/[webpac]/trunk2/all2all.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 /trunk2/all2all.pl

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

trunk/all2xml.pl revision 10 by dpavlin, Thu Jan 16 17:35:54 2003 UTC trunk2/all2all.pl revision 561 by dpavlin, Sat Oct 30 23:24:54 2004 UTC
# Line 1  Line 1 
1  #!/usr/bin/perl -w  #!/usr/bin/perl -w
2    
3  use strict;  =head1 NAME
 use OpenIsis;  
 use Getopt::Std;  
 use Data::Dumper;  
 use XML::Simple;  
 use Text::Unaccent 1.02;        # 1.01 won't compile on my platform,  
 use Text::Iconv;  
   
   
 $|=1;  
   
 my $config;  
   
 $config=XMLin(undef, forcearray => [ 'isis' ], forcecontent => 1);  
   
 use index_DBI;  # there is no other, right now ;-)  
   
 my $index = new index_DBI();    # open index  
   
 my %opts;  
   
 # usage:  
 #       -d directory name  
 #       -m multiple directories  
 #       -q quiet  
 #       -s run swish  
   
 getopts('d:m:qs', \%opts);  
   
 my $db_dir = $opts{d} || "ps";  # FIX  
   
 #die "usage: $0 -d [database_dir] -m [database1,database2] " if (! %opts);  
   
 #print Dumper($config->{indexer});  
 #print "-" x 70,"\n";  
   
 Text::Iconv->raise_error(1);     # Conversion errors raise exceptions  
   
 my $isis_codepage = Text::Iconv->new($config->{isis_codepage},'UTF8');  
 my $index_codepage = Text::Iconv->new($config->{isis_codepage},$config->{index_codepage});  
 my $cludge_codepage = Text::Iconv->new('UTF8','ISO8859-1');  
   
