/[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 199 by dpavlin, Wed Jan 7 12:29:11 2004 UTC trunk2/all2all.pl revision 549 by dpavlin, Tue Oct 26 20:53:03 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;  
 use Encode;  
 #use GDBM_File;  
 use Fcntl;      # for O_RDWR  
 use TDB_File;  
   
 $|=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;         # default DBI module for index  
 use index_DBI_cache;    # faster DBI module using memory cache  
 my $index;  
   
 my %opts;  
   
 # usage:  
 #       -d directory name  
 #       -m multiple directories  
 #       -q quiet  
 #       -s run swish  
   
 getopts('d:m:qs', \%opts);  
   
 my $path;       # this is name of database  
   
 Text::Iconv->raise_error(0);     # Conversion errors don't raise exceptions  
   
 # this is encoding of all files on disk, including import_xml/*.xml file and  
 # filter/*.pm files! It will be used to store strings in perl internally!  
 my $codepage = 'ISO-8859-2';  
   
 my $utf2cp = Text::Iconv->new('UTF-8',$codepage);  
 # this function will convert data from XML files to local encoding  
 sub x {  
         return $utf2cp->convert($_[0]);  
 }  
4    
5  # decode isis/excel or other import codepage  all2all.pl - basic script for all WebPAC needs
 my $import2cp;  
6    
7  # outgoing xml must be in UTF-8  =cut
 my $cp2utf = Text::Iconv->new($codepage,'UTF-8');  
8    
9  # mapping between data type and tag which specify  use strict;
10  # format in XML file  use locale;
11  my %type2tag = (  use YAML;
12          'isis' => 'isis',  use Carp;
13          'excel' => 'column',  use Getopt::Long;
14          'marc' => 'marc',  use Text::Unaccent 1.02;
15          'feed' => 'feed'  
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 $cache;      # for cacheing  my $filter = {
37            'CROVOC' => sub {
38  # lookup hash (tied to file)                  my $tmp = shift || return;
39  my %lhash;                  return undef unless ($tmp =~ s/\s*CROVOC.*$/ */);
40  # this option will cache all lookup entries in memory.                  return $tmp;
41  # if you are tight on memory, turn this off          },
42  my $use_lhash_cache = 1;          'CROVOC_tree' => sub {
43                    my $tmp = shift || return;
44  my $last_field_name;    # cache to prevent repeated fields                  $tmp =~ s/\s*CROVOC.*$/ */;
45                    $tmp =~ s/\s*EUROVOC.*//;
46  sub data2xml {                  return $tmp;
47            },
48    };
49    
50    ## remove accented characters
51    #
52    sub unac {
53            my $string = shift || return;
54            $string = unac_string($code_page,$string);
55            $string =~ tr//dD/;
56            return $string;
57    }
58    sub unac_2 {
59            my $string = shift || return;
60            if (length($string) > 2) {
61                    my $pr = substr($string,0,2);
62                    $string = unac_string($code_page,substr($string,2));
63                    $string =~ tr//dD/;
64                    $string = $pr . $string;
65            }
66            $string =~ s/&(\w)(acute|cedil|circ|grave|ring|slash|tilde|uml);/$1/gi;
67            $string =~ s/ð/d/g;
68            $string =~ s/&E[tT][hH];/D/g;
69            $string =~ s/&(\w\w)lig;/$1/gi;
70            return lc($string);
71    }
72    
73          use xmlify;  # create WebPAC object
74    #
75    my $webpac = new WebPAC(
76            code_page => $code_page,
77            limit_mfn => $limit_mfn,
78            start_mfn => $start_mfn,
79            debug => $debug,
80            low_mem => $low_mem,
81            filter => $filter,
82    ) || die;
83    
84    my $log = $webpac->_get_logger() || die "can't get logger";
85    
86    $log->debug("creating WebPAC::jsFind object");
87    
88    my $index = new WebPAC::jsFind(
89            index_path => $index_path,
90            keys => 10,
91    ) || die;
92    
93          my $type = shift @_;  my $thes;
         my $row = shift @_;  
         my $add_xml = shift @_;  
         # needed to read values from configuration file  
         my $cfg = shift @_;  
         my $database = shift @_;  
94    
95          my $xml;  $|=1;
96    
97          use parse_format;  my $maxmfn = $webpac->open_isis(
98            filename => shift @ARGV || '/data/hidra/THS/THS',
99            lookup => [
100            { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
101    #       { 'eval' => '"v901^a" eq "Podruje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
102    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
103    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
104            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
105            { 'key' => '900_mfn:v900', 'val' => 'v000' },
106            # tree structure
107            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', 'key' => 'root:v251', 'val' => 'v900' },
108            { 'eval' => '"v251"', 'key' => 'code:v900', 'val' => 'v561^4:v251' },
109            { 'eval' => '"v561^4" && "v562^4"', 'key' => 'code:v900', 'val' => 'v561^4:v562^4' },
110            ],
111    );
112    
113          my $html = "";          # html formatted display output  $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
114    
115          my %field_usage;        # counter for usage of each field  $log->info("rows: $maxmfn");
116    
117          # sort subrouting using order="" attribute  $webpac->open_import_xml(type => 'isis_hidra_ths');
         sub by_order {  
                 my $va = $config->{indexer}->{$a}->{order} ||  
                         $config->{indexer}->{$a};  
                 my $vb = $config->{indexer}->{$b}->{order} ||  
                         $config->{indexer}->{$b};  
118    
119                  return $va <=> $vb;  if(1) { # XXX
         }  
120    
121          my @sorted_tags;  while (my $rec = $webpac->fetch_rec) {
         if ($cache->{tags_by_order}) {  
                 @sorted_tags = @{$cache->{tags_by_order}};  
         } else {  
                 @sorted_tags = sort by_order keys %{$config->{indexer}};  
                 $cache->{tags_by_order} = \@sorted_tags;  
         }  
122    
123          # lookup key          my @ds = $webpac->data_structure($rec);
         my $lookup_key;  
124    
125          # cache for field in pages          if (0 && $log->is_debug) {
126          delete $cache->{display_data};                  $log->debug("rec = ",Dump($rec));
127          delete $cache->{swish_data};                  $log->debug("ds = ",Dump(\@ds));
         delete $cache->{swish_exact_data};  
         delete $cache->{index_data};  
         delete $cache->{index_delimiter};  
         my @page_fields;        # names of fields  
   
