/[webpac]/trunk2/all2xml.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/all2xml.pl

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

revision 1 by dpavlin, Sun Nov 24 20:52:11 2002 UTC revision 138 by dpavlin, Wed Oct 29 23:10:51 2003 UTC
# Line 5  use OpenIsis; Line 5  use OpenIsis;
5  use Getopt::Std;  use Getopt::Std;
6  use Data::Dumper;  use Data::Dumper;
7  use XML::Simple;  use XML::Simple;
8    use Text::Unaccent 1.02;        # 1.01 won't compile on my platform,
9    use Text::Iconv;
10    use Config::IniFiles;
11    use Encode;
12    
13    $|=1;
14    
15    my $config_file = $0;
16    $config_file =~ s/\.pl$/.conf/;
17    die "FATAL: can't find configuration file '$config_file'" if (! -e $config_file);
18    
19    my $config;
20    
21    #use index_DBI;         # default DBI module for index
22    use index_DBI_cache;    # faster DBI module using memory cache
23    my $index;
24    
25  my $config=XMLin();  my %opts;
26    
27  print Dumper($config);  # usage:
28    #       -d directory name
29    #       -m multiple directories
30    #       -q quiet
31    #       -s run swish
32    
33    getopts('d:m:qs', \%opts);
34    
35    my $path;       # this is name of database
36    
37    Text::Iconv->raise_error(0);     # Conversion errors don't raise exceptions
38    
39    # this is encoding of all files on disk, including import_xml/*.xml file and
40    # filter/*.pm files! It will be used to store strings in perl internally!
41    my $codepage = 'ISO-8859-2';
42    
43    my $utf2cp = Text::Iconv->new('UTF-8',$codepage);
44    # this function will convert data from XML files to local encoding
45    sub x {
46            return $utf2cp->convert($_[0]);
47    }
48    
49  my %opts;  # decode isis/excel or other import codepage
50    my $import2cp;
51    
52  getopts('d:m:q', \%opts);  # outgoing xml must be in UTF-8
53    my $cp2utf = Text::Iconv->new($codepage,'UTF-8');
54    
55  my $db_dir = $opts{d};  # mapping between data type and tag which specify
56    # format in XML file
57    my %type2tag = (
58            'isis' => 'isis',
59            'excel' => 'column',
60            'marc' => 'marc',
61            'feed' => 'feed'
62    );
63    
64  die "usage: $0 -d [database_dir] -m [database1,database2] " if (! %opts);  sub data2xml {
65    
66  #--------------------------------------------------------------------          use xmlify;
67    
68  my $last_tell=0;          my $type = shift @_;
69            my $row = shift @_;
70            my $add_xml = shift @_;
71            # needed to read values from configuration file
72            my $cfg = shift @_;
73            my $database = shift @_;
74    
75  my @isis_dirs = ( '.' );        # use dirname as database name          my $xml;
76    
77  if ($opts{m}) {          use parse_format;
78          @isis_dirs = split(/,/,$opts{m});  
79  }          my $html = "";          # html formatted display output
80    
81            my %field_usage;        # counter for usage of each field
82    
83  my @isis_dbs;          # sort subrouting using order="" attribute
84            sub by_order {
85                    my $va = $config->{indexer}->{$a}->{order} ||
86                            $config->{indexer}->{$a};
87                    my $vb = $config->{indexer}->{$b}->{order} ||
88                            $config->{indexer}->{$b};
89    
90  foreach (@isis_dirs) {                  return $va <=> $vb;
         if (-e "$common::isis_data/$db_dir/$_/LIBRI") {  
                 push @isis_dbs,"$common::isis_data/$db_dir/$_/LIBRI/LIBRI";  
91          }          }
92          if (-e "$common::isis_data/$db_dir/$_/PERI") {  
93                  push @isis_dbs,"$common::isis_data/$db_dir/$_/PERI/PERI";          foreach my $field (sort by_order keys %{$config->{indexer}}) {
94    
95                    $field=x($field);
96                    $field_usage{$field}++;
97    
98                    my $swish_data = "";
99                    my $display_data = "";
100                    my $line_delimiter;
101    
102                    my ($swish,$display);
103    
104                    my $tag = $type2tag{$type} || die "can't find which tag to use for type $type";
105                    foreach my $x (@{$config->{indexer}->{$field}->{$tag}}) {
106    
107                            my $format = x($x->{content});
108                            my $delimiter = x($x->{delimiter}) || ' ';
109    
110                            my $repeat_off = 0;             # repeatable offset
111    
112                            my ($s,$d,$i) = (1,1,0);        # swish, display default
113                            $s = 0 if (lc($x->{type}) eq "display");
114                            $d = 0 if (lc($x->{type}) eq "swish");
115                            ($s,$d,$i) = (0,0,1) if (lc($x->{type}) eq "index");
116    
117                            # what will separate last line from this one?
