/[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 550 by dpavlin, Tue Oct 26 21:44:57 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  
4    
5  #die "usage: $0 -d [database_dir] -m [database1,database2] " if (! %opts);  all2all.pl - basic script for all WebPAC needs
6    
7  #print Dumper($config->{indexer});  =cut
 #print "-" x 70,"\n";  
8    
9  # how to convert isis code page to UTF8?  use strict;
10  my $isis_map = Unicode::Map8->new($config->{isis_codepage}) || die;  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            $string = unac_entities($string);
57            return $string;
58    }
59    sub unac_2 {
60            my $string = shift || return;
61            if (length($string) > 2) {
62                    my $pr = substr($string,0,2);
63                    $string = unac_string($code_page,substr($string,2));
64                    $string =~ tr/ðÐ/dD/;
65                    $string = $pr . $string;
66            }
67            $string = unac_entities($string);
68            return lc($string);
69    }
70    
71  sub isis2xml {  sub unac_entities {
72            my $ent = shift || return;
73    
74          my $row = shift @_;          $ent =~ s/&(\w)(acute|cedil|circ|grave|ring|slash|tilde|uml);/$1/gi;
75            $ent =~ s/ð/d/g;
76            $ent =~ s/&E[tT][hH];/D/g;
77            $ent =~ s/&(\w\w)lig;/$1/gi;
78    
79          my $xml;          return $ent;
80    }
81    
82          sub isis_sf {  # create WebPAC object
83                  my $row = shift @_;  #
84                  my $isis_id = shift @_;  my $webpac = new WebPAC(
85                  my $subfield = shift @_;          code_page => $code_page,
86                  if ($row->{$isis_id}->[0]) {          limit_mfn => $limit_mfn,
87                          my $sf = OpenIsis::subfields($row->{$isis_id}->[0]);          start_mfn => $start_mfn,
88                          if (! defined $subfield || length($subfield) == 0) {          debug => $debug,
89                                  # subfield list undef, empty or no defined subfields for this record          low_mem => $low_mem,
90                                  return $row->{$isis_id}->[0];          filter => $filter,
91                          } elsif ($sf->{$subfield}) {  ) || die;
92                                  return $sf->{$subfield};  
93                          }  my $log = $webpac->_get_logger() || die "can't get logger";
94                  }  
95    $log->debug("creating WebPAC::jsFind object");
96    
97    my $index = new WebPAC::jsFind(
98            index_path => $index_path,
99            keys => 10,
100    ) || die;
101    
102    my $thes;
103    
104    $|=1;
105    
106    my $maxmfn = $webpac->open_isis(
107            filename => shift @ARGV || '/data/hidra/THS/THS',
108            lookup => [
109            { 'key' => 'd:v900', 'val' => 'filter{CROVOC_tree}v250^a v800' },
110    #       { 'eval' => '"v901^a" eq "Podruèje"', 'key' => 'pa:v561^4:v562^4:v461^1', 'val' => 'v900' },
111    #       { 'eval '=> '"v901^a" eq "Mikrotezaurus"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
112    #       { 'eval' => '"v901^a" eq "Deskriptor"', 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
113            { 'key' => 'a:v561^4:v562^4:v461^1', 'val' => 'v900' },
114            { 'key' => '900_mfn:v900', 'val' => 'v000' },
115            # tree structure
116            { 'eval' => 'length("v251") == 2 && "v800" =~ m/EUROVOC/ || "v800" =~ m/CROVOC/ && "v251" =~ m/^(H|HD|L|Z|P)$/', 'key' => 'root:v251', 'val' => 'v900' },
117            { 'eval' => '"v251"', 'key' => 'code:v900', 'val' => 'v561^4:v251' },
118            { 'eval' => '"v561^4" && "v562^4"', 'key' => 'code:v900', 'val' => 'v561^4:v562^4' },
119            ],
120    );
121    
122    $log->debug("isis file ",$webpac->{'isis_filename'}," opened");
123    
124    $log->info("rows: $maxmfn");
125    
126    $webpac->open_import_xml(type => 'isis_hidra_ths');
127    
128    if(1) { # XXX
129    
130    while (my $rec = $webpac->fetch_rec) {
131    
132            my @ds = $webpac->data_structure($rec);
133    
134            if (0 && $log->is_debug) {
135                    $log->debug("rec = ",Dump($rec));
136                    $log->debug("ds = ",Dump(\@ds));
137          }          }
138    
139          foreach my $field (keys %{$config->{indexer}}) {          next if (! @ds);
   
                 my $display_data = "";  
                 my $index_data = "";  
140    
141                  foreach my $x (@{$config->{indexer}->{$field}->{isis}}) {          my $filename = $webpac->{'current_filename'} || $log->logdie("no current_filename in webpac object");
142    
143                          my $display_tmp = "";          if ($filename) {
144                          my $index_tmp = "";                  $webpac->output_file(
145                            file => $filename,
146                          my $format = $x->{content};                          template => 'html.tt',
147                          my $i = 1;      # index only                          data => \@ds,
148                          my $d = 1;      # display only                          headline => $webpac->{'headline'},
149                          $i = 0 if (lc($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;  
   