 sub isis2xml {  
   
         use xmlify;  
4    
5          my $row = shift @_;  all2all.pl - basic script for all WebPAC needs
6    
7          my $xml;  =cut
         $xml .= xmlify('db_dir',$db_dir);       # FIX remove?  
8    
9          use parse_format;  use strict;
10    use locale;
11    use YAML;
12    use Carp;
13    use Getopt::Long;
14    use Text::Unaccent 1.02;
15    
16    use lib './lib';
17    use WebPAC;
18    use WebPAC::jsFind;
19    use WebPAC::Index;
20    use WebPAC::Tree;
21    
22    # options which can be changed via command line
23    #
24    my $code_page = 'ISO-8859-2';
25    my ($limit_mfn, $start_mfn, $debug, $low_mem);
26    my $index_path = './out/index';
27    
28    my $result = GetOptions(
29            "code_page=s"   => \$code_page,
30            "limit_mfn=i"   => \$limit_mfn,
31            "start_mfn=i"   => \$start_mfn,
32            "debug!"        => \$debug,
33            "low_mem!"      => \$low_mem,
34    );
35    
36    my $filter = {
37            'CROVOC' => sub {
38                    my $tmp = shift || return;
39                    return undef unless ($tmp =~ s/\s*CROVOC.*$/ #C#/);
40                    # remove repeating stars
41                    # FIXME this should be fixed at right place, not here!
42                    $tmp =~ s/(\s*#C#)+/ #C#/g;
43                    return $tmp;
44            },
45            'CROVOC_tree' => sub {
46                    my $tmp = shift || return;
47                    $tmp =~ s/\s*CROVOC.*$/ <img src="img\/crovoc.png" border="0">/;
48                    $tmp =~ s/\s*EUROVOC.*//;
49                    return $tmp;
50            },
51            # TT filter
52            'CROVOC_img' => sub {
53                    my $tmp = shift;
54                    $tmp =~ s/\s*#C#\s*/ <img src="..\/img\/crovoc.png" border="0">/gis;
55                    return $tmp;
56            }
57    };
58    
59    ## remove accented characters
60    #
61    sub unac {
62            my $string = shift || return;
63            $string = unac_string($code_page,$string);
64            $string =~ tr/ðÐ/dD/;
65            $string = unac_entities($string);
66            return $string;
67    }
68    sub unac_2 {
69            my $string = shift || return;
70            if (length($string) > 2) {
71                    my $pr = substr($string,0,2);
72                    $string = unac_string($code_page,substr($string,2));
73                    $string =~ tr/ðÐ/dD/;
74                    $string = $pr . $string;
75            }
76            $string = unac_entities($string);
77            return lc($string);
78    }
79    
80          foreach my $field (keys %{$config->{indexer}}) {  sub unac_entities {
81            my $ent = shift || return;
82    
83                  my $swish_data = "";          $ent =~ s/&(\w)(acute|cedil|circ|grave|ring|slash|tilde|uml);/$1/gi;
84                  my $display_data = "";          $ent =~ s/&eth;/d/g;
85                  my $index_data = "";          $ent =~ s/&E[tT][hH];/D/g;
86            $ent =~ s/&(\w\w)lig;/$1/gi;
87    
88                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {          return $ent;
89    }
90    
91                          my $format = $x->{content};  # create WebPAC object
92                          my ($s,$d,$i) = (1,1,0);        # swish, display default  #
93                          $s = 0 if (lc($x->{type}) eq "display");  my $webpac = new WebPAC(
94                          $d = 0 if (lc($x->{type}) eq "swish");          code_page => $code_page,
95                          ($s,$d,$i) = (0,0,1) if (lc($x->{type}) eq "index");          limit_mfn => $limit_mfn,
96  #print STDERR "## s: $s d: $d i: $i ## $format ##\n";            start_mfn => $start_mfn,
97            debug => $debug,
98            low_mem => $low_mem,
99            filter => $filter,
100    ) || die;
101    
102    my $log = $webpac->_get_logger() || die "can't get logger";
103    
104    $log->debug("creating WebPAC::jsFind object");
105    
106    my $index = new WebPAC::jsFind(
107            index_path => $index_path,
108            keys => 62,
109    ) || die;
110    
111                          $format = $cludge_codepage->convert($format);  my $thes;
                         my ($swish,$display) = parse_format($format,$row);  
 #print STDERR "s: $swish\nd: $display\n" if ($swish);  
112    
113  #print STDERR "swish: $swish<-- display: $display<--\n";  $|=1;
                         # FIX: this is ugly, UGLY, cludge: OpenIsis return  
                         # UTF8 encoding of strings, but as if source charset  
                         # is ISO8859-1 and not some other. This breaks our  
                         # isis character encoding, so we convert it first  
                         # back to ISO8859-1 (which can actually be different  
                         # encoding in isis)  
114    
115                          $swish_data .= $swish if ($s && $swish);  my $maxmfn = $webpac->open_isis(
116                          $display_data .= $display if ($d && $display);          filename => shift @ARGV || '/data/hidra/THS/THS',
117                          $index_data .= $display if ($i && $display);          lookup => [
118                  }          { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
119    #       { 'eval' => '"v901^a" eq "Podruèje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
120    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
121    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
122            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
123            { 'key' => '900_mfn:v900', 'val' => 'v000' },
124            # tree structure
125            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', 'key' => 'root:v251', 'val' => 'v900' },
126            { 'eval' => '"v251"', 'key' => 'code:v900', 'val' => 'v561^4:v251' },
127            { 'eval' => '"v561^4" && "v562^4"', 'key' => 'code:v900', 'val' => 'v561^4:v562^4' },
128            ],
129    );
130    
131    $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
132    
133    $log->info("rows: $maxmfn");
134    
135    $webpac->open_import_xml(type => 'isis_hidra_ths');
136    
137    if(1) { # XXX
138    
139    while (my $rec = $webpac->fetch_rec) {
140    
141            my @ds = $webpac->data_structure($rec);
142    
143            if (0 && $log->is_debug) {
144                    $log->debug("rec = ",Dump($rec));
145                    $log->debug("ds = ",Dump(\@ds));
146            }
147    
148  #print STDERR "s_d: $swish_data\nd_d: $display_data\n" if ($swish_data);          next if (! @ds);
                 if ($display_data) {  
                         $display_data = $isis_codepage->convert($display_data)."##" || $display_data;  
                         $xml .= xmlify($field."_display", $display_data);  
                 }  
                 if ($swish_data) {  
                         my $i = Text::Iconv->new($config->{isis_codepage},'ISO8859-2');  
                         $swish_data = $i->convert($swish_data);  
                         $xml .= xmlify($field."_swish",unac_string('ISO8859-2',$swish_data));  
                         #$swish_data = $isis_codepage->convert($swish_data)."##" || $swish_data;  
                         #$xml .= xmlify($field."_swish",unac_string($config->{isis_codepage},$swish_data));  
                 }  
149    
150                  # index          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
                 if ($index_data && $index_data ne "") {  
                         $index_data = $index_codepage->convert($index_data) || $index_data;  
                         $index->insert($field, $index_data, $db_dir);  
                 }  
151    
152          }          if ($filename) {
153          if ($xml) {                  $webpac->output_file(
154  #print STDERR "x: $xml\n";                          file => $filename,
155                  return "<xml>\n$xml</xml>\n";                          template => 'html.tt',
156                            data => \@ds,
157                            headline => $webpac->{'headline'},
158                    );
159          } else {          } else {
160                  return;                  print $webpac->output(
161                            template => 'text.tt',
162                            data => \@ds,
163                            headline => $webpac->{'headline'},
164                    );
165          }          }
 }  
166    
167  ##########################################################################          my $headline = $webpac->{'headline'};
   