118                            if ($display_data && $x->{append} && $x->{append} eq "1") {
119                                    $line_delimiter = ' ';
120                            } elsif ($display_data) {
121                                    $line_delimiter = '<br/>';
122                            }
123    
124                            # init vars so that we go into while...
125                            ($swish,$display) = (1,1);
126    
127                            # placeholder for all repeatable entries for index
128                            my @index_data;
129                            my $index_filter;
130    
131                            # while because of repeatable fields
132                            while ($swish || $display) {
133                                    ($swish,$display) = parse_format($type, $format,$row,$repeat_off++,$import2cp);
134                                    if ($repeat_off > 1000) {
135                                            print STDERR "loop (more than 1000 repeatable fields) deteced in $row, $format\n";
136                                            last;
137                                    }
138                                    
139                                    # filter="name" ; filter this field through
140                                    # filter/[name].pm
141                                    my $filter = $x->{filter};
142                                    if ($filter) {
143                                            require "filter/".$filter.".pm";
144                                    }
145                                    # type="swish" ; field for swish
146                                    if ($s && $swish) {
147                                            if ($filter) {
148                                                    no strict 'refs';
149                                                    $swish_data .= join(" ",&$filter($swish));
150                                            } else {
151                                                    $swish_data .= $swish;
152                                            }
153                                    }
154    
155                                    # type="display" ; field for display
156                                    if ($d && $display) {
157                                            if ($line_delimiter && $display_data) {
158                                                    $display_data .= $line_delimiter;
159                                                    undef $line_delimiter;
160                                            }
161                                            if ($filter) {
162                                                    no strict 'refs';
163                                                    if ($display_data) {
164                                                            $display_data .= $delimiter.&$filter($display);
165                                                    } else {
166                                                            $display_data = &$filter($display);
167                                                    }
168                                            } else {
169                                                    if ($display_data) {
170                                                            $display_data .= $delimiter.$display;
171                                                    } else {
172                                                            $display_data = $display;
173                                                    }
174                                            }
175                                    }
176                                                    
177                                    # type="index" ; insert into index
178                                    if ($i && $display) {
179                                            push @index_data, $display;
180                                            $index_filter = $filter if ($filter);
181                                    }
182                            }
183    
184                            # fill data in index
185                            if (@index_data) {
186                                    if ($index_filter) {
187                                            no strict 'refs';
188                                            foreach my $d (@index_data) {
189                                                    $index->insert($field, &$index_filter($d), $path);
190                                            }
191                                    } else {
192                                            foreach my $d (@index_data) {
193                                                    $index->insert($field, $d, $path);
194                                            }
195                                    }
196                            }
197                    }
