/[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 3 by dpavlin, Sat Nov 30 00:36:34 2002 UTC trunk2/all2all.pl revision 546 by dpavlin, Tue Oct 26 18:59:38 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;  
 require Unicode::Map8;  
   
 my $config=XMLin(undef, forcearray => [ 'isis' ], forcecontent => 1);  
   
 my %opts;  
   
 getopts('d:m:q', \%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";  
   
 # how to convert isis code page to UTF8?  
 my $isis_map = Unicode::Map8->new($config->{isis_codepage}) || die;  
   
 sub isis2xml {  
4    
5          my $row = shift @_;  all2all.pl - basic script for all WebPAC needs
6    
7          my $xml;  =cut
8    
9          sub isis_sf {  use strict;
10                  my $row = shift @_;  use locale;
11                  my $isis_id = shift @_;  use YAML;
12                  my $subfield = shift @_;  use Carp;
13                  if ($row->{$isis_id}->[0]) {  use Getopt::Long;
14                          my $sf = OpenIsis::subfields($row->{$isis_id}->[0]);  use Text::Unaccent 1.02;
15                          if (! defined $subfield || length($subfield) == 0) {  
16                                  # subfield list undef, empty or no defined subfields for this record  use lib './lib';
17                                  return $row->{$isis_id}->[0];  use WebPAC;
18                          } elsif ($sf->{$subfield}) {  use WebPAC::jsFind;
19                                  return $sf->{$subfield};  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.*$/ */);
40                    return $tmp;
41            },
42            'CROVOC_tree' => sub {
43                    my $tmp = shift || return;
44                    $tmp =~ s/\s*CROVOC.*$/ */;
45                    $tmp =~ s/\s*EUROVOC.*//;
46                    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/ðÐ/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/ðÐ/dD/;
64                    $string = $pr . $string;
65          }          }
66            return lc($string);
67    }
68    
69          foreach my $field (keys %{$config->{indexer}}) {  # create WebPAC object
70    #
71                  my $display_data = "";  my $webpac = new WebPAC(
72                  my $index_data = "";          code_page => $code_page,
73            limit_mfn => $limit_mfn,
74            start_mfn => $start_mfn,
75            debug => $debug,
76            low_mem => $low_mem,
77            filter => $filter,
78    ) || die;
79    
80    my $log = $webpac->_get_logger() || die "can't get logger";
81    
82    $log->debug("creating WebPAC::jsFind object");
83    
84    my $index = new WebPAC::jsFind(
85            index_path => $index_path,
86            keys => 10,
87    ) || die;
88    
89    my $thes;
90    
91    $|=1;
92    
93    my $maxmfn = $webpac->open_isis(
94            filename => shift @ARGV || '/data/hidra/THS/THS',
95            lookup => [
96            { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
97    #       { 'eval' => '"v901^a" eq "Podruèje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
98    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
99    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
100            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
101            { 'key' => '900_mfn:v900', 'val' => 'v000' },
102            # tree structure
103            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', 'key' => 'root:v251', 'val' => 'v900' },
104            { 'eval' => '"v251"', 'key' => 'code:v900', 'val' => 'v561^4:v251' },
105            { 'eval' => '"v561^4" && "v562^4"', 'key' => 'code:v900', 'val' => 'v561^4:v562^4' },
106            ],
107    );
108    
109    $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
110    
111    $log->info("rows: $maxmfn");
112    
113    $webpac->open_import_xml(type => 'isis_hidra_ths');
114    
115    if(1) { # XXX
116    
117    while (my $rec = $webpac->fetch_rec) {
118    
119            my @ds = $webpac->data_structure($rec);
120    
121            if (0 && $log->is_debug) {
122                    $log->debug("rec = ",Dump($rec));
123                    $log->debug("ds = ",Dump(\@ds));
124            }
125    
126                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {          next if (! @ds);
127    
128                          my $display_tmp = "";          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
                         my $index_tmp = "";  
   
                         my $format = $x->{content};  
                         my $i = 1;      # index only  
                         my $d = 1;      # display only  
                         $i = 0 if (lc($x->{type}) eq "display");  
                         $d = 0 if (lc($x->{type}) eq "index");  
 #print "## i: $i d: $d ## $format ##";    
                         # parse format  
                         my $prefix = "";  
                         if ($format =~ s/^([^\d]+)//) {  
                                 $prefix = $1;  
                         }  
                         while ($format) {  
                                 if ($format =~ s/^(\d\d\d)(\w?)//) {  
                                         my $isis_tmp = isis_sf($row,$1,$2);  
                                         if ($isis_tmp) {  
 #                                               $display_tmp .= $prefix . "/$1/$2/".$isis_tmp if ($d);  
                                                 $display_tmp .= $prefix . $isis_tmp if ($d);  
                                                 $index_tmp .= $isis_tmp." " if ($i);  
 #print " $isis_tmp <--\n";  
                                         }  
                                         $prefix = "";  
                                 } elsif ($format =~ s/^([^\d]+)//) {  
                                         $prefix = $1;  
                                 } else {  
                                         print STDERR "WARNING: unparsed format '$format'\n";  
                                         last;  
                                 };  
                         }  
                         # add suffix  
                         $display_tmp .= $prefix if ($display_tmp);  
   