 my $last_tell=0;  
   
 my @isis_dirs = ( '.' );        # use dirname as database name  
   
 if ($opts{m}) {  
         @isis_dirs = split(/,/,$opts{m});  
 }  
168    
169  my @isis_dbs;          my $f = $filename;
170            $f =~ s!out/!!;
171    
172  foreach (@isis_dirs) {          # save into index
173          if (-e $config->{isis_data}."/$db_dir/$_/LIBRI") {          foreach my $ds (@ds) {
174                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/LIBRI/LIBRI";                  next if (! $ds->{'swish'});
175    
176                    # strip all non word characters from beginning or end
177                    # of word
178                    my $words = join(" ",@{$ds->{'swish'}});
179                    $words =~ s/^\W+//;
180                    $words =~ s/\W*\s+\W*/ /g;
181                    $words =~ s/\W+$//;
182    
183                    # first try to generate headline for this entry from index
184                    my $h = $ds->{'index'}->[0];
185                    # then, from display
186                    $h ||= $ds->{'display'}->[0];
187                    # and as last resport, fallback to headline
188                    $h ||= $headline;
189    
190                    $index->insert(
191                            index_name => $ds->{'tag'},
192                            #path => $f,
193                            path => $webpac->mfn,
194                            headline => $h,
195                            words => unac($words),
196                    );
197          }          }
         if (-e $config->{isis_data}."/$db_dir/$_/PERI") {  
                 push @isis_dbs,$config->{isis_data}."/$db_dir/$_/PERI/PERI";  
         }  
         if (-e $config->{isis_data}."/$db_dir/$_/AMS") {  
                 push @isis_dbs,$config->{isis_data}."/$db_dir/$_/AMS/AMS";  
         }  
         if (-e $config->{isis_data}."/$db_dir/$_/ARTI") {  
 #               push @isis_dbs,$config->{isis_data}."/$db_dir/$_/ARTI/ARTI";  
         }  
 }  
198    
199  print STDERR "FATAL: Can't find isis database.\nPerhaps isis_data (".$config->{isis_data}.") has wrong value?\n" if (! @isis_dbs);          # save into sorted index (thesaurus)
200            foreach my $ds (@ds) {
201                    next if (! $ds->{'index'});
202    
203                    $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
204    
205                    foreach my $h (@{$ds->{'index'}}) {
206                            $thes->{$ds->{'tag'}}->insert(
207                                    sort_by => unac_2($h),
208                                    mfn => $webpac->mfn,
209                                    headline => $h,
210                            );
211                    }
212            }
213    
214  my $db;  #       print Dump(\@ds);
215    
216  foreach my $isis_db (@isis_dbs) {  }
217    
218    foreach my $t (keys %{$thes}) {
219    
220          my $db = OpenIsis::open( $isis_db );          my @e = $thes->{$t}->elements;
221          if (0) {          if (! @e) {
222  #       # FIX                  $log->logwarn("no elements in sorted index $t?");
223  #       if (! $db ) {                  next;
                 print STDERR "WARNING: can't open '$isis_db'\n";  
                 next ;  
224          }          }
225    
226          my $max_rowid = OpenIsis::maxRowid( $db );          my $file = "./out/bfilter/$t.txt";
227            $log->info("saving sorted index $t to '$file' [".scalar(@e)." elements]");
228    
229          print STDERR "Reading database: $isis_db [$max_rowid rows]\n";          $webpac->output_file(
230                    file => $file,
231          my $path = $isis_db;                  template => 'index.tt',
232          $path =~ s#$config->{isis_data}/*##g;                  data => \@e,
233                    index_name => $t,
234          my $last_p = 0;          );
235    }
 #       { my $row_id = 4514;  
 # FIX  
         for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {  
                 my $row = OpenIsis::read( $db, $row_id );  
                 if ($row && $row->{mfn}) {  
 #print STDERR "mfn: ",$row->{mfn},"\n";  
                         # output current process indicator  
                         my $p = int($row->{mfn} * 100 / $max_rowid);  
                         if ($p != $last_p) {  
                                 printf STDERR ("%5d / %5d [%-51s] %-2d %% \r",$row->{mfn},$max_rowid,"=" x ($p/2).">", $p ) if (! $opts{q});  
                                 $last_p = $p;  
                         }  
236    
237                          if (my $xml = isis2xml($row)) {  if (0 && $log->is_debug) {
238  #print STDERR "--ret-->$xml\n";          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
239                                  print "Path-Name: $path#".int($row->{mfn})."\n";          $log->debug("data hash: ",Dump($webpac->{'data'}));
240                                  print "Content-Length: ".(length($xml)+1)."\n";          foreach my $t (keys %{$thes}) {
241                                  print "Document-Type: XML\n\n$xml\n";                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
                         }  
                 }  
242          }          }
         print STDERR "\n";  
243  }  }
244    
245  # call this to commit index  } # XXX if(0)
 $index->close;  
   