                 }  
 #print "--display:$display_data\n--index:$index_data\n";  
                 $xml->{$field}->{display} .= $isis_map->tou($display_data)->utf8 if ($display_data);  
                 $xml->{$field}->{index} .= unac_string($config->{isis_codepage},$index_data) if ($index_data);  
           
         }  
         if ($xml) {  
                 return XMLout($xml, rootname => 'xml', noattr => 1 );  
150          } else {          } else {
151                  return;                  print $webpac->output(
152                            template => 'text.tt',
153                            data => \@ds,
154                            headline => $webpac->{'headline'},
155                    );
156          }          }
 }  
   
 ##########################################################################  
   
 my $last_tell=0;  
   
 my @isis_dirs = ( '.' );        # use dirname as database name  
157    
158  if ($opts{m}) {          my $headline = $webpac->{'headline'};
         @isis_dirs = split(/,/,$opts{m});  
 }  
159    
160  my @isis_dbs;          my $f = $filename;
161            $f =~ s!out/!!;
162    
163  foreach (@isis_dirs) {          # save into index
164          if (-e $config->{isis_data}."/$db_dir/$_/LIBRI") {          foreach my $ds (@ds) {
165                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/LIBRI/LIBRI";                  next if (! $ds->{'swish'});
166          }  
167          if (-e $config->{isis_data}."/$db_dir/$_/PERI") {                  # strip all non word characters from beginning or end
168                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/PERI/PERI";                  # of word
169          }                  my $words = join(" ",@{$ds->{'swish'}});
170          if (-e $config->{isis_data}."/$db_dir/$_/AMS") {                  $words =~ s/^\W+//;
171                  push @isis_dbs,$config->{isis_data}."/$db_dir/$_/AMS/AMS";                  $words =~ s/\W*\s+\W*/ /g;
172                    $words =~ s/\W+$//;
173    
174                    # first try to generate headline for this entry from index
175                    my $h = $ds->{'index'}->[0];
176                    # then, from display
177                    $h ||= $ds->{'display'}->[0];
178                    # and as last resport, fallback to headline
179                    $h ||= $headline;
180    
181                    $index->insert(
182                            index_name => $ds->{'tag'},
183                            #path => $f,
184                            path => $webpac->mfn,
185                            headline => $h,
186                            words => unac($words),
187                    );
188          }          }
         if (-e $config->{isis_data}."/$db_dir/$_/ARTI") {  
 #               push @isis_dbs,$config->{isis_data}."/$db_dir/$_/ARTI/ARTI";  
         }  
 }  
189    
190  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)
191            foreach my $ds (@ds) {
192                    next if (! $ds->{'index'});
193    
194                    $thes->{$ds->{'tag'}} ||= new WebPAC::Index( name => $ds->{'tag'} );
195    
196                    foreach my $h (@{$ds->{'index'}}) {
197                            $thes->{$ds->{'tag'}}->insert(
198                                    sort_by => unac_2($h),
199                                    mfn => $webpac->mfn,
200                                    headline => $h,
201                            );
202                    }
203            }
204    
205  my $db;  #       print Dump(\@ds);
206    
207  foreach my $isis_db (@isis_dbs) {  }
208    
209    foreach my $t (keys %{$thes}) {
210    
211          my $db = OpenIsis::open( $isis_db );          my @e = $thes->{$t}->elements;
212          if (0) {          if (! @e) {
213  #       # FIX                  $log->logwarn("no elements in sorted index $t?");
214  #       if (! $db ) {                  next;
                 print STDERR "WARNING: can't open '$isis_db'\n";  
                 next ;  
215          }          }
216    
217          my $max_rowid = OpenIsis::maxRowid( $db );          my $file = "./out/bfilter/$t.txt";
218            $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;  
   
 #       { my $row_id = 1;  
 # FIX  
         for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {  
                 my $row = OpenIsis::read( $db, $row_id );  
                 if ($row && $row->{mfn}) {  
219    
220                          # output current process indicator          $webpac->output_file(
221                          my $p = int($row->{mfn} * 100 / $max_rowid);                  file => $file,
222                          if ($p != $last_p) {                  template => 'index.tt',
223                                  printf STDERR ("%5d / %5d [%-51s] %-2d %% \r",$row->{mfn},$max_rowid,"=" x ($p/2).">", $p ) if (! $opts{q});                  data => \@e,
224                                  $last_p = $p;                  index_name => $t,
225                          }          );
226    }
227    
228                          if (my $xml = isis2xml($row)) {  if (0 && $log->is_debug) {
229                                  print "Path-Name: $isis_db#".$row->{mfn}."\n";          $log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
230                                  print "Content-Length: ".(length($xml)+1)."\n";          $log->debug("data hash: ",Dump($webpac->{'data'}));
231                                  print "Document-Type: XML\n\n$xml\n";          foreach my $t (keys %{$thes}) {
232                          }                  $log->debug("thesaurus $t hash: ",Dump($thes->{$t}));
                 }  
233          }          }
         print STDERR "\n";  
234  }  }
235    
236    } # XXX if(0)
237    
238  1;  #$log->debug("lookup hash: ",Dump($webpac->{'lookup'}));
 __END__  
 ##########################################################################  
   
