/[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 32 by dpavlin, Sun Feb 23 07:53:01 2003 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 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;  
 my $index_codepage;  
 my $cludge_codepage = Text::Iconv->new('UTF8','ISO8859-1');  
 my $xml_codepage;  
   
 my $XML_CHARSET = 'UTF8';  
   
   
 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 $tmp = shift || return;
39                    return undef unless ($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          my $html = "";          # html formatted display output  # create WebPAC object
70    #
71    my $webpac = new WebPAC(
72            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 %field_usage;        # counter for usage of each field  my $thes;
90    
91          # sort subrouting using order="" attribute  $|=1;
         sub by_order {  
                 return 0 if (! $config->{indexer}->{$a}->{order});  
                 return 0 if (! $config->{indexer}->{$b}->{order});  
92    
93                  return $config->{indexer}->{$a}->{order} <=>  my $maxmfn = $webpac->open_isis(
94                          $config->{indexer}->{$b}->{order} ;          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 $field (sort by_order keys %{$config->{indexer}}) {          next if (! @ds);
127    
128                  $field_usage{$field}++;          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
129    
130                  my $swish_data = "";          if ($filename) {
131                  my $display_data = "";                  $webpac->output_file(
132                  my $line_delimiter = "";                          file => $filename,
133                            template => 'html.tt',
134                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {                          data => \@ds,
135                            headline => $webpac->{'headline'},
136                          my $format = $x->{content};                  );
137                          my $delimiter = $x->{delimiter} || ' ';          } else {
138                    print $webpac->output(
139                          # FIX: this is ugly, UGLY, cludge string is returned                          template => 'text.tt',
140                          # in UTF8 encoding , but as if source charset                          data => \@ds,
141                          # is ISO8859-1 and not some other. This break other                          headline => $webpac->{'headline'},
142                          # character encodings, so we convert it first                  );
143                          # back to ISO8859-1          }
                         $format = $xml_codepage->convert($format);  
                         $delimiter = $xml_codepage->convert($delimiter) if ($delimiter);  
   
                         my $isis_i = 0;         # isis repeatable offset  
   
                         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";    
   
                         $display_data .= $line_delimiter if ($display_data && $display_data !~ /$line_delimiter$/);  
   
                         my ($swish,$display) = (1,1);  
   
                         while ($swish || $display) {  
                                 ($swish,$display) = parse_format($format,$row,$isis_i++);  
 #print STDERR "s: $swish\nd: $display\n" if ($swish);  
   
 #print STDERR "swish: $swish<-- display: $display<--\n";  
   
                                 # filter="name" ; filter this field through  
                                 # filter/[name].pm  
                                 my $filter = $x->{filter};  
                                 if ($filter) {  
                                         require "filter/".$filter.".pm";  
                                 }  
                                 # type="swish" ; field for swish  
                                 if ($s && $swish) {  
                                         if ($filter) {  
 #print STDERR "using filter '$filter'\n";  
                                                 no strict 'refs';  
                                                 $swish_data .= join(" ",&$filter($swish));  
                                         } else {  
                                                 $swish_data .= $swish;  
                                         }  
                                 }  
   
                                 # type="display" ; field for display  
                                 if ($d && $display) {  
                                         if ($filter) {  
                                                 no strict 'refs';  
                                                 $display_data .= join($delimiter,&$filter($display));  
                                         } else {  
                                                 if ($display_data) {  
                                                         $display_data .= $delimiter.$display;  
                                                 } else {  
                                                         $display_data .= $display;  
                                                 }  
                                         }  
                                 }  
                                                   
                                 # type="index" ; insert into index  
                                 if ($i && $display) {  
                                         my $index_data = $index_codepage->convert($display) || $display;  
                                         if ($filter) {  
                                                 no strict 'refs';  
                                                 foreach my $d (&$filter($index_data)) {  
                                                         $index->insert($field, $d, $db_dir);  
                                                 }  
                                         } else {  
                                                 $index->insert($field, $index_data, $db_dir);  
                                         }  
                                 }  
                         }  
                         if ($x->{append}) {  
                                 $line_delimiter = ' ';  
                         } else {  
                                 $line_delimiter = '<br/>';  
                         }  
                 }  
   
   
 #print STDERR "s_d: $swish_data\nd_d: $display_data\n" if ($swish_data);  
                 if ($display_data) {  
   