 1;  
 __END__  
 ##########################################################################  
246    
247  =head1 NAME  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
248    
249  isis2xml.pl - read isis file and dump XML  $log->info("creating tree");
250    
251  =head1 DESCRIPTION  #
252    # define tree structure
253    #
254    
255    my $l = $webpac->{'lookup'} || $log->logconfess("can't find lookup");
256    
257    my @tree = ({
258            # level 0
259            code_arr        => sub { sort keys %{$l} },
260            filter_code     => sub {
261                                            my $t = shift;
262                                            return $t if ($t =~ s/root://);
263                                    },
264            lookup_v900     => sub { shift @{$l->{"root:".$_[0]}} },
265            lookup_term     => sub { shift @{$l->{"d:".$_[1]}} },
266            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[1]}} },
267            have_children   => sub { return $l->{"a:".$_[0]."::"} },
268            have_children_at_level => sub {
269                                    return unless (defined($l->{"code:".$_[1]}));
270                                    my $code = shift @{$l->{"code:".$_[1]}};
271                                    print STDERR "## $_[1] -> $code\n";
272                                    return undef unless($code);
273                                    return(9, $l->{"a:$code:"} ) if (defined($l->{"a:$code:"}));
274                            },
275            style           => 'display: none',
276            },{
277            # 1
278            code_arr        => sub { @{$_[0]} },
279            filter_code     => sub { shift },       # nop
280            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
281            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
282            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
283            have_children   => sub { return $l->{"a:".$_[1].":"} },
284            style           => 'display: none',
285            },{
286            # 2
287            code_arr        => sub { @{$_[0]} },
288            filter_code     => sub { shift },
289            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
290            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
291            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
292            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
293            #style          => 'display: none',
294            },{
295            # 3 u¾i pojam
296            code_arr        => sub { @{$_[0]} },
297            filter_code     => sub { shift },
298            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
299            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
300            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
301            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
302            },{
303            # 4
304            code_arr        => sub { @{$_[0]} },
305            filter_code     => sub { shift },
306            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
307            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
308            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
309            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
310            },{
311            # 5
312            code_arr        => sub { @{$_[0]} },
313            filter_code     => sub { shift },
314            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
315            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
316            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
317            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
318            },{
319            # 6
320            code_arr        => sub { @{$_[0]} },
321            filter_code     => sub { shift },
322            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
323            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
324            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
325            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
326            },{
327            # 7
328            code_arr        => sub { @{$_[0]} },
329            filter_code     => sub { shift },
330            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
331            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
332            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
333            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
334            },{
335            # 8
336            code_arr        => sub { @{$_[0]} },
337            filter_code     => sub { shift },
338            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
339            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
340            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
341    #       have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
342            have_children   => sub { 0 },
343            },{
344            # 9 - level which is never reached except explicitly
345            code_arr        => sub { @{$_[0]} },
346            filter_code     => sub { shift },
347            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
348            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
349            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
350            have_children   => sub { 0 },
351            have_children_at_level => sub { defined($l->{"a:".$_[1].":".$_[0]}) && return (9,$l->{"a:".$_[1].":".$_[0]}) },
352            },{
353    });
354    
355    my $tree = new WebPAC::Tree(
356            tree => \@tree,
357    );
358    
359    $tree->output(
360            dir => './out',
361            html => 'browse.html',
362            template => './output_template/tree.tt',
363            js => 'tree-ids.js',
364    );
365    
366    $tree->output(
367            dir => './eurovoc',
368            html => 'hijerarhija.html',
369            template => './output_template/hijerarhija.tt',
370            js => 'tree-ids.js',
371    );
372    
 This command will read ISIS data file using OpenIsis perl module and  
 create XML file for usage with I<SWISH-E>  
 indexer. Dispite it's name, this script B<isn't general xml generator>  
 from isis files (isis allready has something like that). Output of this  
 script is tailor-made for SWISH-E.  
373    
374  =head1 AUTHOR  $log->info("closing index");
375    $index->close;
 Dobrica Pavlinusic <dpavlin@rot13.org>  
   
 =head1 COPYRIGHT  
   
 GNU Public License (GPL) v2 or later  
   
 =head1 SEE ALSO  
   
 SWISH-E web site at http://www.swish-e.org  
376    
377  =cut  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));
Legend:
Removed from v.10  
changed lines
  Added in v.561
  ViewVC Help
Powered by ViewVC 1.1.26