 =head1 NAME  
   
 isis2xml.pl - read isis file and dump XML  
   
 =head1 DESCRIPTION  
   
 This command will read ISIS data file using OpenIsis perl module and  
 create 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.  
   
 =head1 AUTHOR  
239    
240  Dobrica Pavlinusic <dpavlin@rot13.org>  $log->info("creating tree");
241    
242  =head1 COPYRIGHT  #
243    # define tree structure
244    #
245    
246    my $l = $webpac->{'lookup'} || $log->logconfess("can't find lookup");
247    
248    my @tree = ({
249            # level 0
250            code_arr        => sub { sort keys %{$l} },
251            filter_code     => sub {
252                                            my $t = shift;
253                                            return $t if ($t =~ s/root://);
254                                    },
255            lookup_v900     => sub { shift @{$l->{"root:".$_[0]}} },
256            lookup_term     => sub { shift @{$l->{"d:".$_[1]}} },
257            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[1]}} },
258            have_children   => sub { return $l->{"a:".$_[0]."::"} },
259            have_children_at_level => sub {
260                                    return unless (defined($l->{"code:".$_[1]}));
261                                    my $code = shift @{$l->{"code:".$_[1]}};
262                                    print STDERR "## $_[1] -> $code\n";
263                                    return undef unless($code);
264                                    return(9, $l->{"a:$code:"} ) if (defined($l->{"a:$code:"}));
265                            },
266            style           => 'display: none',
267            },{
268            # 1
269            code_arr        => sub { @{$_[0]} },
270            filter_code     => sub { shift },       # nop
271            lookup_v900     => sub { shift @{$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].":"} },
275            style           => 'display: none',
276            },{
277            # 2
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].":".$_[0]} },
284            #style          => 'display: none',
285            },{
286            # 3 u¾i pojam
287            code_arr        => sub { @{$_[0]} },
288            filter_code     => sub { shift },
289            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
290            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
291            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
292            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
293            },{
294            # 4
295            code_arr        => sub { @{$_[0]} },
296            filter_code     => sub { shift },
297            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
298            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
299            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
300            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
301            },{
302            # 5
303            code_arr        => sub { @{$_[0]} },
304            filter_code     => sub { shift },
305            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
306            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
307            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
308            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
309            },{
310            # 6
311            code_arr        => sub { @{$_[0]} },
312            filter_code     => sub { shift },
313            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
314            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
315            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
316            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
317            },{
318            # 7
319            code_arr        => sub { @{$_[0]} },
320            filter_code     => sub { shift },
321            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
322            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
323            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
324            have_children   => sub { return $l->{"a:".$_[1].":".$_[0]} },
325            },{
326            # 8
327            code_arr        => sub { @{$_[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 { return $l->{"a:".$_[1].":".$_[0]} },
333            have_children   => sub { 0 },
334            },{
335            # 9 - level which is never reached except explicitly
336            code_arr        => sub { @{$_[0]} },
337            filter_code     => sub { shift },
338            lookup_v900     => sub { shift @{$l->{"code:".$_[0]}} },
339            lookup_term     => sub { shift @{$l->{"d:".$_[0]}} },
340            lookup_mfn      => sub { shift @{$l->{"900_mfn:".$_[0]}} },
341            have_children   => sub { 0 },
342            have_children_at_level => sub { defined($l->{"a:".$_[1].":".$_[0]}) && return (9,$l->{"a:".$_[1].":".$_[0]}) },
343            },{
344    });
345    
346    my $tree = new WebPAC::Tree(
347            tree => \@tree,
348    );
349    
350    $tree->output(
351            dir => './out',
352            html => 'browse.html',
353            template => './output_template/tree.tt',
354            js => 'tree-ids.js',
355    );
356    
357    $tree->output(
358            dir => './eurovoc',
359            html => 'hijerarhija.html',
360            template => './output_template/hijerarhija.tt',
361            js => 'tree-ids.js',
362    );
363    
 GNU Public License (GPL) v2 or later  
364    
365  =head1 SEE ALSO  $log->info("closing index");
366    $index->close;
367    
368  SWISH-E web site at http://www.swish-e.org  $log->info("elapsed time: ",$webpac->fmt_time(time() - $webpac->{'start_t'}));
   
 =cut  
Legend:
Removed from v.3  
changed lines
  Added in v.550
  ViewVC Help
Powered by ViewVC 1.1.26