   
         # subs used to produce output  
   
         sub get_field_name($$$) {  
                 my ($config,$field,$field_usage) = @_;  
   
                 # find field name (signular, plural)  
                 my $field_name = "";  
                 if ($config->{indexer}->{$field}->{name_singular} && $field_usage == 1) {  
                         $field_name = $config->{indexer}->{$field}->{name_singular};  
                 } elsif ($config->{indexer}->{$field}->{name_plural}) {  
                         $field_name = $config->{indexer}->{$field}->{name_plural};  
                 } elsif ($config->{indexer}->{$field}->{name}) {  
                         $field_name = $config->{indexer}->{$field}->{name};  
                 } else {  
                         print STDERR "WARNING: field '$field' doesn't have 'name' attribute!";  
                 }  
                 if ($field_name) {  
                         if (! $last_field_name) {  
                                 $last_field_name = x($field_name);  
                                 return $last_field_name;  
                         } elsif ($field_name ne $last_field_name) {  
                                 $last_field_name = x($field_name);  
                                 return $last_field_name;  
                         }  
                 }  
128          }          }
129    
130            next if (! @ds);
131    
132          # begin real work: go field by field          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
         foreach my $field (@sorted_tags) {  
   
                 $field=x($field);  
                 $field_usage{$field}++;  
   
                 my $swish_data = "";  
                 my $swish_exact_data = "";  
                 my $display_data = "";  
                 my @index_data;  
                 my $line_delimiter;  
   
                 my ($swish,$display);  
   
                 my $tag = $type2tag{$type} || die "can't find which tag to use for type $type";  
   
                 # is this field page-by-page?  
                 my $iterate_by_page = $config->{indexer}->{$field}->{iterate_by_page};  
                 push @page_fields,$field if ($iterate_by_page);  
                 my %page_max = ();  
                 # default line_delimiter if using  
                 my $page_line_delimiter = $config->{indexer}->{$field}->{page_line_delimiter} || '<br/>';  
                 $cache->{index_delimiter}->{$field} = $config->{indexer}->{$field}->{index_delimiter};  
   
                 my $format_name = $config->{indexer}->{$field}->{format_name};  
                 my $format_delimiter = $config->{indexer}->{$field}->{format_delimiter};  
                 if ($format_name && $format_delimiter) {  
                         $cache->{format}->{$field}->{format_name} = $format_name;  
                         $cache->{format}->{$field}->{format_delimiter} = $format_delimiter;  
                 }  
   
                 foreach my $x (@{$config->{indexer}->{$field}->{$tag}}) {  
   
                         my $format = x($x->{content});  
                         my $delimiter = x($x->{delimiter}) || ' ';  
   
                         my $repeat_off = 0;     # init repeatable offset  
   
                         # swish, swish_exact, display, index, index_lookup  
                         # swish and display defaults  
                         my ($s,$se,$d,$i,$il) = (1,0,1,0,0);  
                         $s = 0 if (lc($x->{type}) eq "display");  
                         $d = 0 if (lc($x->{type}) eq "swish");  
                         ($s,$se,$d,$i) = (0,1,0,1) if (lc($x->{type}) eq "index");  
                         ($s,$se,$d,$i) = (0,1,0,0) if (lc($x->{type}) eq "swish_exact");  
                         ($s,$se,$d,$i,$il) = (0,1,0,0,1) if (lc($x->{type}) =~ /^lookup/);  
   
                         # what will separate last line from this one?  
                         if ($display_data && $x->{append}) {  
                                 $line_delimiter = ' ';  
                         } elsif ($display_data) {  
                                 $line_delimiter = '<br/>';  
                         }  
   