 #                       $display_data .= $display_tmp if ($display_tmp ne "");  
 #                       $index_data .= $index_tmp if ($index_tmp ne "");  
                         $display_data .= $display_tmp;  
                         $index_data .= $index_tmp;  
129    
130                  }          if ($filename) {
131  #print "--display:$display_data\n--index:$index_data\n";                  $webpac->output_file(
132                  $xml->{$field}->{display} .= $isis_map->tou($display_data)->utf8 if ($display_data);                          file => $filename,
133                  $xml->{$field}->{index} .= unac_string($config->{isis_codepage},$index_data) if ($index_data);                          template => 'html.tt',
134                                    data => \@ds,
135          }                          headline => $webpac->{'headline'},
136          if ($xml) {                  );
                 return XMLout($xml, rootname => 'xml', noattr => 1 );  
137          } else {          } else {
138                  return;                  print $webpac->output(
139                            template => 'text.tt',
140                            data => \@ds,
141                            headline => $webpac->{'headline'},
142                    );
143          }          }
 }  
   
 ##########################################################################  
   
 my $last_tell=0;  
144    
145  my @isis_dirs = ( '.' );        # use dirname as database name          my $headline = $webpac->{'headline'};
146    
147  if ($opts{m}) {          my $f = $filename;
148          @isis_dirs = split(/,/,$opts{m});          $f =~ s!out/!!;
 }  
   
 my @isis_dbs;  
149    
150  foreach (@isis_dirs) {          # save into index
151          if (-e $config->{isis_data}."/$db_dir/$_/LIBRI") {          foreach my $ds (@ds) {
152                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/LIBRI/LIBRI";                  next if (! $ds->{'swish'});
153          }  
154          if (-e $config->{isis_data}."/$db_dir/$_/PERI") {                  # strip all non word characters from beginning or end
155                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/PERI/PERI";                  # of word
156                    my $words = join(" ",@{$ds->{'swish'}});
157                    $words =~ s/^\W+//;
158                    $words =~ s/\W*\s+\W*/ /g;
159                    $words =~ s/\W+$//;
160    
161                    # first try to generate headline for this entry from index
162                    my $h = $ds->{'index'}->[0];
163                    # then, from display
164                    $h ||= $ds->{'display'}->[0];
165                    # and as last resport, fallback to headline
166                    $h ||= $headline;
167    
168                    $index->insert(
169                            index_name => $ds->{'tag'},
170                            #path => $f,
171                            path => $webpac->mfn,
172                            headline => $h,
173                            words => unac($words),
174                    );
175          }          }
         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";  
         }  
 }  
176    
177  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)
178            foreach my $ds (@ds) {
179                    next if (! $ds->{'index'});
180    
181                    $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
182    
183                    foreach my $h (@{$ds->{'index'}}) {
184                            $thes->{$ds->{'tag'}}->insert(
185                                    sort_by => unac_2($h),
186                                    mfn => $webpac->mfn,
187                                    headline => $h,
188                            );
189                    }
190            }
191    
192  my $db;  #       print Dump(\@ds);
193    
194  foreach my $isis_db (@isis_dbs) {  }
195    
196    foreach my $t (keys %{$thes}) {
197    
198          my $db = OpenIsis::open( $isis_db );          my @e = $thes->{$t}->elements;
199          if (0) {          if (! @e) {
200  #       # FIX                  $log->logwarn("no elements in sorted index $t?");
201  #       if (! $db ) {                  next;
                 print STDERR "WARNING: can't open '$isis_db'\n";  
                 next ;  
202          }          }
203    
204          my $max_rowid = OpenIsis::maxRowid( $db );          my $file = "./out/bfilter/$t.txt";
205            $log->info("saving sorted index $t to '$file' [".scalar(@e)." elements]");
         print STDERR "Reading database: $isis_db [$max_rowid rows]\n";  
   
         my $last_p = 0;  
206    
207  #       { my $row_id = 1;          $webpac->output_file(
208  # FIX                  file => $file,
209          for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {                  template => 'index.tt',
210                  my $row = OpenIsis::read( $db, $row_id );                  data => \@e,
211                  if ($row && $row->{mfn}) {                  index_name => $t,
212            );
213                          # 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;  
                         }  
214    
215                          if (my $xml = isis2xml($row)) {  if (0 && $log->is_debug) {
216                                  print "Path-Name: $isis_db#".$row->{mfn}."\n";          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
217                                  print "Content-Length: ".(length($xml)+1)."\n";          $log->debug("data hash: ",Dump($webpac->{'data'}));
218                                  print "Document-Type: XML\n\n$xml\n";          foreach my $t (keys %{$thes}) {
219                          }                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
                 }  
220          }          }
         print STDERR "\n";  
221  }  }
222    
223    } # XXX if(0)
224    
225  1;  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
 __END__  
 ##########################################################################  
   