198    
199                    # now try to parse variables from configuration file
200                    foreach my $x (@{$config->{indexer}->{$field}->{'config'}}) {
201    
202                            my $delimiter = x($x->{delimiter}) || ' ';
203                            my $val = $cfg->val($database, x($x->{content}));
204    
205                            my ($s,$d,$i) = (1,1,0);        # swish, display default
206                            $s = 0 if (lc($x->{type}) eq "display");
207                            $d = 0 if (lc($x->{type}) eq "swish");
208                            ($s,$d,$i) = (0,0,1) if (lc($x->{type}) eq "index");
209    
210                            if ($val) {
211                                    $display_data .= $delimiter.$val if ($d);
212                                    $swish_data .= $val if ($s);
213                                    $index->insert($field, $val, $path) if ($i);
214                            }
215    
216                    }
217    
218    
219                    if ($display_data) {
220    
221                            if ($field eq "headline") {
222                                    $xml .= xmlify("headline", $display_data);
223                            } else {
224    
225                                    # find field name (signular, plural)
226                                    my $field_name = "";
227                                    if ($config->{indexer}->{$field}->{name_singular} && $field_usage{$field} == 1) {
228                                            $field_name = $config->{indexer}->{$field}->{name_singular}."#-#";
229                                    } elsif ($config->{indexer}->{$field}->{name_plural}) {
230                                            $field_name = $config->{indexer}->{$field}->{name_plural}."#-#";
231                                    } elsif ($config->{indexer}->{$field}->{name}) {
232                                            $field_name = $config->{indexer}->{$field}->{name}."#-#";
233                                    } else {
234                                            print STDERR "WARNING: field '$field' doesn't have 'name' attribute!";
235                                    }
236                                    if ($field_name) {
237                                            $html .= x($field_name);
238                                    }
239                                    $html .= $display_data."###\n";
240                            }
241                    }
242                    if ($swish_data) {
243                            # remove extra spaces
244                            $swish_data =~ s/ +/ /g;
245                            $swish_data =~ s/ +$//g;
246    
247                            $xml .= xmlify($field."_swish", unac_string($codepage,$swish_data));
248                    }
249    
250    
251          }          }
252          if (-e "$common::isis_data/$db_dir/$_/AMS") {  
253                  push @isis_dbs,"$common::isis_data/$db_dir/$_/AMS/AMS";          # dump formatted output in <html>
254            if ($html) {
255                    #$xml .= xmlify("html",$html);
256                    $xml .= "<html><![CDATA[ $html ]]></html>";
257          }          }
258          if (-e "$common::isis_data/$db_dir/$_/ARTI") {          
259  #               push @isis_dbs,"$common::isis_data/$db_dir/$_/ARTI/ARTI";          if ($xml) {
260                    $xml .= $add_xml if ($add_xml);
261                    return "<xml>\n$xml</xml>\n";
262            } else {
263                    return;
264          }          }
265  }  }
266    
267  foreach my $isis_db (@isis_dbs) {  ##########################################################################
268    
269    # read configuration for this script
270    my $cfg = new Config::IniFiles( -file => $config_file );
271    
272    # read global.conf configuration
273    my $cfg_global = new Config::IniFiles( -file => 'global.conf' );
274    
275    # open index
276    $index = new index_DBI(
277                    $cfg_global->val('global', 'dbi_dbd'),
278                    $cfg_global->val('global', 'dbi_dsn'),
279                    $cfg_global->val('global', 'dbi_user'),
280                    $cfg_global->val('global', 'dbi_passwd') || '',
281            );
282    
283    my $show_progress = $cfg_global->val('global', 'show_progress');
284    
285    foreach my $database ($cfg->Sections) {
286    
287            my $type = lc($cfg -> val($database, 'type')) || die "$database doesn't have 'type' defined";
288            my $add_xml = $cfg -> val($database, 'xml');    # optional
289    
290    print STDERR "reading ./import_xml/$type.xml\n";
291    
292            # extract just type basic
293            my $type_base = $type;
294            $type_base =~ s/_.+$//g;
295    
296            $config=XMLin("./import_xml/$type.xml", forcearray => [ $type2tag{$type_base}, 'config' ], forcecontent => 1);