                         # init vars so that we go into while...  
                         ($swish,$display) = (1,1);  
   
                         # placeholder for all repeatable entries for index  
   
                         sub mkformat($$) {  
                                 my $x = shift || die "mkformat needs tag reference";  
                                 my $data = shift || return;  
                                 my $format_name = x($x->{format_name}) || return $data;  
                                 my $fmt = x($config->{format}->{$format_name}->{content}) || die "<format name=\"$format_name\"> is not defined!";  
                                 my $format_delimiter = x($x->{format_delimiter});  
                                 my @data;  
                                 if ($format_delimiter) {  
                                         @data = split(/$format_delimiter/,$data);  
                                 } else {  
                                         push @data,$data;  
                                 }  
   
                                 if ($fmt) {  
                                         my $nr = scalar $fmt =~ s/%s/%s/g;  
                                         if (($#data+1) == $nr) {  
                                                 return sprintf($fmt,@data);  
                                         } else {  
                                                 print STDERR "mkformat: [$data] can't be split on [$format_delimiter] to $nr fields!\n";  
                                                 return $data;  
                                         }  
                                 } else {  
                                         print STDERR "usage of link '$format_name' without defined format (<link> tag)\n";  
                                 }  
                         }  
   
                         # while because of repeatable fields  
                         while ($swish || $display) {  
                                 my $page = $repeat_off;  
                                 $page_max{$field} = $page if ($iterate_by_page && $page > ($page_max{$field} || 0));  
                                 ($swish,$display) = parse_format($type, $format,$row,$repeat_off++,$import2cp);  
                                 if ($repeat_off > 1000) {  
                                         print STDERR "loop (more than 1000 repeatable fields) deteced in $row, $format\n";  
                                         last;  
                                 }  
   
                                 # is this field is lookup?  
                                 if ($display && $x->{lookup}) {  
                                         my $null = "<!-- null -->";  
                                         if ($use_lhash_cache) {  
                                                 if (!defined($cache->{lhash}->{$display})) {  
                                                         my $new_display = $lhash{$display};  
                                                         if (defined($new_display)) {  
 #print STDERR "lookup cache store '$display' = '$new_display'\n";  
                                                                 $display = $new_display;  
                                                                 $cache->{lhash}->{$display} = $new_display;  
                                                         } else {  
                                                                 print STDERR "WARNING: lookup for '$display' didn't find anything.\n";  
                                                                 $display = "";  
                                                                 $cache->{lhash}->{$display} = $null;  
                                                         }  
                                                 } else {  
                                                         $display = $cache->{lhash}->{$display};  
                                                 }  
                                         } else {  
                                                 $display = $lhash{$display} || $null;  
                                         }  
                                 }  
   
                                 # filter="name" ; filter this field through  
                                 # filter/[name].pm  
                                 my $filter = $x->{filter};  
                                 if ($filter && !$cache->{filter_loaded}->{$filter}) {  
                                         require "filter/".$filter.".pm";  
                                         $cache->{filter_loaded}->{$filter}++;  
                                 }  
                                 # type="swish" ; field for swish  
                                 if ($swish) {  
                                         if ($filter && ($s || $se)) {  
                                                 no strict 'refs';  
                                                 my $tmp = join(" ",&$filter($swish)) if ($s || $se);  
                                                 $swish_data .= $tmp if ($s);  
                                                 $swish_exact_data .= "xxbxx $tmp xxexx " if ($se && $tmp ne "");  
   
                                         } else {  
                                                 $swish_data .= $swish if ($s);  
                                                 $swish_exact_data .= "xxbxx $swish xxexx " if ($se && $swish ne "");  
                                         }  
                                 }  
   
                                 # type="display" ; field for display  
                                 if ($d && $display) {  
                                         if ($line_delimiter && $display_data) {  
                                                 $display_data .= $line_delimiter;  
                                         }  
                                         if ($filter) {  
                                                 no strict 'refs';  
                                                 if ($display_data) {  
                                                         $display_data .= $delimiter.mkformat($x,join($delimiter,&$filter($display)));  
                                                 } else {  
                                                         $display_data = mkformat($x,join($delimiter,&$filter($display)));  
                                                 }  
                                         } else {  
                                                 if ($display_data) {  
                                                         $display_data .= $delimiter.mkformat($x,$display);  
                                                 } else {  
                                                         $display_data = mkformat($x,$display);  
                                                 }  
                                         }  
                                 }  
                                                   
                                 # type="index" ; insert into index  
                                 my $idisplay;  
                                 if ($i && $display) {  
                                         $idisplay = $display;  
                                         if ($filter) {  
                                                 no strict 'refs';  
                                                 $idisplay = &$filter($idisplay);  
                                         }  
                                         push @index_data, $idisplay if (! $iterate_by_page);  
                                 }  
   
                                 # store fields in lookup  
                                 if ($il && $display) {  
                                         if (lc($x->{type}) eq "lookup_key") {  
                                                 if ($lookup_key) {  
                                                         print STDERR "WARNING: try to redefine lookup_key (keys shouldn't be repeatable fields!)";  
                                                 } else {  
                                                         $lookup_key = $display;  
                                                 }  
                                         } elsif (lc($x->{type}) eq "lookup_val") {  
                                                 if ($lookup_key) {  
                                                         $lhash{$lookup_key} = $display;  
                                                 } else {  
                                                         print STDERR "WARNING: no lookup_key defined for  '$display'?";  
                                                 }  
                                         }  
   