 =head1 NAME  
   
 isis2xml.pl - read isis file and dump XML  
226    
227  =head1 DESCRIPTION  $log->info("creating tree");
228    
229  This command will read ISIS data file using OpenIsis perl module and  #
230  create XML file for usage with I<SWISH-E>  # define tree structure
231  indexer. Dispite it's name, this script B<isn't general xml generator>  #
232  from isis files (isis allready has something like that). Output of this  
233  script is tailor-made for SWISH-E.  my $l = $webpac->{'lookup'} || $log->logconfess("can't find lookup");
234    
235    my @tree = ({
236            # level 0
237            code_arr        => sub { sort keys %{$l} },
238            filter_code     => sub {
239                                            my $t = shift;
240                                            return $t if ($t =~ s/root://);
241                                    },
242            lookup_v900     => sub { shift @{$l->{"root:".$_[0]}} },
243            lookup_term     => sub { shift @{$l->{"d:".$_[1]}} },
244            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[1]}} },
245            have_children   => sub { return $l->{"a:".$_[0]."::"} },
246            have_children_at_level => sub {
247                                    return unless (defined($l->{"code:".$_[1]}));
248                                    my $code = shift @{$l->{"code:".$_[1]}};
249                                    print STDERR "## $_[1] -> $code\n";
250                                    return undef unless($code);
251                                    return(9, $l->{"a:$code:"} ) if (defined($l->{"a:$code:"}));
252                            },
253            style           => 'display: none',
254            },{
255            # 1
256            code_arr        => sub { @{$_[0]} },
257            filter_code     => sub { shift },       # nop
258            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
259            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
260            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
261            have_children   => sub { return $l->{"a:".$_[1].":"} },
262            style           => 'display: none',
263            },{
264            # 2
265            code_arr        => sub { @{$_[0]} },
266            filter_code     => sub { shift },
267            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
268            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
269            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
270            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
271            #style          => 'display: none',
272            },{
273            # 3 u¾i pojam
274            code_arr        => sub { @{$_[0]} },
275            filter_code     => sub { shift },
276            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
277            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
278            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
279            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
280            },{
281            # 4
282            code_arr        => sub { @{$_[0]} },
283            filter_code     => sub { shift },
284            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
285            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
286            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
287            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
288            },{
289            # 5
290            code_arr        => sub { @{$_[0]} },
291            filter_code     => sub { shift },
292            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
293            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
294            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
295            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
296            },{
297            # 6
298            code_arr        => sub { @{$_[0]} },
299            filter_code     => sub { shift },
300            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
301            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
302            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
303            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
304            },{
305            # 7
306            code_arr        => sub { @{$_[0]} },
307            filter_code     => sub { shift },
308            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
309            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
310            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
311            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
312            },{
313            # 8
314            code_arr        => sub { @{$_[0]} },
315            filter_code     => sub { shift },
316            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
317            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
318            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
319    #       have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
320            have_children   => sub { 0 },
321            },{
322            # 9 - level which is never reached except explicitly
323            code_arr        => sub { @{$_[0]} },
324            filter_code     => sub { shift },
325            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
326            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
327            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
328            have_children   => sub { 0 },
329            have_children_at_level => sub { defined($l->{"a:".$_[1].":".$_[0]}) && return (9,$l->{"a:".$_[1].":".$_[0]}) },
330            },{
331    });
332    
333    my $tree = new WebPAC::Tree(
334            tree => \@tree,
335    );
336    
337    $tree->output(
338            dir => './out',
339            html => 'browse.html',
340            template => './output_template/tree.tt',
341            js => 'tree-ids.js',
342    );
343    
344    $tree->output(
345            dir => './eurovoc',
346            html => 'hijerarhija.html',
347            template => './output_template/hijerarhija.tt',
348            js => 'tree-ids.js',
349    );
350    
 =head1 AUTHOR  
351    
352  Dobrica Pavlinusic <dpavlin@rot13.org>  $log->info("closing index");
353    $index->close;
354    
355  =head1 COPYRIGHT  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));
   
 GNU Public License (GPL) v2 or later  
   
 =head1 SEE ALSO  
   
 SWISH-E web site at http://www.swish-e.org  
   
 =cut  
Legend:
Removed from v.3  
changed lines
  Added in v.546
  ViewVC Help
Powered by ViewVC 1.1.26