
144                  if ($field_name) {                  if ($field_name) {
145                            $field_name = x($field_name);
146                          if (! $last_field_name) {                          if (! $last_field_name) {
147                                  $last_field_name = x($field_name);                                  $last_field_name = $field_name;
148                                  return $last_field_name;                                  return $last_field_name;
149                          } elsif ($field_name ne $last_field_name) {                          } elsif ($field_name ne $last_field_name) {
150                                  $last_field_name = x($field_name);                                  $last_field_name = $field_name;
151                                  return $last_field_name;                                  return $last_field_name;
152                          }                          }
153                  }                  }
154          }          }
155    
156    
157            # init variables for different types
158          sub init_visible_type($) {          sub init_visible_type($) {
159                  my $type = shift;                  my $type = shift;
160    
# Line 166  sub data2xml { Line 171  sub data2xml {
171                          ($s,$se,$d,$i) = (0,1,0,0);                          ($s,$se,$d,$i) = (0,1,0,0);
172                  } elsif (lc($type) =~ /^lookup/) {                  } elsif (lc($type) =~ /^lookup/) {
173                          ($s,$se,$d,$i,$il) = (0,1,0,0,1);                          ($s,$se,$d,$i,$il) = (0,1,0,0,1);
174                    } elsif ($type) {
175                            print STDERR "WARNING: unknown type: $type\n";
176                  }                  }
177                  return ($s,$se,$d,$i,$il);                  return ($s,$se,$d,$i,$il);
178          }          }
179    
180    
181            # convert
182            #
183            # <tag>
184            #  <delimiter>, </delimiter>
185            #  <value>200a</value>
186            # </tag>
187            #
188            # to
189            #
190            # <tag delimiter=", ">200a</tag>
191            #
192            # but without loosing spaces in delimiter (becasue
193            # new XML::Simple strips spaces in attribute values
194            # as defined in XML specification)
195            #
196            sub unroll_x($) {
197                    my $x = shift;
198    
199                    if (defined $x->{value}) {
200                            my ($v,$d) = ($x->{value}->{content}, $x->{delimiter}->{content});
201                            delete $x->{value};
202                            delete $x->{delimiter};
203                            $x->{content} = $v;
204                            $x->{delimiter} = $d;
205                    }
206                    return $x;
207            }
208    
209          # begin real work: go field by field          # begin real work: go field by field
210          foreach my $field (@sorted_tags) {          foreach my $field (@sorted_tags) {
211    
# Line 203  sub data2xml { Line 239  sub data2xml {
239    
240                  foreach my $x (@{$config->{indexer}->{$field}->{$tag}}) {                  foreach my $x (@{$config->{indexer}->{$field}->{$tag}}) {
241    
242                            $x = unroll_x($x);
243    
244                          my $format = x($x->{content});                          my $format = x($x->{content});
245                          my $delimiter = x($x->{delimiter}) || ' ';                          my $delimiter = x($x->{delimiter}) || ' ';
246    
# Line 212  sub data2xml { Line 250  sub data2xml {
250    
251                          # what will separate last line from this one?                          # what will separate last line from this one?
252                          if ($display_data && $x->{append}) {                          if ($display_data && $x->{append}) {
253                                  $line_delimiter = ' ';                                  $line_delimiter = $delimiter;
254                          } elsif ($display_data) {                          } elsif ($display_data) {
255                                  $line_delimiter = '<br/>';                                  $line_delimiter = '<br/>';
256                          }                          }
# Line 220  sub data2xml { Line 258  sub data2xml {
258                          # init vars so that we go into while...                          # init vars so that we go into while...
259                          ($swish,$display) = (1,1);                          ($swish,$display) = (1,1);
260    
                         # placeholder for all repeatable entries for index  
   
261                          sub mkformat($$) {                          sub mkformat($$) {
262                                  my $x = shift || die "mkformat needs tag reference";                                  my $x = shift || die "mkformat needs tag reference";
263                                  my $data = shift || return;                                  my $data = shift || return;
# Line 429  sub data2xml { Line 465  sub data2xml {
465                  # now try to parse variables from configuration file                  # now try to parse variables from configuration file
466                  foreach my $x (@{$config->{indexer}->{$field}->{'config'}}) {                  foreach my $x (@{$config->{indexer}->{$field}->{'config'}}) {
467    
468                            $x = unroll_x($x);
469    
470                          my $delimiter = x($x->{delimiter}) || ' ';                          my $delimiter = x($x->{delimiter}) || ' ';
471                          my $val = $cfg->val($database, x($x->{content}));                          my $val = $cfg->val($database, x($x->{content}));
472    
# Line 490  sub data2xml { Line 528  sub data2xml {
528                                          $swish_data =~ s/ +/ /g;                                          $swish_data =~ s/ +/ /g;
529                                          $swish_data =~ s/ +$//g;                                          $swish_data =~ s/ +$//g;
530    
531                                          $xml .= xmlify($field."_swish", unac_string($codepage,$swish_data));                                          $xml .= xmlify($field."_swish", my_unac_string($codepage,$swish_data));
532                                  }                                  }
533    
534                                  my $swish_exact_data = $cache->{swish_exact_data}->{$field}->[$page];                                  my $swish_exact_data = $cache->{swish_exact_data}->{$field}->[$page];
# Line 500  sub data2xml { Line 538  sub data2xml {
538    
539                                          # add delimiters before and after word.                                          # add delimiters before and after word.
