/[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 13 by dpavlin, Sun Feb 16 22:41:37 2003 UTC trunk2/all2all.pl revision 575 by dpavlin, Mon Nov 1 18:00:26 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;  
 use Config::IniFiles;  
   
 $|=1;  
   
 my $config_file = $0;  
 $config_file =~ s/\.pl$/.conf/;  
 die "FATAL: can't find configuration file '$config_file'" if (! -e $config_file);  
   
 my $config;  
   
 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;  
   
 #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 $isis_codepage;  
 my $index_codepage;  
 my $cludge_codepage = Text::Iconv->new('UTF8','ISO8859-1');  
 my $xml_codepage;  
   
 sub isis2xml {  
   
         use xmlify;  
4    
5          my $row = shift @_;  all2all.pl - basic script for all WebPAC needs
         my $add_xml = shift @_;  
6    
7          my $xml;  =cut
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                    $tmp =~ s/\s*HIDRA.*//;
40                    return undef unless ($tmp =~ s/\s*CROVOC.*$/ #C#/);
41                    # remove repeating stars
42                    # FIXME this should be fixed at right place, not here!
43                    $tmp =~ s/(\s*#C#)+/ #C#/g;
44                    return $tmp;
45            },
46            'CROVOC_tree' => sub {
47                    my $tmp = shift || return;
48                    $tmp =~ s/\s*CROVOC.*$/ <img src="img\/crovoc.png" border="0">/;
49                    $tmp =~ s/\s*EUROVOC.*//;
50                    $tmp =~ s/\s*HIDRA.*//;
51                    return $tmp;
52            },
53            # TT filter
54            'CROVOC_img' => sub {
55                    my $tmp = shift;
56                    $tmp =~ s/\s*#C#\s*/ <img src="..\/img\/crovoc.png" border="0">/gis;
57                    $tmp =~ s/"img\/crovoc.png"/"..\/img\/crovoc.png"/gis;
58                    return $tmp;
59            }
60    };
61    
62          my $html = "";          # html formatted display output  ## remove accented characters
63    #
64    sub unac {
65            my $string = shift || return;
66            $string = unac_string($code_page,$string);
67            $string =~ tr//dD/;
68            $string = unac_entities($string);
69            return $string;
70    }
71    sub unac_2 {
72            my $string = shift || return;
73            if (length($string) > 2) {
74                    my $pr = substr($string,0,2);
75                    $string = unac_string($code_page,substr($string,2));
76                    $string =~ tr//dD/;
77                    $string = $pr . $string;
78            }
79            $string = unac_entities($string);
80            return lc($string);
81    }
82    
83          my %field_usage;        # counter for usage of each field  sub unac_entities {
84            my $ent = shift || return;
85    
86          foreach my $field (keys %{$config->{indexer}}) {          $ent =~ s/&(\w)(acute|cedil|circ|grave|ring|slash|tilde|uml);/$1/gi;
87            $ent =~ s/&eth;/d/g;
88            $ent =~ s/&E[tT][hH];/D/g;
89            $ent =~ s/&(\w\w)lig;/$1/gi;
90    
91                  $field_usage{$field}++;          return $ent;
92    }
93    
94                  my $swish_data = "";  # create WebPAC object
95                  my $display_data = "";  #
96                  my $index_data = "";  my $webpac = new WebPAC(
97            code_page => $code_page,
98            limit_mfn => $limit_mfn,
99            start_mfn => $start_mfn,
100            debug => $debug,
101            low_mem => $low_mem,
102            filter => $filter,
103    ) || die;
104    
105    my $log = $webpac->_get_logger() || die "can't get logger";
106    
107    $log->debug("creating WebPAC::jsFind object");
108    
109    my $index = new WebPAC::jsFind(
110            index_path => $index_path,
111            keys => 62,
112    ) || die;
113    
114                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {  my $thes;
115    
116                          my $format = $x->{content};  $|=1;
                         my ($s,$d,$i) = (1,1,0);        # swish, display default  
                         $s = 0 if (lc($x->{type}) eq "display");  
                         $d = 0 if (lc($x->{type}) eq "swish");  
                         ($s,$d,$i) = (0,0,1) if (lc($x->{type}) eq "index");  
 #print STDERR "## s: $s d: $d i: $i ## $format ##\n";    
117    
118                          $format = $cludge_codepage->convert($format);  my $maxmfn = $webpac->open_isis(
119                          my ($swish,$display) = parse_format($format,$row);          filename => shift @ARGV || '/data/hidra/THS/THS',
120  #print STDERR "s: $swish\nd: $display\n" if ($swish);          lookup => [
121            { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
122    #       { 'eval' => '"v901^a" eq "Podruje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
123    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
124    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
125            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
126            { 'key' => '900_mfn:v900', 'val' => 'v000' },
127            # tree structure
128            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', 'key' => 'root:v251', 'val' => 'v900' },
129            { 'eval' => '"v251"', 'key' => 'code:v900', 'val' => 'v561^4:v251' },
130            { 'eval' => '"v561^4" && "v562^4"', 'key' => 'code:v900', 'val' => 'v561^4:v562^4' },
131            ],
132    );
133    
134    $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
135    
136    $log->info("rows: $maxmfn");
137    
138    $webpac->open_import_xml(type => 'isis_hidra_ths');
139    
140    if(1) { # XXX
141    
142    while (my $rec = $webpac->fetch_rec) {
143    
144            my @ds = $webpac->data_structure($rec);
145    
146            if (0 && $log->is_debug) {
147                    $log->debug("rec = ",Dump($rec));
148                    $log->debug("ds = ",Dump(\@ds));
149            }
150    
151  #print STDERR "swish: $swish<-- display: $display<--\n";          next if (! @ds);
                         # 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)  
152    
153                          $swish_data .= $swish if ($s && $swish);          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
                         $display_data .= $display if ($d && $display);  
                         $index_data .= $display if ($i && $display);  
                 }  
154    
155            if ($filename) {
156                    $webpac->output_file(
157                            file => $filename,
158                            template => 'html.tt',
159                            data => \@ds,
160                            headline => $webpac->{'headline'},
161                    );
162            } else {
163                    print $webpac->output(
164                            template => 'text.tt',
165                            data => \@ds,
166                            headline => $webpac->{'headline'},
167                    );
168            }
169    
170  #print STDERR "s_d: $swish_data\nd_d: $display_data\n" if ($swish_data);          my $headline = $webpac->{'headline'};
                 if ($display_data) {  
                         $display_data = $isis_codepage->convert($display_data) || die "Can't convert '$display_data' !";  
                         # FIX: this is removed and replaced by html tag.  
                         #$xml .= xmlify($field."_display", $display_data);  
   