                         # remove last <br>  
                         $display_data =~ s/$line_delimiter$//;  
144    
145                          $display_data = $isis_codepage->convert($display_data) || die "Can't convert '$display_data' !";          my $headline = $webpac->{'headline'};
                         # FIX: this is removed and replaced by html tag.  
                         #$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}."#-#";  
                                 } 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) {  
                                         $html .= $xml_codepage->convert($field_name);  
 #                                       $html .= "-->".$field_name."<--";  
                                 }  
                                 $html .= $display_data."###\n";  
                         }  
                 }  
                 if ($swish_data) {  
                         my $i = Text::Iconv->new($config->{isis_codepage},'ISO8859-2');  
                         # remove extra spaces  
                         $swish_data =~ s/ +/ /g;  
                         $swish_data =~ s/ +$//g;  
   
                         $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));  
                 }  
146    
147            my $f = $filename;
148            $f =~ s!out/!!;
149    
150            # save into index
151            foreach my $ds (@ds) {
152                    next if (! $ds->{'swish'});
153    
154                    # strip all non word characters from beginning or end
155                    # 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          }          }
176    
177          # dump formatted output in <html>          # save into sorted index (thesaurus)
178          if ($html) {          foreach my $ds (@ds) {
179                  $xml .= xmlify("html",$html);                  next if (! $ds->{'index'});
180          }  
181                            $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
182          if ($xml) {  
183  #print STDERR "x: $xml\n";                  foreach my $h (@{$ds->{'index'}}) {
184                  $xml .= $add_xml if ($add_xml);                          $thes->{$ds->{'tag'}}->insert(
185                  return "<xml>\n$xml</xml>\n";                                  sort_by => unac_2($h),
186          } else {                                  mfn => $webpac->mfn,
187                  return;                                  headline => $h,
188                            );
189                    }
190          }          }
 }  
191    
192  ##########################################################################  #       print Dump(\@ds);
193    
194  my $cfg = new Config::IniFiles( -file => $config_file );  }
195    
196  foreach my $database ($cfg->Sections) {  foreach my $t (keys %{$thes}) {
197    
198          my $isis_db = $cfg -> val($database, 'isis_db');          my @e = $thes->{$t}->elements;
199          my $type = $cfg -> val($database, 'type');          if (! @e) {
200          my $add_xml = $cfg -> val($database, 'xml');                  $log->logwarn("no elements in sorted index $t?");
201                    next;
         # read configuration for this type  
         $config=XMLin("./import_xml/$type.xml", forcearray => [ 'isis' ], forcecontent => 1);  
         $isis_codepage = Text::Iconv->new($config->{isis_codepage},$XML_CHARSET);  
         $index_codepage = Text::Iconv->new($config->{isis_codepage},$config->{index_codepage});  
         $xml_codepage = Text::Iconv->new($cfg->val($database,'xml_codepage'),$XML_CHARSET);  
   
         my $db = OpenIsis::open( $isis_db );  
         if (0) {  
 #       # FIX  
 #       if (! $db ) {  
                 print STDERR "WARNING: can't open '$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";  
206    
207          my $path = $database;                   # was $isis_db          $webpac->output_file(
208                    file => $file,
209          my $last_p = 0;                  template => 'index.tt',
210                    data => \@e,
211                    index_name => $t,
212            );
213    }
214    
215  #       { my $row_id = 4514;  if (0 && $log->is_debug) {
216  # FIX          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
217          for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {          $log->debug("data hash: ",Dump($webpac->{'data'}));
218                  my $row = OpenIsis::read( $db, $row_id );          foreach my $t (keys %{$thes}) {
219                  if ($row && $row->{mfn}) {                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
 #print STDERR "mfn: ",$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;  
                         }  
   
                         if (my $xml = isis2xml($row,$add_xml)) {  
 #print STDERR "--ret-->$xml\n";  
                                 print "Path-Name: $path#".int($row->{mfn})."\n";  
                                 print "Content-Length: ".(length($xml)+1)."\n";  
                                 print "Document-Type: XML\n\n$xml\n";  
                         }  
                 }  
220          }          }
         print STDERR "\n";  
221  }  }
222    
223  # call this to commit index  } # XXX if(0)
 $index->close;  
   
 1;  
 __END__  
 ##########################################################################  
   
 =head1 NAME  
224    
225  isis2xml.pl - read isis file and dump XML  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
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;
 =head1 COPYRIGHT  
   
 GNU Public License (GPL) v2 or later  
   
 =head1 SEE ALSO  
   
 SWISH-E web site at http://www.swish-e.org  
354    
355  =cut  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));
Legend:
Removed from v.32  
changed lines
  Added in v.546
  ViewVC Help
Powered by ViewVC 1.1.26