                                 }  
   
                                 # store data for page-by-page repeatable fields  
                                 if ($iterate_by_page) {  
                                         sub iterate_fld($$$$$$) {  
                                                 my ($cache,$what,$field,$page,$data,$append) = @_;  
                                                 return if (!$data);  
   
                                                 my $ldel = $page_line_delimiter;  
                                                 $ldel = " " if ($append);  
 #print STDERR "line delimiter: ",Dumper($ldel) if ($ldel);  
                                                 if (! $cache->{$what}->{$field}->[$page]) {  
                                                         $cache->{$what}->{$field}->[$page] = $data;  
                                                 } else {  
                                                         $cache->{$what}->{$field}->[$page] .= $ldel.$data;  
                                                 }  
                                         }  
   
                                         if ($display_data) {  
                                                 iterate_fld($cache,'display_data',$field,$page,$display_data,$x->{append});  
                                         }  
                                                 $display_data = "";  
                                         if ($swish_data) {  
                                                 iterate_fld($cache,'swish_data',$field,$page,$swish_data,$x->{append});  
                                                 $swish_data = "";  
                                         }  
                                         if ($swish_exact_data) {  
                                                 iterate_fld($cache,'swish_exact_data',$field,$page,$swish_exact_data,$x->{append});  
                                                 $swish_exact_data = "";  
                                         }  
   
                                         if ($idisplay) {  
                                                 my $ldel=$page_line_delimiter;  
                                                 my @index_data;  
                                                 if ($cache->{index_data}->{$field}->[$page]) {  
   
                                                         @index_data = @{$cache->{index_data}->{$field}->[$page]};  
                                                 }  
                                                 if ($x->{append}) {  
                                                         if (@index_data) {  
                                                                 $index_data[$#index_data] .= $idisplay;  
                                                         } else {  
                                                                 push @index_data, $idisplay;  
                                                         }  
                                                 } else {  
                                                         push @index_data, $idisplay;  
                                                 }  
                                                 $idisplay = "";  
                                                 @{$cache->{index_data}->{$field}->[$page]} = @index_data;  
                                         }  
                                 }  
                         }  
   
                         if (! $iterate_by_page) {  
                                 my $idel = $x->{index_delimiter};  
                                 # fill data in index  
                                 foreach my $tmp (@index_data) {  
                                         my $i = $d = $tmp;  
                                         if ($idel && $tmp =~ m/$idel/) {  
                                                 ($i,$d) = split(/$idel/,$tmp);  
                                         }  
                                         $index->insert($field, $i, $d, $path);  
                                 }  
                                 @index_data = ();  
                         }  
                 }  
   
                 # now try to parse variables from configuration file  
                 foreach my $x (@{$config->{indexer}->{$field}->{'config'}}) {  
   
                         my $delimiter = x($x->{delimiter}) || ' ';  
                         my $val = $cfg->val($database, x($x->{content}));  
   
                         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");  
                         # no support for swish exact in config.  
                         # IMHO, it's useless  
                         ($s,$d,$i) = (0,0,1) if (lc($x->{type}) eq "index");  
   
                         if ($val) {  
                                 $display_data .= $delimiter.$val if ($d);  
                                 $swish_data .= $val if ($s);  
                                 $index->insert($field, $val, $path) if ($i);  
                         }  
   
                         if ($iterate_by_page) {  
                                 # FIXME data from config tag will appear just  
                                 # on first page!!!  
                                 my $page = 0;  
                                 if ($display_data) {  
                                         $cache->{display_data}->{$field}->[$page] = $display_data;  
                                         $display_data = "";  
                                 }  
                                 if ($swish_data) {  
                                         $cache->{swish_data}->{$field}->[$page] = $swish_data;  
                                         $swish_data = "";  
                                 }  
                                 if ($swish_exact_data) {  
                                         $cache->{swish_exact_data}->{$field}->[$page] = $swish_exact_data;  
                                         $swish_exact_data = "";  
                                 }  
                         }  
                 }  
133    
134                  # save data page-by-page          if ($filename) {
135                  foreach my $field (@page_fields) {                  $webpac->output_file(
136                          my $nr_pages = $page_max{$field} || next;                          file => $filename,
137  #print STDERR "field '$field' iterate over ",($nr_pages || 0)," pages...\n";                          template => 'html.tt',
138  #print STDERR Dumper($cache->{display_data});                          data => \@ds,
139                          for (my $page=0; $page <= $nr_pages; $page++) {                          headline => $webpac->{'headline'},
140                                  my $display_data;                  );
                                 if ($cache->{format}->{$field}) {  
                                         $display_data=mkformat($cache->{format}->{$field},$cache->{display_data}->{$field}->[$page]);  
                                 } else {  
                                         $display_data = $cache->{display_data}->{$field}->[$page];  
                                 }  
                                 if ($display_data) { # default  
                                         if ($field eq "headline") {  
                                                 $xml .= xmlify("headline", $display_data);  
                                         } else {  
   