297    
298            # output current progress indicator
299            my $last_p = 0;
300            sub progress {
301                    return if (! $show_progress);
302                    my $current = shift;
303                    my $total = shift || 1;
304                    my $p = int($current * 100 / $total);
305                    if ($p != $last_p) {
306                            printf STDERR ("%5d / %5d [%-51s] %-2d %% \r",$current,$total,"=" x ($p/2).">", $p );
307                            $last_p = $p;
308                    }
309            }
310    
311            my $fake_dir = 1;
312            sub fakeprogress {
313                    return if (! $show_progress);
314                    my $current = shift @_;
315    
316                    my @ind = ('-','\\','|','/','-','\\','|','/', '-');
317    
318                    $last_p += $fake_dir;
319                    $fake_dir = -$fake_dir if ($last_p > 1000 || $last_p < 0);
320                    if ($last_p % 10 == 0) {
321                            printf STDERR ("%5d / %5s [%-51s]\r",$current,"?"," " x ($last_p/20).$ind[($last_p/20) % $#ind]);
322                    }
323            }
324    
325          my $db = OpenIsis::open( "$isis_db" ) || warn "can't open '$isis_db'";          # now read database
326    print STDERR "using: $type...\n";
327    
328          my $max_rowid = OpenIsis::maxRowid( $db );          if ($type_base eq "isis") {
329    
330                    my $isis_db = $cfg -> val($database, 'isis_db') || die "$database doesn't have 'isis_db' defined!";
331    
332                    $import2cp = Text::Iconv->new($config->{isis_codepage},$codepage);
333                    my $db = OpenIsis::open( $isis_db );
334    
335                    # check if .txt database for OpenIsis is zero length,
336                    # if so, erase it and re-open database
337                    sub check_txt_db {
338                            my $isis_db = shift || die "need isis database name";
339                            my $reopen = 0;
340    
341                            if (-e $isis_db.".TXT") {
342                                    print STDERR "WARNING: removing $isis_db.TXT OpenIsis database...\n";
343                                    unlink $isis_db.".TXT" || warn "FATAL: unlink error on '$isis_db.TXT': $!";
344                                    $reopen++;
345                            }
346                            if (-e $isis_db.".PTR") {
347                                    print STDERR "WARNING: removing $isis_db.PTR OpenIsis database...\n";
348                                    unlink $isis_db.".PTR" || warn "FATAL: unlink error on '$isis_db.PTR': $!";
349                                    $reopen++;
350                            }
351                            return OpenIsis::open( $isis_db ) if ($reopen);
352                    }
353    
354                    # EOF error
355                    if ($db == -1) {
356                            $db = check_txt_db($isis_db);
357                            if ($db == -1) {
358                                    print STDERR "FATAL: OpenIsis can't open zero size file $isis_db\n";
359                                    next;
360                            }
361                    }
362    
363                    # OpenIsis::ERR_BADF
364                    if ($db == -4) {
365                            print STDERR "FATAL: OpenIsis can't find file $isis_db\n";
366                            next;
367                    # OpenIsis::ERR_IO
368                    } elsif ($db == -5) {
369                            print STDERR "FATAL: OpenIsis can't access file $isis_db\n";
370                            next;
371                    } elsif ($db < 0) {
372                            print STDERR "FATAL: OpenIsis unknown error $db with file $isis_db\n";
373                            next;
374                    }
375    
376                    my $max_rowid = OpenIsis::maxRowid( $db );
377    
378                    # if 0 records, try to rease isis .txt database
379                    if ($max_rowid == 0) {
380                            # force removal of database
381                            $db = check_txt_db($isis_db);
382                            $max_rowid = OpenIsis::maxRowid( $db );
383                    }
384    
385          my $last_pcnt = 0;                  print STDERR "Reading database: $isis_db [$max_rowid rows]\n";
386    
387          for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {                  my $path = $database;
388                  my $row = OpenIsis::read( $db, $row_id );  
389                    for (my $row_id = 1; $row_id <= $max_rowid; $row_id++ ) {
390                            my $row = OpenIsis::read( $db, $row_id );
391                            if ($row && $row->{mfn}) {
392            
393                                    progress($row->{mfn}, $max_rowid);