                         if ($field eq "headline") {  
                                 $xml .= xmlify("headline", $display_data);  
                         } else {  
   
                                 # find field name (signular, plural)  
                                 my $field_name = "";  
                                 if ($config->{indexer}->{$field}->{name_singular} && $field_usage{$field} == 1) {  
                                         $field_name = $config->{indexer}->{$field}->{name_singular}."#-#";  
                                 } elsif ($config->{indexer}->{$field}->{name_plural}) {  
                                         $field_name = $config->{indexer}->{$field}->{name_plural}."#-#";  
                                 } else {  
                                         $field_name = $config->{indexer}->{$field}->{name}."#-#";  
                                 }  
                                 if ($field_name) {  
                                         $html .= $xml_codepage->convert($field_name);  
                                 }  
                                 $html .= $display_data."###\n";  
                         }  
                 }  
                 if ($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));  
                 }  
171    
172                  # index          my $f = $filename;
173                  if ($index_data && $index_data ne "") {          $f =~ s!out/!!;
                         $index_data = $index_codepage->convert($index_data) || $index_data;  
                         $index->insert($field, $index_data, $db_dir);  
                 }  
174    
175            # save into index
176            foreach my $ds (@ds) {
177                    next if (! $ds->{'swish'});
178    
179                    # strip all non word characters from beginning or end
180                    # of word
181                    my $words = join(" ",@{$ds->{'swish'}});
182                    $words =~ s/^\W+//;
183                    $words =~ s/\W*\s+\W*/ /g;
184                    $words =~ s/\W+$//;
185    
186                    # first try to generate headline for this entry from index
187                    my $h = $ds->{'index'}->[0];
188                    # then, from display
189                    $h ||= $ds->{'display'}->[0];
190                    # and as last resport, fallback to headline
191                    $h ||= $headline;
192    
193                    $index->insert(
194                            index_name => $ds->{'tag'},
195                            #path => $f,
196                            path => $webpac->mfn,
197                            headline => $h,
198                            words => unac($words),
199                    );
200          }          }
201    
202          # dump formatted output in <html>          # save into sorted index (thesaurus)
203          if ($html) {          foreach my $ds (@ds) {
204                  $xml .= xmlify("html",$html);                  next if (! $ds->{'index'});
205          }  
206                            $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
207          if ($xml) {  
208  #print STDERR "x: $xml\n";                  foreach my $h (@{$ds->{'index'}}) {
209                  $xml .= $add_xml if ($add_xml);                          $thes->{$ds->{'tag'}}->insert(
210                  return "<xml>\n$xml</xml>\n";                                  sort_by => unac_2($h),
211          } else {                                  mfn => $webpac->mfn,
212                  return;                                  headline => $h,
213                            );
214                    }
215          }          }
 }  
   