                                                 # fallback to empty field name if needed  
                                                 $html .= get_field_name($config,$field,$field_usage{$field}) || '';  
                                                 $html .= "#-#".$display_data."###\n";  
                                         }  
                                 }  
                                   
                                 my $swish_data = $cache->{swish_data}->{$field}->[$page];  
                                 if ($swish_data) {  
                                         # remove extra spaces  
                                         $swish_data =~ s/ +/ /g;  
                                         $swish_data =~ s/ +$//g;  
   
                                         $xml .= xmlify($field."_swish", unac_string($codepage,$swish_data));  
                                 }  
   
                                 my $swish_exact_data = $cache->{swish_exact_data}->{$field}->[$page];  
                                 if ($swish_exact_data) {  
                                         $swish_exact_data =~ s/ +/ /g;  
                                         $swish_exact_data =~ s/ +$//g;  
   
                                         # add delimiters before and after word.  
                                         # That is required to produce exact match  
                                         $xml .= xmlify($field."_swish_exact", unac_string($codepage,$swish_exact_data));  
                                 }  
                                   
                                 my $idel = $cache->{index_delimiter}->{$field};  
                                 foreach my $tmp (@{$cache->{index_data}->{$field}->[$page]}) {  
                                         my $i = $tmp;  
                                         my $d = $tmp;  
                                         if ($idel && $tmp =~ m/$idel/) {  
                                                 ($i,$d) = split(/$idel/,$tmp);  
                                         }  
                                         $index->insert($field, $i, $d, $path);  
 #print STDERR "index [$idel] $field: $i --> $d [$path]\n";  
                                 }  
                         }  
           
                 }  
                   
                 if (! $iterate_by_page) {  
                         if ($display_data) {  
                                 if ($field eq "headline") {  
                                         $xml .= xmlify("headline", $display_data);  
                                 } else {  
   
                                         # fallback to empty field name if needed  
                                         $html .= get_field_name($config,$field,$field_usage{$field}) || '';  
                                         $html .= "#-#".$display_data."###\n";  
                                 }  
                         }  
                         if ($swish_data) {  
                                 # remove extra spaces  
                                 $swish_data =~ s/ +/ /g;  
                                 $swish_data =~ s/ +$//g;  
   
                                 $xml .= xmlify($field."_swish", unac_string($codepage,$swish_data));  
                         }  
   
                         if ($swish_exact_data) {  
                                 $swish_exact_data =~ s/ +/ /g;  
                                 $swish_exact_data =~ s/ +$//g;  
   
                                 # add delimiters before and after word.  
                                 # That is required to produce exact match  
                                 $xml .= xmlify($field."_swish_exact", unac_string($codepage,$swish_exact_data));  
                         }  
                 }  
         }  
   
         # dump formatted output in <html>  
         if ($html) {  
                 #$xml .= xmlify("html",$html);  
                 $xml .= "<html><![CDATA[ $html ]]></html>";  
         }  
           
         if ($xml) {  
                 $xml .= $add_xml if ($add_xml);  
                 return "<xml>\n$xml</xml>\n";  
141          } else {          } else {
142                  return;                  print $webpac->output(
143                            template => 'text.tt',
144                            data => \@ds,
145                            headline => $webpac->{'headline'},
146                    );
147          }          }
 }  
148    
149  ##########################################################################          my $headline = $webpac->{'headline'};
150    
151  # read configuration for this script          my $f = $filename;
152  my $cfg = new Config::IniFiles( -file => $config_file );          $f =~ s!out/!!;
153    
154  # read global.conf configuration          # save into index
155  my $cfg_global = new Config::IniFiles( -file => 'global.conf' );          foreach my $ds (@ds) {
156                    next if (! $ds->{'swish'});
157    
158  # open index                  # strip all non word characters from beginning or end
159  $index = new index_DBI(                  # of word
160                  $cfg_global->val('global', 'dbi_dbd'),                  my $words = join(" ",@{$ds->{'swish'}});
161                  $cfg_global->val('global', 'dbi_dsn'),                  $words =~ s/^\W+//;
162                  $cfg_global->val('global', 'dbi_user'),                  $words =~ s/\W*\s+\W*/ /g;
163                  $cfg_global->val('global', 'dbi_passwd') || '',                  $words =~ s/\W+$//;
         );  
164    
165  my $show_progress = $cfg_global->val('global', 'show_progress');                  # first try to generate headline for this entry from index
166                    my $h = $ds->{'index'}->[0];
167  my $unac_filter = $cfg_global->val('global', 'unac_filter');                  # then, from display
168  if ($unac_filter) {                  $h ||= $ds->{'display'}->[0];
169          require $unac_filter;                  # and as last resport, fallback to headline
170  }                  $h ||= $headline;
   
 foreach my $database ($cfg->Sections) {  
   
         my $type = lc($cfg -> val($database, 'type')) || die "$database doesn't have 'type' defined";  
         my $add_xml = $cfg -> val($database, 'xml');    # optional  
   
