/[wait]/trunk/script/index_ora
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 /trunk/script/index_ora

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

revision 65 by laperla, Wed Jan 23 12:22:54 2002 UTC revision 76 by laperla, Sat Apr 6 19:00:54 2002 UTC
# Line 1  Line 1 
1  #!/usr/bin/perl -w  #!/usr/bin/perl -w
2  #                              -*- Mode: Perl -*-  #                              -*- Mode: Perl -*-
3  # $Basename$  # $Basename$
4  # $Revision: 1.4 $  # $Revision: 1.13 $
5  # Author          : Ulrich Pfeifer  # Author          : Ulrich Pfeifer
6  # Created On      : Mon Dec 31 13:57:11 2001  # Created On      : Mon Dec 31 13:57:11 2001
7  # Last Modified By: Ulrich Pfeifer  # Last Modified By: Ulrich Pfeifer
8  # Last Modified On: Fri Jan  4 15:59:20 2002  # Last Modified On: Fri Jan  4 15:59:20 2002
9  # Language        : CPerl  # Language        : CPerl
10  #  #
11  # (C) Copyright 2001, UUNET Deutschland GmbH, Germany  # (C) Copyright 2001, Ulrich Pfeifer
12  #  #
13    
14    use 5.007;
15    
16  use strict;  use strict;
17    use Devel::Peek qw(Dump);
18    
19  use File::Path;  use File::Path;
20  use DB_File;  use DB_File;
21  use Getopt::Long;  use Getopt::Long;
22  use Cwd;  use Cwd;
23    
24  require WAIT::Config;  BEGIN {require WAIT::Config;}
25  require WAIT::Database;  use WAIT::Database;
26  require WAIT::Parse::Ora;  use WAIT::Parse::Ora;
27  require WAIT::Document::Ora;  use WAIT::Document::Ora;
28  require WAIT::InvertedIndex;  use WAIT::InvertedIndex;
29    use Data::Dumper;
30    
31    
32  $DB_BTREE->{'cachesize'} = 200_000 ;  $DB_BTREE->{'cachesize'} = 200_000 ;
33    
34  my %OPT = (clean    => 0,  use lib "/usr/local/apache/lib";
35             database => 'DB',  use lib "/online/www/sites/ora/catalogsearch/run/lib";
36             dir      => $WAIT::Config->{WAIT_home} || '/tmp',  use oreilly_de_catalog::config;
37    use oreilly_de_catalog::wait_filter;
38    
39    my %OPT = (
40               database => 'oreilly_de_catalog',
41               dir      => oreilly_de_catalog::config::WAITDIR,
42             table    => 'ora',             table    => 'ora',
43            );            );
44    
45    my $droot = oreilly_de_catalog::config::CATALOG;
46    
47  GetOptions(\%OPT,  GetOptions(\%OPT,
            'clean!',  
48             'database=s',             'database=s',
49             'dir=s',             'dir=s',
50             'table=s',             'table=s',
51               'verbose!',
52               'debug!',
53            ) || die "Usage: ...\n";            ) || die "Usage: ...\n";
54    
55  if ($OPT{clean} and -d "$OPT{dir}/$OPT{database}") {  my @localtime = localtime;
56    my $tmp = WAIT::Database->open(name        => $OPT{database},  $localtime[5] += 1900;
57                                   'directory' => $OPT{dir})  $localtime[4]++;
58      or die "Could not open table $OPT{table}: $@\n";  my $jobid = sprintf "%04s-%02s-%02s_%02s:%02s_%d", @localtime[5,4,3,2,1], $$;
59    my $tbl = $tmp->table(name => $OPT{table});  my $db = WAIT::Database->create(name      => "$OPT{database}-$jobid",
60    $tbl->drop if $tbl;                                  directory => $OPT{dir})
61    rmtree("$OPT{dir}/$OPT{database}/$OPT{table}", 1, 1)      or die "Could not create database $OPT{database}: $@\n";
     if -d "$OPT{dir}/$OPT{database}/$OPT{table}";  
   $tmp->close;  
 }  
   