540                                          # That is required to produce exact match                                          # That is required to produce exact match
541                                          $xml .= xmlify($field."_swish_exact", unac_string($codepage,$swish_exact_data));                                          $xml .= xmlify($field."_swish_exact", my_unac_string($codepage,$swish_exact_data));
542                                  }                                  }
543                                                                    
544                                  my $idel = $cache->{index_delimiter}->{$field};                                  my $idel = $cache->{index_delimiter}->{$field};
# Line 533  sub data2xml { Line 571  sub data2xml {
571                                  $swish_data =~ s/ +/ /g;                                  $swish_data =~ s/ +/ /g;
572                                  $swish_data =~ s/ +$//g;                                  $swish_data =~ s/ +$//g;
573    
574                                  $xml .= xmlify($field."_swish", unac_string($codepage,$swish_data));                                  $xml .= xmlify($field."_swish", my_unac_string($codepage,$swish_data));
575                          }                          }
576    
577                          if ($swish_exact_data) {                          if ($swish_exact_data) {
# Line 542  sub data2xml { Line 580  sub data2xml {
580    
581                                  # add delimiters before and after word.                                  # add delimiters before and after word.
582                                  # That is required to produce exact match                                  # That is required to produce exact match
583                                  $xml .= xmlify($field."_swish_exact", unac_string($codepage,$swish_exact_data));                                  $xml .= xmlify($field."_swish_exact", my_unac_string($codepage,$swish_exact_data));
584                          }                          }
585                  }                  }
586          }          }
# Line 579  $index = new index_DBI( Line 617  $index = new index_DBI(
617    
618  my $show_progress = $cfg_global->val('global', 'show_progress');  my $show_progress = $cfg_global->val('global', 'show_progress');
619    
620  my $unac_filter = $cfg_global->val('global', 'unac_filter');  my $my_unac_filter = $cfg_global->val('global', 'my_unac_filter');
621  if ($unac_filter) {  if ($my_unac_filter) {
622          require $unac_filter;          print STDERR "using $my_unac_filter to filter characters for search\n";
623            require $my_unac_filter;
624    } else {
625            print STDERR "### fallback to default my_unac_string!\n";
626            eval q{
627            sub main::my_unac_string($$) {
628                    my ($charset, $string) = (@_);
629                    return $string;
630            }
631            };
632  }  }
633    
634  foreach my $database ($cfg->Sections) {  foreach my $database ($cfg->Sections) {
# Line 593  foreach my $database ($cfg->Sections) { Line 640  foreach my $database ($cfg->Sections) {
640          my $lookup_file = $cfg -> val($database, 'lookup_newfile'); # optional          my $lookup_file = $cfg -> val($database, 'lookup_newfile'); # optional
641          if ($lookup_file) {          if ($lookup_file) {
642                  #tie %lhash, 'GDBM_File', $lookup_file, &GDBM_NEWDB, 0644;                  #tie %lhash, 'GDBM_File', $lookup_file, &GDBM_NEWDB, 0644;
643                    if (! -e $lookup_file) {
644                            open(LOOKUP, "> $lookup_file") || die "can't create $lookup_file': $!";
645                            close(LOOKUP);
646                    }
647                  tie %lhash, 'TDB_File', $lookup_file, TDB_CLEAR_IF_FIRST, O_RDWR, 0644;                  tie %lhash, 'TDB_File', $lookup_file, TDB_CLEAR_IF_FIRST, O_RDWR, 0644;
648                  print STDERR "creating lookup file '$lookup_file'\n";                  print STDERR "creating lookup file '$lookup_file'\n";
649                  # delete memory cache for lookup file                  # delete memory cache for lookup file
# Line 613  print STDERR "reading ./import_xml/$type Line 664  print STDERR "reading ./import_xml/$type
664          my $type_base = $type;          my $type_base = $type;
665          $type_base =~ s/_.+$//g;          $type_base =~ s/_.+$//g;
666    
667          $config=XMLin("./import_xml/$type.xml", forcearray => [ $type2tag{$type_base}, 'config', 'format' ], forcecontent => 1);          $config=XMLin("./import_xml/$type.xml", ForceArray => [ $type2tag{$type_base}, 'config', 'format' ], ForceContent => 1 );
668    
669            # helper for progress bar