 ##########################################################################  
   
 my $cfg = new Config::IniFiles( -file => $config_file );  
216    
217  foreach my $database ($cfg->Sections) {  #       print Dump(\@ds);
218    
219          my $isis_db = $cfg -> val($database, 'isis_db');  }
         my $type = $cfg -> val($database, 'type');  
         my $add_xml = $cfg -> val($database, 'xml');  
220    
221          # read configuration for this type  foreach my $t (keys %{$thes}) {
         $config=XMLin("./import_xml/$type.xml", forcearray => [ 'isis' ], forcecontent => 1);  
         $isis_codepage = Text::Iconv->new($config->{isis_codepage},'UTF8');  
         $index_codepage = Text::Iconv->new($config->{isis_codepage},$config->{index_codepage});  
         $xml_codepage = Text::Iconv->new($cfg->val($database,'xml_codepage'),'UTF8');  
222    
223          my $db = OpenIsis::open( $isis_db );          my @e = $thes->{$t}->elements;
224          if (0) {          if (! @e) {
225  #       # FIX                  $log->logwarn("no elements in sorted index $t?");
226  #       if (! $db ) {                  next;
                 print STDERR "WARNING: can't open '$isis_db'\n";  
                 next ;  
227          }          }
228    
229          my $max_rowid = OpenIsis::maxRowid( $db );          my $file = "./out/bfilter/$t.txt";
230            $log->info("saving sorted index $t to '$file' [".scalar(@e)." elements]");
         print STDERR "Reading database: $isis_db [$max_rowid rows]\n";  
   
         my $path = $database;                   # was $isis_db  
231    
232          my $last_p = 0;          $webpac->output_file(
233                    file => $file,
234  #       { my $row_id = 4514;                  template => 'index.tt',
235  # FIX                  data => \@e,
236          for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {                  index_name => $t,
237                  my $row = OpenIsis::read( $db, $row_id );          );
238                  if ($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;  
                         }  
239    
240                          if (my $xml = isis2xml($row,$add_xml)) {  if (0 && $log->is_debug) {
241  #print STDERR "--ret-->$xml\n";          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
242                                  print "Path-Name: $path#".int($row->{mfn})."\n";          $log->debug("data hash: ",Dump($webpac->{'data'}));
243                                  print "Content-Length: ".(length($xml)+1)."\n";          foreach my $t (keys %{$thes}) {
244                                  print "Document-Type: XML\n\n$xml\n";                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
                         }  
                 }  
245          }          }
         print STDERR "\n";  
246  }  }
247    
248  # call this to commit index  } # XXX if(0)
 $index->close;  
   