 my $db;  
 unless (-d "$OPT{dir}/$OPT{database}") {  
   $db = WAIT::Database->create(name       => $OPT{database},  
                               'directory' => $OPT{dir})  
     or die "Could not open database $OPT{database}: $@\n";  
 }  
 else {  
   $db = WAIT::Database->open(name        => $OPT{database},  
                              'directory' => $OPT{dir})  
     or die "Could not open table $OPT{table}: $@\n";  
 }  
62    
63  my $layout = new WAIT::Parse::Ora;  my $layout = new WAIT::Parse::Ora;
64    
65  my $stem  = ['isotr', 'isolc', 'split2', 'stop', 'Stem'];  # my $stem  = ['OR_tr_20020124', 'OR_lc_20020125', 'split2', 'stop', 'Stem'];
66  my $text  = [{  # my $text  = ['OR_tr_20020124', 'split2', 'OR_minus_20020311', 'OR_lc_20020125', 'split2', 'stop'];
67                'prefix'    => ['isotr', 'isolc'],  my $text  = ['OR_tr_20020124', 'split', 'OR_minus_20020311', 'OR_lc_20020125'];
68                'intervall' => ['isotr', 'isolc'],  my $wplus = ['OR_split_20020401', 'OR_lc_20020125', 'OR_mixedonly_20020221'];
69               },  # my $sound = ['OR_tr_20020124', 'OR_lc_20020125', 'split2', 'Soundex'];
70               'isotr', 'isolc', 'split2', 'stop'];  my $trigr = ['OR_lc_20020125', 'OR_trigrams_20020125'];
71  my $sound = ['isotr', 'isolc', 'split2', 'Soundex'],;  
72    # split6 is better than split13 or split10: it allows them to enter
73    # shorter sequences when searching.
74    my $isbn  = ['split6', 'OR_isbn_20020127'];
75    
76  my $cwd = cwd;  my $cwd = cwd;
77    
78  my %D;  my %D;
79  my $access = tie %D, 'WAIT::Document::Ora', @ARGV,  my $access = tie %D, 'WAIT::Document::Ora', $droot,
80    or die "Couldn't tie to file: $!\n";    or die "Couldn't tie to dir $droot: $!\n";
81    
82  my $tb = $db->create_table(name     => $OPT{table},  my $tb = $db->create_table(name     => $OPT{table},
83                             attr     => ['author', 'isbn', 'title',                             attr     => ['author', 'isbn', 'title',
# Line 85  my $tb = $db->create_table(name     => $ Line 86  my $tb = $db->create_table(name     => $
86                             access   => $access,                             access   => $access,
87                             invindex =>                             invindex =>
88                             [                             [
89                              'title'  => $stem,                              'aboutauthor'  => $text,
90                              'about'  => $stem,                              'aboutauthor'  => $wplus,
91                              'text'   => $text,                              'abouttranslator'  => $text,
92                                'abouttranslator'  => $wplus,
93                                'abstract' => $text,
94                                'abstract' => $wplus,
95                              'author' => $text,                              'author' => $text,
96                                'chapter' => $text,
97                                'chapter' => $wplus,
98                              'colophon' => $text,                              'colophon' => $text,
99                              'author' => $sound,                              'colophon' => $wplus,
100                              'isbn'   => $text,                              'desc'   => $text,
101                                'desc'   => $wplus,
102                                'inx'   => $text,
103                                'inx'   => $wplus,
104                                'isbn'   => $isbn,
105                                'subtitle'  => $text,
106                                'subtitle'  => $wplus,
107                                'title'  => $text,
108                                'title'  => $wplus,
109                                'title_orig'  => $text,
110                                'title_orig'  => $wplus,
111                                'toc'   => $text,
112                                'toc'   => $wplus,
113                                'translator'  => $text,
114                                'translator'  => $wplus,
115                             ]                             ]
116                            );                            );
117  die "Couldn't create table $OPT{table}: $@\n" unless $tb;  die "Couldn't create table $OPT{table}: $@\n" unless $tb;
118    
119  my ($did, $value);  my ($did, $value);
120  while (($did, $value) = each %D) {  binmode STDOUT, ":utf8";
121    my $ALL;
122    my $traceALL = 0;
123    $traceALL = 1 if $OPT{debug}; # expensive
124    my $done = 0;
125    my $todo = keys %D;
126    my $lasttimeround = my $starttime = time;
127    
128    DOC: while (($did, $value) = each %D) {
129      my $superdebug = 0;
130      if ($superdebug && $OPT{debug}) {
131        # next unless $did =~ /perl/;
132      }
133      printf "%15s...(%d)\n", $did, $done if $OPT{verbose};
134    my $record   = $layout->split($value);    my $record   = $layout->split($value);
135    my $headline = $record->{title};    my $headline = $record->{title};
136    $headline =~ s/\s+/ /sg;    $headline =~ s/\s+/ /sg;