394    
395                                    my $swishpath = $path."#".int($row->{mfn});
396    
397                                    if (my $xml = data2xml($type_base,$row,$add_xml,$cfg,$database)) {
398                                            $xml = $cp2utf->convert($xml);
399                                            use bytes;      # as opposed to chars
400                                            print "Path-Name: $swishpath\n";
401                                            print "Content-Length: ".(length($xml)+1)."\n";
402                                            print "Document-Type: XML\n\n$xml\n";
403                                    }
404                            }
405                    }
406                    # for this to work with current version of OpenIsis (0.9.0)
407                    # you might need my patch from
408                    # http://www.rot13.org/~dpavlin/projects/openisis-0.9.0-perl_close.diff
409                    OpenIsis::close($db);
410                    print STDERR "\n";
411    
412            } elsif ($type_base eq "excel") {
413                    use Spreadsheet::ParseExcel;
414                    use Spreadsheet::ParseExcel::Utility qw(int2col);
415                    
416                    $import2cp = Text::Iconv->new($config->{excel_codepage},$codepage);
417                    my $excel_file = $cfg -> val($database, 'excel_file') || die "$database doesn't have 'excel_file' defined!";
418    
419                    my $sheet = x($config->{sheet}) || die "no sheet in $type.xml";
420                    my $start_row = x($config->{start_row}) - 1 || die "no start_row in $type.xml";
421    
422                    my $oBook = Spreadsheet::ParseExcel::Workbook->Parse($excel_file) || die "can't open Excel file '$excel_file'";
423    
424                    my $sheet_nr = 0;
425                    foreach my $oWks (@{$oBook->{Worksheet}}) {
426                            #print STDERR "-- SHEET $sheet_nr:", $oWks->{Name}, "\n";
427                            last if ($oWks->{Name} eq $sheet);
428                            $sheet_nr++;
429                    }
430    
431                    my $oWorksheet = $oBook->{Worksheet}[$sheet_nr];
432            
433                    print STDERR "using sheet: ",$oWorksheet->{Name},"\n";
434                    defined ($oWorksheet) || die "can't find sheet '$sheet' in $excel_file";
435                    my $end_row = x($config->{end_row}) || $oWorksheet->{MaxRow};
436    
437                    for(my $iR = $start_row ; defined $end_row && $iR <= $end_row ; $iR++) {
438                            my $row;
439                            for(my $iC = $oWorksheet->{MinCol} ; defined $oWorksheet->{MaxCol} && $iC <= $oWorksheet->{MaxCol} ; $iC++) {
440                                    my $cell = $oWorksheet->{Cells}[$iR][$iC];
441                                    if ($cell) {
442                                            $row->{int2col($iC)} = $cell->Value;
443                                    }
444                            }
445    
446                            progress($iR, $end_row);
447    
448    #                       print "row[$iR/$end_row] ";
449    #                       foreach (keys %{$row}) {
450    #                               print "$_: ",$row->{$_},"\t";
451    #                       }
452    #                       print "\n";
453    
454                            my $swishpath = $database."#".$iR;
455    
456                            next if (! $row);
457    
458                            if (my $xml = data2xml($type_base,$row,$add_xml,$cfg,$database)) {
459                                    $xml = $cp2utf->convert($xml);
460                                    use bytes;      # as opposed to chars
461                                    print "Path-Name: $swishpath\n";
462                                    print "Content-Length: ".(length($xml)+1)."\n";
463                                    print "Document-Type: XML\n\n$xml\n";
464                            }
465                    }
466            } elsif ($type_base eq "marc") {
467    
468                    use MARC;
469                    
470                    $import2cp = Text::Iconv->new($config->{marc_codepage},$codepage);
471                    my $marc_file = $cfg -> val($database, 'marc_file') || die "$database doesn't have 'marc_file' defined!";
472    
473                    # optional argument is format
474                    my $format = x($config->{format}) || 'usmarc';
475    
476                    print STDERR "Reading MARC file '$marc_file'\n";
477    
478                    my $marc = new MARC;
479                    my $nr = $marc->openmarc({
480                                    file=>$marc_file, format=>$format
481                            }) || die "Can't open MARC file '$marc_file'";
482    
483                    my $i=0;        # record nr.