670            sub fmt_time {
671                    my $t = shift || 0;
672                    my $out = "";
673    
674                    my ($ss,$mm,$hh) = gmtime($t);
675                    $out .= "${hh}h" if ($hh);
676                    $out .= sprintf("%02d:%02d", $mm,$ss);
677                    $out .= "  " if ($hh == 0);
678                    return $out;
679            }
680    
681          # output current progress indicator          # output current progress indicator
682          my $last_p = 0;          my $last_p = 0;
683            my $start_t = time();
684          sub progress {          sub progress {
685                  return if (! $show_progress);                  return if (! $show_progress);
686                  my $current = shift;                  my $current = shift;
687                  my $total = shift || 1;                  my $total = shift || 1;
688                  my $p = int($current * 100 / $total);                  my $p = int($current * 100 / $total);
689                  if ($p != $last_p) {                  if ($p < $last_p || $current == 1) {
690                          printf STDERR ("%5d / %5d [%-51s] %-2d %% \r",$current,$total,"=" x ($p/2).">", $p );                          $start_t = time();
691                            $last_p = 0;
692                    } elsif ($p != $last_p) {
693                            my $rate = ($current / (time() - $start_t || 1));
694                            my $eta = ($total-$current) / ($rate || 1);
695                            printf STDERR ("%5d [%-38s] %-5d %0.1f/s %s\r",$current,"=" x ($p/3)."$p%>", $total, $rate, fmt_time($eta));
696                          $last_p = $p;                          $last_p = $p;
697                  }                  }
698          }          }
699    
700          my $fake_dir = 1;          my $fake_dir = 1;
701            my $fake_pos = 0;
702            my $last_fake_t = time();
703          sub fakeprogress {          sub fakeprogress {
704                  return if (! $show_progress);                  return if (! $show_progress);
705                  my $current = shift @_;                  my $current = shift @_;
706    
707                  my @ind = ('-','\\','|','/','-','\\','|','/', '-');                  my @ind = ('-','\\','|','/','-','\\','|','/');
708    
709                    if ($current < $fake_pos) {
710                            $start_t = time();
711                            $last_fake_t = 0;
712                            $fake_dir = 1;
713                            $fake_pos = 0;
714                    }
715    
716                  $last_p += $fake_dir;                  if (time()-$last_fake_t >= 1) {
717                  $fake_dir = -$fake_dir if ($last_p > 1000 || $last_p < 0);                          $last_fake_t = time();
718                  if ($last_p % 10 == 0) {                          $fake_pos += $fake_dir;
719                          printf STDERR ("%5d / %5s [%-51s]\r",$current,"?"," " x ($last_p/20).$ind[($last_p/20) % $#ind]);                          $fake_dir = -$fake_dir if ($fake_pos > 38);
720                    }
721    
722                    if ($current % 10 == 0) {
723                            my $rate = ($current / (time() - $start_t || 1));
724                            printf STDERR ("%5d [%-38s] %0.1f/s\r",$current, " " x $fake_pos .$ind[($current / 10) % 8], $rate);
725                  }                  }
726          }          }
727    
# Line 653  print STDERR "using: $type...\n"; Line 736  print STDERR "using: $type...\n";
736                  my $isis_db = $cfg -> val($database, 'isis_db') || die "$database doesn't have 'isis_db' defined!";                  my $isis_db = $cfg -> val($database, 'isis_db') || die "$database doesn't have 'isis_db' defined!";
737    
738                  $import2cp = Text::Iconv->new($config->{isis_codepage},$codepage);                  $import2cp = Text::Iconv->new($config->{isis_codepage},$codepage);
739                  my $db = OpenIsis::open( $isis_db );                  my $db = new Biblio::Isis( isisdb => $isis_db );
740    
741                  # check if .txt database for OpenIsis is zero length,                  my $max_rowid = $db->count;
                 # if so, erase it and re-open database  
                 sub check_txt_db {  
                         my $isis_db = shift || die "need isis database name";  
                         my $reopen = 0;  
   
                         if (-e $isis_db.".TXT") {  
                                 print STDERR "WARNING: removing $isis_db.TXT OpenIsis database...\n";  
                                 unlink $isis_db.".TXT" || warn "FATAL: unlink error on '$isis_db.TXT': $!";  
                                 $reopen++;  
