/[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 4 by dpavlin, Sun Dec 1 22:51:29 2002 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;  
 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                                  my $all_sf = $row->{$isis_id}->[0];  use WebPAC;
18                                  $all_sf =~ s/\^./ /g;   nuke definirions  use WebPAC::jsFind;
19                                  return $all_sf;  use WebPAC::Index;
20                          } elsif ($sf->{$subfield}) {  use WebPAC::Tree;
21                                  return $sf->{$subfield};  
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            $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          foreach my $field (keys %{$config->{indexer}}) {  # create WebPAC object
74    #
75                  my $display_data = "";  my $webpac = new WebPAC(
76                  my $index_data = "";          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 $thes;
94    
95    $|=1;
96    
97    my $maxmfn = $webpac->open_isis(
98            filename => shift @ARGV || '/data/hidra/THS/THS',
99            lookup => [
100            { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
101    #       { 'eval' => '"v901^a" eq "Podruèje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
102    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
103    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
104            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
105            { 'key' => '900_mfn:v900', 'val' => 'v000' },
106            # tree structure
107            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', '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    $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
114    
115    $log->info("rows: $maxmfn");
116    
117    $webpac->open_import_xml(type => 'isis_hidra_ths');
118    
119    if(1) { # XXX
120    
121    while (my $rec = $webpac->fetch_rec) {
122    
123            my @ds = $webpac->data_structure($rec);
124    
125            if (0 && $log->is_debug) {
126                    $log->debug("rec = ",Dump($rec));
127                    $log->debug("ds = ",Dump(\@ds));
128            }
129    
130                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {          next if (! @ds);
131    
132                          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 .= $index_tmp;  
133    
134                  }          if ($filename) {
135  #print "--display:$display_data\n--index:$index_data\n";                  $webpac->output_file(
136                  $xml->{$field}->{display} .= $isis_map->tou($display_data)->utf8 if ($display_data);                          file => $filename,
137                  $xml->{$field}->{index} .= unac_string($config->{isis_codepage},$index_data) if ($index_data);                          template => 'html.tt',
138                                    data => \@ds,
139          }                          headline => $webpac->{'headline'},
140          if ($xml) {                  );
                 return XMLout($xml, rootname => 'xml', noattr => 1 );  
141          } else {          } else {
142                  return;                  print $webpac->output(
143                            template => 'text.tt',
144                            data => \@ds,
145                            headline => $webpac->{'headline'},
146                    );
147          }          }
 }  
   
 ##########################################################################  
   
 my $last_tell=0;  
148    
149  my @isis_dirs = ( '.' );        # use dirname as database name          my $headline = $webpac->{'headline'};
150    
151  if ($opts{m}) {          my $f = $filename;
152          @isis_dirs = split(/,/,$opts{m});          $f =~ s!out/!!;
 }  
   
 my @isis_dbs;  
153    
154  foreach (@isis_dirs) {          # save into index
155          if (-e $config->{isis_data}."/$db_dir/$_/LIBRI") {          foreach my $ds (@ds) {
156                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/LIBRI/LIBRI";                  next if (! $ds->{'swish'});
157          }  
158          if (-e $config->{isis_data}."/$db_dir/$_/PERI") {                  # strip all non word characters from beginning or end
159                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/PERI/PERI";                  # of word
160                    my $words = join(" ",@{$ds->{'swish'}});
161                    $words =~ s/^\W+//;
162                    $words =~ s/\W*\s+\W*/ /g;
163                    $words =~ s/\W+$//;
164    
165                    # first try to generate headline for this entry from index
166                    my $h = $ds->{'index'}->[0];
167                    # then, from display
168                    $h ||= $ds->{'display'}->[0];
169                    # and as last resport, fallback to headline
170                    $h ||= $headline;
171    
172                    $index->insert(
173                            index_name => $ds->{'tag'},
174                            #path => $f,
175                            path => $webpac->mfn,
176                            headline => $h,
177                            words => unac($words),
178                    );
179          }          }
         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";  
         }  
 }  
180    
181  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)
182            foreach my $ds (@ds) {
183                    next if (! $ds->{'index'});
184    
185                    $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
186    
187                    foreach my $h (@{$ds->{'index'}}) {
188                            $thes->{$ds->{'tag'}}->insert(
189                                    sort_by => unac_2($h),
190                                    mfn => $webpac->mfn,
191                                    headline => $h,
192                            );
193                    }
194            }
195    
196  my $db;  #       print Dump(\@ds);
197    
198  foreach my $isis_db (@isis_dbs) {  }
199    
200    foreach my $t (keys %{$thes}) {
201    
202          my $db = OpenIsis::open( $isis_db );          my @e = $thes->{$t}->elements;
203          if (0) {          if (! @e) {
204  #       # FIX                  $log->logwarn("no elements in sorted index $t?");
205  #       if (! $db ) {                  next;
                 print STDERR "WARNING: can't open '$isis_db'\n";  
                 next ;  
206          }          }
207    
208          my $max_rowid = OpenIsis::maxRowid( $db );          my $file = "./out/bfilter/$t.txt";
209            $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;  
210    
211  #       { my $row_id = 1;          $webpac->output_file(
212  # FIX                  file => $file,
213          for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {                  template => 'index.tt',
214                  my $row = OpenIsis::read( $db, $row_id );                  data => \@e,
215                  if ($row && $row->{mfn}) {                  index_name => $t,
216            );
217                          # 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;  
                         }  
218    
219                          if (my $xml = isis2xml($row)) {  if (0 && $log->is_debug) {
220                                  print "Path-Name: $isis_db#".$row->{mfn}."\n";          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
221                                  print "Content-Length: ".(length($xml)+1)."\n";          $log->debug("data hash: ",Dump($webpac->{'data'}));
222                                  print "Document-Type: XML\n\n$xml\n";          foreach my $t (keys %{$thes}) {
223                          }                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
                 }  
224          }          }
         print STDERR "\n";  
225  }  }
226    
227    } # XXX if(0)
228    
229  1;  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
 __END__  
 ##########################################################################  
   
 =head1 NAME  
   
 isis2xml.pl - read isis file and dump XML  
230    
231  =head1 DESCRIPTION  $log->info("creating tree");
232    
233  This command will read ISIS data file using OpenIsis perl module and  #
234  create XML file for usage with I<SWISH-E>  # define tree structure
235  indexer. Dispite it's name, this script B<isn't general xml generator>  #
236  from isis files (isis allready has something like that). Output of this  
237  script is tailor-made for SWISH-E.  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].":".$_[0]} },
275            #style          => 'display: none',
276            },{
277            # 3 u¾i pojam
278            code_arr        => sub { @{$_[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    my $tree = new WebPAC::Tree(
338            tree => \@tree,
339    );
340    
341    $tree->output(
342            dir => './out',
343            html => 'browse.html',
344            template => './output_template/tree.tt',
345            js => 'tree-ids.js',
346    );
347    
348    $tree->output(
349            dir => './eurovoc',
350            html => 'hijerarhija.html',
351            template => './output_template/hijerarhija.tt',
352            js => 'tree-ids.js',
353    );
354    
 =head1 AUTHOR  
355    
356  Dobrica Pavlinusic <dpavlin@rot13.org>  $log->info("closing index");
357    $index->close;
358    
359  =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.4  
changed lines
  Added in v.549
  ViewVC Help
Powered by ViewVC 1.1.26