         # create new lookup file  
         my $lookup_file = $cfg -> val($database, 'lookup_newfile'); # optional  
         if ($lookup_file) {  
                 #tie %lhash, 'GDBM_File', $lookup_file, &GDBM_NEWDB, 0644;  
                 tie %lhash, 'TDB_File', $lookup_file, TDB_CLEAR_IF_FIRST, O_RDWR, 0644;  
                 print STDERR "creating lookup file '$lookup_file'\n";  
         }  
171    
172          # open existing lookup file                  $index->insert(
173          $lookup_file = $cfg -> val($database, 'lookup_open'); # optional                          index_name => $ds->{'tag'},
174          if ($lookup_file) {                          #path => $f,
175                  #tie %lhash, 'GDBM_File', $lookup_file, &GDBM_READER, 0644;                          path => $webpac->mfn,
176                  tie %lhash, 'TDB_File', $lookup_file, TDB_DEFAULT, O_RDWR, 0644;                          headline => $h,
177                  print STDERR "opening lookup file '$lookup_file'\n";                          words => unac($words),
178                    );
179          }          }
180    
181  print STDERR "reading ./import_xml/$type.xml\n";          # save into sorted index (thesaurus)
182            foreach my $ds (@ds) {
183                    next if (! $ds->{'index'});
184    
185          # extract just type basic                  $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
         my $type_base = $type;  
         $type_base =~ s/_.+$//g;  
   
         $config=XMLin("./import_xml/$type.xml", forcearray => [ $type2tag{$type_base}, 'config', 'format' ], forcecontent => 1);  
   
         # output current progress indicator  
         my $last_p = 0;  
         sub progress {  
                 return if (! $show_progress);  
                 my $current = shift;  
                 my $total = shift || 1;  
                 my $p = int($current * 100 / $total);  
                 if ($p != $last_p) {  
                         printf STDERR ("%5d / %5d [%-51s] %-2d %% \r",$current,$total,"=" x ($p/2).">", $p );  
                         $last_p = $p;  
                 }  
         }  
186    
187          my $fake_dir = 1;                  foreach my $h (@{$ds->{'index'}}) {
188          sub fakeprogress {                          $thes->{$ds->{'tag'}}->insert(
189                  return if (! $show_progress);                                  sort_by => unac_2($h),
190                  my $current = shift @_;                                  mfn => $webpac->mfn,
191                                    headline => $h,
192                  my @ind = ('-','\\','|','/','-','\\','|','/', '-');                          );
   
                 $last_p += $fake_dir;  
                 $fake_dir = -$fake_dir if ($last_p > 1000 || $last_p < 0);  
                 if ($last_p % 10 == 0) {  
                         printf STDERR ("%5d / %5s [%-51s]\r",$current,"?"," " x ($last_p/20).$ind[($last_p/20) % $#ind]);  
193                  }                  }
194          }          }
195    
196          # now read database  #       print Dump(\@ds);
 print STDERR "using: $type...\n";  
   
         # erase cache for tags by order in this database  
         delete $cache->{tags_by_order};  
   
         if ($type_base eq "isis") {  
   
                 my $isis_db = $cfg -> val($database, 'isis_db') || die "$database doesn't have 'isis_db' defined!";  
   
                 $import2cp = Text::Iconv->new($config->{isis_codepage},$codepage);  
                 my $db = OpenIsis::open( $isis_db );  
   
                 # check if .txt database for OpenIsis is zero length,  
                 # 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;  
                         }  
                 }  
   
                 # OpenIsis::ERR_BADF  
                 if ($db == -4) {  
                         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";  
                         next;  
                 }  
   
                 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 );  
                 }  
   
                 print STDERR "Reading database: $isis_db [$max_rowid rows]\n";  
   
                 my $path = $database;  
   
                 for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {  
                         my $row = OpenIsis::read( $db, $row_id );  
                         if ($row && $row->{mfn}) {  
           
                                 progress($row->{mfn}, $max_rowid);  
   
                                 my $swishpath = $path."#".int($row->{mfn});  
   
                                 if (my $xml = data2xml($type_base,$row,$add_xml,$cfg,$database)) {  
                                         $xml = $cp2utf->convert($xml);  
                                         use bytes;      # as opposed to chars  
                                         print "Path-Name: $swishpath\n";  
                                         print "Content-Length: ".(length($xml)+1)."\n";  
                                         print "Document-Type: XML\n\n$xml\n";  
                                 }  
                         }  
                 }  
                 # for this to work with current version of OpenIsis (0.9.0)  
                 # you might need my patch from  
                 # http://www.rot13.org/~dpavlin/projects/openisis-0.9.0-perl_close.diff  
                 OpenIsis::close($db);  
                 print STDERR "\n";  
   
         } elsif ($type_base eq "excel") {  
                 use Spreadsheet::ParseExcel;  
                 use Spreadsheet::ParseExcel::Utility qw(int2col);  
                   