                         }  
                         if (-e $isis_db.".PTR") {  
                                 print STDERR "WARNING: removing $isis_db.PTR OpenIsis database...\n";  
                                 unlink $isis_db.".PTR" || warn "FATAL: unlink error on '$isis_db.PTR': $!";  
                                 $reopen++;  
                         }  
                         return OpenIsis::open( $isis_db ) if ($reopen);  
                 }  
   
                 # EOF error  
                 if ($db == -1) {  
                         $db = check_txt_db($isis_db);  
                         if ($db == -1) {  
                                 print STDERR "FATAL: OpenIsis can't open zero size file $isis_db\n";  
                                 next;  
                         }  
                 }  
742    
743                  # OpenIsis::ERR_BADF                  if (! $max_rowid) {
744                  if ($db == -4) {                          print STDERR "FATAL: can't read ISIS database: $isis_db, skipping...\n";
                         print STDERR "FATAL: OpenIsis can't find file $isis_db\n";  
                         next;  
                 # OpenIsis::ERR_IO  
                 } elsif ($db == -5) {  
                         print STDERR "FATAL: OpenIsis can't access file $isis_db\n";  
                         next;  
                 } elsif ($db < 0) {  
                         print STDERR "FATAL: OpenIsis unknown error $db with file $isis_db\n";  
745                          next;                          next;
746                  }                  }
747    
                 my $max_rowid = OpenIsis::maxRowid( $db );  
   
                 # if 0 records, try to rease isis .txt database  
                 if ($max_rowid == 0) {  
                         # force removal of database  
                         $db = check_txt_db($isis_db);  
                         $max_rowid = OpenIsis::maxRowid( $db );  
                 }  
   
748                  print STDERR "Reading database: $isis_db [$max_rowid rows]\n";                  print STDERR "Reading database: $isis_db [$max_rowid rows]\n";
749    
750                  my $path = $database;                  $path = $database;
751    
752                  for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {                  for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {
753                          my $row = OpenIsis::read( $db, $row_id );                          my $row = $db->to_hash( $row_id );
754                          if ($row && $row->{mfn}) {                          if ($row) {
755            
756                                    $row->{mfn} = $row_id;
757                                    $row->{record} = $db->{record};
758    
759                                  progress($row->{mfn}, $max_rowid);                                  progress($row->{mfn}, $max_rowid);
760    
761                                  my $swishpath = $path."#".int($row->{mfn});                                  my $swishpath = $path."#".int($row->{mfn});
# Line 726  print STDERR "using: $type...\n"; Line 769  print STDERR "using: $type...\n";
769                                  }                                  }
770                          }                          }
771                  }                  }
                 # for this to work with current version of OpenIsis (0.9.0)  
                 # you might need my patch from  
                 # http://www.rot13.org/~dpavlin/projects/openisis-0.9.0-perl_close.diff  
                 OpenIsis::close($db);  
772                  print STDERR "\n";                  print STDERR "\n";
773    
774          } elsif ($type_base eq "excel") {          } elsif ($type_base eq "excel") {
# Line 763  print STDERR "using: $type...\n"; Line 802  print STDERR "using: $type...\n";
802                          for(my $iC = $oWorksheet->{MinCol} ; defined $oWorksheet->{MaxCol} && $iC <= $oWorksheet->{MaxCol} ; $iC++) {                          for(my $iC = $oWorksheet->{MinCol} ; defined $oWorksheet->{MaxCol} && $iC <= $oWorksheet->{MaxCol} ; $iC++) {
803                                  my $cell = $oWorksheet->{Cells}[$iR][$iC];                                  my $cell = $oWorksheet->{Cells}[$iR][$iC];
804                                  if ($cell) {                                  if ($cell) {
805                                          $row->{int2col($iC)} = $cell->Value;                                          # this conversion is a cludge.
806                                            # Files from Excell could have
807                                            # characters which don't fit into
808                                            # destination encoding.