137    printf "%15s %s\n", $record->{isbn}, substr($headline,0,60);    # printf "%15s %s\n", $record->{isbn}, substr($headline,0,60);
138      printf "%15s %s...\n", $did, substr($headline,0,60) if $OPT{verbose};
139      if ($superdebug && $OPT{debug}) {
140        # $record = { chapter => $record->{chapter}};
141      }
142      $done++;
143      next if oreilly_de_catalog::config::DONT_INDEX_JUST_PARSE() ;
144    $tb->insert('docid'  => $did,    $tb->insert('docid'  => $did,
145                headline => $headline,                headline => $headline,
146                %{$record});                %{$record});
147      my $spenttime = time - $starttime;
148      my $averagetime = $spenttime/$done;
149      my $left = $todo-$done;
150      printf("%2d secs, %3d done, %3d left, %4d s done, %5.1f s avg, %4d s left\n",
151                   time - $lasttimeround,
152                   $done,
153                   $left,
154                   $spenttime,
155                   $averagetime,
156                   $left*$averagetime,
157                  ) if $OPT{verbose};
158      $lasttimeround = time;
159      if ($traceALL) { # costs a lot when reaching the 100th file or so
160        $ALL->{$did} = $record;
161        open F, ">:utf8", "$OPT{dir}/$OPT{database}-$jobid/debug.dump" or die;
162        print F Data::Dumper::Dumper($ALL);
163        close F  or die "Couldn't close debug.dump: $!";;
164      }
165  }  }
166    undef $ALL;
167  $tb->set(top=>1);  $tb->set(top=>1);
168  $tb->close();  
169  $db->close();  my $tritb = $db->create_table(
170                                  name => "$OPT{table}_fallback",
171                                  attr => [qw(docid headline)], # name
172                                                                # "headline"
173                                                                # only for
174                                                                # sman
175                                  invindex => [ headline => $trigr ],
176                                 );
177    my %dict;
178    for my $f ($tb->fields) {
179      my(@idx) = @{$tb->table->{inverted}{$f} || []};
180      for my $idx (@idx) {
181        my $name = $idx->name;
182        next if $name =~ /(_|\b)(mixedonly|Stem|Soundex)(\b|_)/;
183                  # irrelevant for alternatives
184        my @keys = $idx->keys;
185        @dict{@keys} = ();
186      }
187    }
188    my @dictkeys = grep s/^p//, keys %dict;
189    my $maxdebug = 5;
190    for my $headline (@dictkeys) {
191      if ($maxdebug && $headline =~ /[^\040-\177]/) {
192        Dump $headline;
193        $maxdebug--;
194      }
195      # printf "%s\n", substr($headline,0,60);
196      $tritb->insert(docid => $headline, headline => $headline);
197    }
198    $tritb->set(top=>1);
199    $tritb->close or die "Couldn't close table: $!";
200    $tb->close() or die "Couldn't close table: $!";
201    $db->close() or die "Couldn't close database: $!";
202    
203    # Atomically relinking symlink: now we have a new database with a very
204    # long name "$OPT{database}-$jobid" (e.g.
205    # oreilly_de_catalog-2002-01-28_16:12_16467) and we want that database
206    # to be accessible with the oreilly_de_catalog name.
207    
208    use File::Spec;
209    chdir $OPT{dir} or die;
210    my $dir    = "$OPT{database}-$jobid";
211    my $slwant = File::Spec->catdir($OPT{dir}, $OPT{database});
212    my $sltmp  = File::Spec->catdir($OPT{dir}, "$OPT{database}-$$");
213    unlink $sltmp; # may fail
214    symlink $dir, $sltmp or die "Couldn't symlink $dir, $sltmp: $!";
215    rename $sltmp, $slwant or die "Couldn't rename $sltmp, $slwant: $!";
216    print "$slwant now points to $dir\n" if $OPT{verbose};
217    system("chmod 777 $slwant/*/read")==0 or die;
218    
219    opendir DIR, "." or die "Could not opendir .: $!";
220    for my $dirent (readdir DIR) {
221      next if $dirent =~ /^\./;
222      next unless $dirent =~ /^$OPT{database}(.*)/;
223      my $ext = $1 or next;
224      next unless -M $dirent > 4;
225      warn "removing old index $dirent";
226      File::Path::rmtree($dirent);
227    }
228    closedir DIR;
229    
230  $WAIT::Config = $WAIT::Config; # make perl -w happy  $WAIT::Config = $WAIT::Config; # make perl -w happy
231    
# Line 125  index_ora - generate an WAIT index for O Line 242  index_ora - generate an WAIT index for O
242  =head1 SYNOPSIS  =head1 SYNOPSIS
243    
244  B<index_ora>  B<index_ora>
 [B<-clean>] [B<-noclean>]  
245  [B<-database> I<dbname>]  [B<-database> I<dbname>]
246  [B<-dir> I<directory>]  [B<-dir> I<directory>]
247  [B<-table> I<table name>]  [B<-table> I<table name>]
# Line 137  I<directory> Line 253  I<directory>
253    
254  =over 5  =over 5
255    
 =item B<-clean> / B<-noclean>  
   
 Clean the table before indexing. Default is B<off>.  
   
256  =item B<-database> I<dbname>  =item B<-database> I<dbname>
257    
258  Specify database name. Default is F<DB>.  Specify database name. Default is F<DB>.
Legend:
Removed from v.65  
changed lines
  Added in v.76
  ViewVC Help
Powered by ViewVC 1.1.26