                 $import2cp = Text::Iconv->new($config->{excel_codepage},$codepage);  
                 my $excel_file = $cfg -> val($database, 'excel_file') || die "$database doesn't have 'excel_file' defined!";  
   
                 my $sheet = x($config->{sheet}) || die "no sheet in $type.xml";  
                 my $start_row = x($config->{start_row}) - 1 || die "no start_row in $type.xml";  
   
                 my $oBook = Spreadsheet::ParseExcel::Workbook->Parse($excel_file) || die "can't open Excel file '$excel_file'";  
   
                 my $sheet_nr = 0;  
                 foreach my $oWks (@{$oBook->{Worksheet}}) {  
                         #print STDERR "-- SHEET $sheet_nr:", $oWks->{Name}, "\n";  
                         last if ($oWks->{Name} eq $sheet);  
                         $sheet_nr++;  
                 }  
   
                 my $oWorksheet = $oBook->{Worksheet}[$sheet_nr];  
           
                 print STDERR "using sheet: ",$oWorksheet->{Name},"\n";  
                 defined ($oWorksheet) || die "can't find sheet '$sheet' in $excel_file";  
                 my $end_row = x($config->{end_row}) || $oWorksheet->{MaxRow};  
   
                 for(my $iR = $start_row ; defined $end_row && $iR <= $end_row ; $iR++) {  
                         my $row;  
                         for(my $iC = $oWorksheet->{MinCol} ; defined $oWorksheet->{MaxCol} && $iC <= $oWorksheet->{MaxCol} ; $iC++) {  
                                 my $cell = $oWorksheet->{Cells}[$iR][$iC];  
                                 if ($cell) {  
                                         $row->{int2col($iC)} = $cell->Value;  
                                 }  
                         }  
   
                         progress($iR, $end_row);  
   
 #                       print "row[$iR/$end_row] ";  
 #                       foreach (keys %{$row}) {  
 #                               print "$_: ",$row->{$_},"\t";  
 #                       }  
 #                       print "\n";  
   
                         my $swishpath = $database."#".$iR;  
   
                         next if (! $row);  
   
                         if (my $xml = data2xml($type_base,$row,$add_xml,$cfg,$database)) {  
                                 $xml = $cp2utf->convert($xml);  
                                 use bytes;      # as opposed to chars  
                                 print "Path-Name: $swishpath\n";  
                                 print "Content-Length: ".(length($xml)+1)."\n";  
                                 print "Document-Type: XML\n\n$xml\n";  
                         }  
                 }  
         } elsif ($type_base eq "marc") {  
   
                 use MARC;  
                   
                 $import2cp = Text::Iconv->new($config->{marc_codepage},$codepage);  
                 my $marc_file = $cfg -> val($database, 'marc_file') || die "$database doesn't have 'marc_file' defined!";  
   
                 # optional argument is format  
                 my $format = x($config->{format}) || 'usmarc';  
   
                 print STDERR "Reading MARC file '$marc_file'\n";  
   
                 my $marc = new MARC;  
                 my $nr = $marc->openmarc({  
                                 file=>$marc_file, format=>$format  
                         }) || die "Can't open MARC file '$marc_file'";  
   
                 my $i=0;        # record nr.  
   
                 my $rec;  
   
                 while ($marc->nextmarc(1)) {  
197    
198                          # XXX  }
                         fakeprogress($i++);  
   
                         my $swishpath = $database."#".$i;  
   
                         if (my $xml = data2xml($type_base,$marc,$add_xml,$cfg,$database)) {  
                                 $xml = $cp2utf->convert($xml);  
                                 use bytes;      # as opposed to chars  
                                 print "Path-Name: $swishpath\n";  
                                 print "Content-Length: ".(length($xml)+1)."\n";  
                                 print "Document-Type: XML\n\n$xml\n";  
                         }  
                 }  
         } elsif ($type_base eq "feed") {  
   
                 $import2cp = Text::Iconv->new($config->{feed_codepage},$codepage);  
                 my $prog = x($config->{prog}) || die "$database doesn't have 'prog' defined!";  
   
                 print STDERR "Reading feed from program '$prog'\n";  
   
                 open(FEED,"feeds/$prog |") || die "can't start $prog: $!";  
   
                 my $i=1;        # record nr.  
   
                 my $data;  
                 my $line=1;  
   
                 while (<FEED>) {  
                         chomp;  
   
                         if (/^$/) {  
                                 my $swishpath = $database."#".$i++;  
   
                                 if (my $xml = data2xml($type_base,$data,$add_xml,$cfg,$database)) {  
                                         $xml = $cp2utf->convert($xml);  
                                         use bytes;      # as opposed to chars  
                                         print "Path-Name: $swishpath\n";  
                                         print "Content-Length: ".(length($xml)+1)."\n";  
                                         print "Document-Type: XML\n\n$xml\n";  
                                 }  
                                 $line = 1;  
                                 $data = {};  
                                 next;  
                         }  
199    
200                          $line = $1 if (s/^(\d+):\s*//);  foreach my $t (keys %{$thes}) {
                         $data->{$line++} = $_;  
201    
202                          fakeprogress($i);          my @e = $thes->{$t}->elements;
203            if (! @e) {
204                    $log->logwarn("no elements in sorted index $t?");
205                    next;
206            }
207    
208            my $file = "./out/bfilter/$t.txt";
209            $log->info("saving sorted index $t to '$file' [".scalar(@e)." elements]");
210    
211            $webpac->output_file(
212                    file => $file,
213                    template => 'index.tt',
214                    data => \@e,
215                    index_name => $t,
216            );
217    }
218    
219                  }  if (0 && $log->is_debug) {
220                  # close lookup          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
221                  untie %lhash if (%lhash);          $log->debug("data hash: ",Dump($webpac->{'data'}));
222            foreach my $t (keys %{$thes}) {
223                    $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
224          }          }
225  }  }
226    
227  # call this to commit index  } # XXX if(0)
 $index->close;  
   