 1;  
 __END__  
 ##########################################################################  
   
 =head1 NAME  
249    
250  isis2xml.pl - read isis file and dump XML  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
251    
252  =head1 DESCRIPTION  $log->info("creating tree");
253    
254  This command will read ISIS data file using OpenIsis perl module and  #
255  create XML file for usage with I<SWISH-E>  # define tree structure
256  indexer. Dispite it's name, this script B<isn't general xml generator>  #
257  from isis files (isis allready has something like that). Output of this  
258  script is tailor-made for SWISH-E.  my $l = $webpac->{'lookup'} || $log->logconfess("can't find lookup");
259    
260    my @tree = ({
261            # level 0
262            code_arr        => sub { sort keys %{$l} },
263            filter_code     => sub {
264                                            my $t = shift;
265                                            return $t if ($t =~ s/root://);
266                                    },
267            lookup_v900     => sub { shift @{$l->{"root:".$_[0]}} },
268            lookup_term     => sub { shift @{$l->{"d:".$_[1]}} },
269            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[1]}} },
270            have_children   => sub { return $l->{"a:".$_[0]."::"} },
271            have_children_at_level => sub {
272                                    return unless (defined($l->{"code:".$_[1]}));
273                                    my $code = shift @{$l->{"code:".$_[1]}};
274                                    print STDERR "## $_[1] -> $code\n";
275                                    return undef unless($code);
276                                    return(9, $l->{"a:$code:"} ) if (defined($l->{"a:$code:"}));
277                            },
278            style           => 'display: none',
279            },{
280            # 1
281            code_arr        => sub { @{$_[0]} },
282            filter_code     => sub { shift },       # nop
283            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
284            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
285            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
286            have_children   => sub { return $l->{"a:".$_[1].":"} },
287            style           => 'display: none',
288            iframe          => 1,
289            },{
290            # 2
291            code_arr        => sub { @{$_[0]} },
292            filter_code     => sub { shift },
293            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
294            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
295            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
296            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
297            style           => 'display: none',
298            },{
299            # 3 ui pojam
300            code_arr        => sub { @{$_[0]} },
301            filter_code     => sub { shift },
302            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
303            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
304            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
305            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
306            },{
307            # 4
308            code_arr        => sub { @{$_[0]} },
309            filter_code     => sub { shift },
310            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
311            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
312            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
313            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
314            },{
315            # 5
316            code_arr        => sub { @{$_[0]} },
317            filter_code     => sub { shift },
318            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
319            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
320            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
321            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
322            },{
323            # 6
324            code_arr        => sub { @{$_[0]} },
325            filter_code     => sub { shift },
326            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
327            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
328            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
329            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
330            },{
331            # 7
332            code_arr        => sub { @{$_[0]} },
333            filter_code     => sub { shift },
334            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
335            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
336            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
337            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
338            },{
339            # 8
340            code_arr        => sub { @{$_[0]} },
341            filter_code     => sub { shift },
342            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
343            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
344            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
345    #       have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
346            have_children   => sub { 0 },
347            },{
348            # 9 - level which is never reached except explicitly
349            code_arr        => sub { @{$_[0]} },
350            filter_code     => sub { shift },
351            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
352            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
353            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
354            have_children   => sub { 0 },
355            have_children_at_level => sub { defined($l->{"a:".$_[1].":".$_[0]}) && return (9,$l->{"a:".$_[1].":".$_[0]}) },
356            },{
357    });
358    
359    my $tree = new WebPAC::Tree(
360            tree => \@tree,
361            detail_url => sub {
362                    my $mfn = shift;
363                    my $url = "thes/${mfn}.html";
364                    return $url if (-e "./out/$url");
365            },
366            nodes_dir => 'nodes',
367    );
368    
369    $tree->output(
370            dir => './out',
371            html => 'browse.html',
372            template_dir => './output_template/',
373            template_tree => 'tree.tt',
374            template_node => 'node.tt',
375            js => 'tree-ids.js',
376    );
377    
378    $tree->output(
379            dir => './eurovoc',
380            html => 'hijerarhija.html',
381            template_dir => './output_template/',
382            template_tree => 'hijerarhija.tt',
383            template_node => 'hijerarhija_node.tt',
384            js => 'tree-ids.js',
385    );
386    
 =head1 AUTHOR  
387    
388  Dobrica Pavlinusic <dpavlin@rot13.org>  $log->info("closing index");
389    $index->close;
 =head1 COPYRIGHT  
   
 GNU Public License (GPL) v2 or later  
   
 =head1 SEE ALSO  
   
 SWISH-E web site at http://www.swish-e.org  
390    
391  =cut  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));

Legend:
Removed from v.13  
changed lines
  Added in v.575

  ViewVC Help
Powered by ViewVC 1.1.26