809                                            $row->{int2col($iC)} = $utf2cp->convert($cell->Value) || $cell->Value;
810                                  }                                  }
811                          }                          }
812    
# Line 789  print STDERR "using: $type...\n"; Line 832  print STDERR "using: $type...\n";
832                  }                  }
833          } elsif ($type_base eq "marc") {          } elsif ($type_base eq "marc") {
834    
835                  require MARC;                  require MARC::File::USMARC;
836                                    
837                  $import2cp = Text::Iconv->new($config->{marc_codepage},$codepage);                  $import2cp = Text::Iconv->new($config->{marc_codepage},$codepage);
838                  my $marc_file = $cfg -> val($database, 'marc_file') || die "$database doesn't have 'marc_file' defined!";                  my $marc_file = $cfg -> val($database, 'marc_file') || die "$database doesn't have 'marc_file' defined!";
839    
840                  # optional argument is format                  # optional argument is format
841                  my $format = x($config->{marc_format}) || 'usmarc';                  warn "marc_format is no longer used!" if ($config->{marc_format});
   
842                  print STDERR "Reading MARC file '$marc_file'\n";                  print STDERR "Reading MARC file '$marc_file'\n";
843    
844                  my $marc = new MARC;                  my $marc = MARC::File::USMARC->in( $marc_file );
                 my $nr = $marc->openmarc({  
                                 file=>$marc_file, format=>$format  
                         }) || die "Can't open MARC file '$marc_file' with format '$format'";  
845    
846                  # read MARC file in memory                  if (! $marc) {
847                  $marc->nextmarc(-1);                          print STDERR "FATAL: can't read MARC file: $marc_file, skipping...\n";
848                            next;
849                    }
850    
851                    # count records in MARC file
852                    sub marc_count {
853                            my $filename = shift || die;
854                            my $file = MARC::File::USMARC->in($filename) || return;
855                            my $count = 0;
856                            while ($file->skip()) {
857                                    $count++;
858                            }
859                            return $count;
860                    }
861    
862                  my $max_rec = $marc->marc_count();                  my $count = marc_count($marc_file) || warn "no records in '$marc_file'?";
863    
864                  for(my $i=1; $i<=$max_rec; $i++) {                  my $i = 1;
865    
866                          progress($i,$max_rec);                  while( my $rec = $marc->next() ) {
867    
868                          # store value for marc_sf.pm                          progress($i,$count);
                         $main::cache->{marc_record} = $i;  
869    
870                          my $swishpath = $database."#".$i;                          my $swishpath = $database."#".$i;
871    
872                          if (my $xml = data2xml($type_base,$marc,$add_xml,$cfg,$database)) {                          if (my $xml = data2xml($type_base,$rec,$add_xml,$cfg,$database)) {
873                                  $xml = $cp2utf->convert($xml);                                  $xml = $cp2utf->convert($xml);
874                                  use bytes;      # as opposed to chars                                  use bytes;      # as opposed to chars
875                                  print "Path-Name: $swishpath\n";                                  print "Path-Name: $swishpath\n";
876                                  print "Content-Length: ".(length($xml)+1)."\n";                                  print "Content-Length: ".(length($xml)+1)."\n";
877                                  print "Document-Type: XML\n\n$xml\n";                                  print "Document-Type: XML\n\n$xml\n";
878                          }                          }
879    
880                            $i++;
881                  }                  }
882    
883                  print STDERR "\n";                  print STDERR "\n";
# Line 883  __END__ Line 936  __END__
936    
937  all2xml.pl - read various file formats and dump XML for SWISH-E  all2xml.pl - read various file formats and dump XML for SWISH-E
938    
939    =head1 SYNOPSYS
940    
941     $ all2xml.pl [test.conf]
942    
943  =head1 DESCRIPTION  =head1 DESCRIPTION
944    
945  This command will read ISIS data file using OpenIsis perl module, MARC  This command will read ISIS data file using Biblio::Isis perl module, MARC
946  records using MARC module and optionally Micro$oft Excel files to  records using MARC::File module and optionally Micro$oft Excel files to
947  create one XML file for usage with I<SWISH-E> indexer. Dispite it's name,  create one XML file for usage with I<SWISH-E> indexer. Dispite it's name,
948  this script B<isn't general xml generator> from isis files (isis allready  this script B<isn't general xml generator> from isis files (isis allready
949  has something like that). Output of this script is tailor-made for SWISH-E.  has something like that). Output of this script is tailor-made for SWISH-E.
950    
951    If no configuration file is specified, it will use default one called
952    C<all2xml.conf>.
953    
954  =head1 BUGS  =head1 BUGS
955    
956  Documentation is really lacking. However, in true Open Source spirit, source  Documentation is really lacking. However, in true Open Source spirit, source

Legend:
Removed from v.276  
changed lines
  Added in v.652

  ViewVC Help
Powered by ViewVC 1.1.26