 1;  
 __END__  
 ##########################################################################  
   
 =head1 NAME  
   
 all2xml.pl - read various file formats and dump XML for SWISH-E  
   
 =head1 DESCRIPTION  
228    
229  This command will read ISIS data file using OpenIsis perl module, MARC  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
 records using MARC module and optionally Micro$oft Excel files to  
 create one 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.  
230    
231  =head1 BUGS  $log->info("creating tree");
232    
233  Documentation is really lacking. However, in true Open Source spirit, source  #
234  is best documentation. I even made considerable effort to comment parts  # define tree structure
235  which are not intuitively clear, so...  #
236    
237    my $l = $webpac->{'lookup'} || $log->logconfess("can't find lookup");
238    
239    my @tree = ({
240            # level 0
241            code_arr        => sub { sort keys %{$l} },
242            filter_code     => sub {
243                                            my $t = shift;
244                                            return $t if ($t =~ s/root://);
245                                    },
246            lookup_v900     => sub { shift @{$l->{"root:".$_[0]}} },
247            lookup_term     => sub { shift @{$l->{"d:".$_[1]}} },
248            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[1]}} },
249            have_children   => sub { return $l->{"a:".$_[0]."::"} },
250            have_children_at_level => sub {
251                                    return unless (defined($l->{"code:".$_[1]}));
252                                    my $code = shift @{$l->{"code:".$_[1]}};
253                                    print STDERR "## $_[1] -> $code\n";
254                                    return undef unless($code);
255                                    return(9, $l->{"a:$code:"} ) if (defined($l->{"a:$code:"}));
256                            },
257            style           => 'display: none',
258            },{
259            # 1
260            code_arr        => sub { @{$_[0]} },
261            filter_code     => sub { shift },       # nop
262            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
263            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
264            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
265            have_children   => sub { return $l->{"a:".$_[1].":"} },
266            style           => 'display: none',
267            },{
268            # 2
269            code_arr        => sub { @{$_[0]} },
270            filter_code     => sub { shift },
271            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
272            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
273            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
274            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
275            #style          => 'display: none',
276            },{
277            # 3 ui pojam
278            code_arr        => sub { @{$_[0]} },
279            filter_code     => sub { shift },
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].":".$_[0]} },
284            },{
285            # 4
286            code_arr        => sub { @{$_[0]} },
287            filter_code     => sub { shift },
288            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
289            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
290            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
291            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
292            },{
293            # 5
294            code_arr        => sub { @{$_[0]} },
295            filter_code     => sub { shift },
296            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
297            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
298            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
299            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
300            },{
301            # 6
302            code_arr        => sub { @{$_[0]} },
303            filter_code     => sub { shift },
304            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
305            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
306            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
307            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
308            },{
309            # 7
310            code_arr        => sub { @{$_[0]} },
311            filter_code     => sub { shift },
312            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
313            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
314            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
315            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
316            },{
317            # 8
318            code_arr        => sub { @{$_[0]} },
319            filter_code     => sub { shift },
320            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
321            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
322            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
323    #       have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
324            have_children   => sub { 0 },
325            },{
326            # 9 - level which is never reached except explicitly
327            code_arr        => sub { @{$_[0]} },
328            filter_code     => sub { shift },
329            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
330            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
331            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
332            have_children   => sub { 0 },
333            have_children_at_level => sub { defined($l->{"a:".$_[1].":".$_[0]}) && return (9,$l->{"a:".$_[1].":".$_[0]}) },
334            },{
335    });
336    
337  =head1 AUTHOR  my $tree = new WebPAC::Tree(
338            tree => \@tree,
339  Dobrica Pavlinusic <dpavlin@rot13.org>  );
340    
341  =head1 COPYRIGHT  $tree->output(
342            dir => './out',
343            html => 'browse.html',
344            template => './output_template/tree.tt',
345            js => 'tree-ids.js',
346    );
347    
348  GNU Public License (GPL) v2 or later  $tree->output(
349            dir => './eurovoc',
350            html => 'hijerarhija.html',
351            template => './output_template/hijerarhija.tt',
352            js => 'tree-ids.js',
353    );
354    
 =head1 SEE ALSO  
355    
356  SWISH-E web site at http://www.swish-e.org  $log->info("closing index");
357    $index->close;
358    
359  =cut  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));

Legend:
Removed from v.199  
changed lines
  Added in v.549

  ViewVC Help
Powered by ViewVC 1.1.26