484    
485                    my $rec;
486    
487                    while ($marc->nextmarc(1)) {
488    
489                            # XXX
490                            fakeprogress($i++);
491    
492                            my $swishpath = $database."#".$i;
493    
494                            if (my $xml = data2xml($type_base,$marc,$add_xml,$cfg,$database)) {
495                                    $xml = $cp2utf->convert($xml);
496                                    use bytes;      # as opposed to chars
497                                    print "Path-Name: $swishpath\n";
498                                    print "Content-Length: ".(length($xml)+1)."\n";
499                                    print "Document-Type: XML\n\n$xml\n";
500                            }
501                    }
502            } elsif ($type_base eq "feed") {
503    
504                    $import2cp = Text::Iconv->new($config->{feed_codepage},$codepage);
505                    my $prog = x($config->{prog}) || die "$database doesn't have 'prog' defined!";
506    
507                    print STDERR "Reading feed from program '$prog'\n";
508    
509                    open(FEED,"feeds/$prog |") || die "can't start $prog: $!";
510    
511                    my $i=1;        # record nr.
512    
513                    my $data;
514                    my $line=1;
515    
516                    while (<FEED>) {
517                            chomp;
518    
519                            if (/^$/) {
520                                    my $swishpath = $database."#".$i++;
521    
522                                    if (my $xml = data2xml($type_base,$data,$add_xml,$cfg,$database)) {
523                                            $xml = $cp2utf->convert($xml);
524                                            use bytes;      # as opposed to chars
525                                            print "Path-Name: $swishpath\n";
526                                            print "Content-Length: ".(length($xml)+1)."\n";
527                                            print "Document-Type: XML\n\n$xml\n";
528                                    }
529                                    $line = 1;
530                                    $data = {};
531                                    next;
532                            }
533    
534                            $line = $1 if (s/^(\d+):\s*//);
535                            $data->{$line++} = $_;
536    
537                            fakeprogress($i);
538    
                 # output current process indicator  
                 my $pcnt = int($row->{mfn} * 100 / $max_rowid);  
                 if ($pcnt != $last_pcnt) {  
                         printf STDERR ("%5d / %5d -- %-2d %%\n",$row->{mfn},$max_rowid,$pcnt) if (! $opts{q});  
                         $last_pcnt = $pcnt;  
539                  }                  }
540          }          }
541  }  }
542    
543    # call this to commit index
544    $index->close;
545    
546    1;
547    __END__
548    ##########################################################################
549    
550    =head1 NAME
551    
552    all2xml.pl - read various file formats and dump XML for SWISH-E
553    
554    =head1 DESCRIPTION
555    
556    This command will read ISIS data file using OpenIsis perl module, MARC
557    records using MARC module and optionally Micro$oft Excel files to
558    create one XML file for usage with I<SWISH-E> indexer. Dispite it's name,
559    this script B<isn't general xml generator> from isis files (isis allready
560    has something like that). Output of this script is tailor-made for SWISH-E.
561    
562    =head1 BUGS
563    
564    Documentation is really lacking. However, in true Open Source spirit, source
565    is best documentation. I even made considerable effort to comment parts
566    which are not intuitively clear, so...
567    
568    =head1 AUTHOR
569    
570    Dobrica Pavlinusic <dpavlin@rot13.org>
571    
572    =head1 COPYRIGHT
573    
574    GNU Public License (GPL) v2 or later
575    
576    =head1 SEE ALSO
577    
578    SWISH-E web site at http://www.swish-e.org
579    
580    =cut

Legend:
Removed from v.1  
changed lines
  Added in v.138

  ViewVC Help
Powered by ViewVC 1.1.26