compress_fingerprints

   1 #!/usr/bin/perl
   2 use strict;
   3 use warnings;
   4 use open ':utf8';
   5
   6 use Digest::SHA1 qw(sha1_base64);
   7 use Getopt::Long;
   8
   9 my $conf  = {}; # configuration hashref
  10 initialize($conf);
  11
  12 my %fps  = (); # records matching each fingerprint (and the lead)
  13 my %recs = (); # fingerprints belonging to each record
  14
  15 open FP, '<', $ARGV[0] or die "Can't open input file: $!\n";
  16
  17 my $count = 0;
  18 my $i = 0;
  19 my $total = `wc -l $ARGV[0]`;
  20 $| = 1;
  21
  22 print "Loading and ranking fingerprints\n";
  23 while (<FP>) {
  24     my @fields = split "\t", $_;
  25     my $fp = populate_fingerprint(@fields);
  26     rank_fingerprint($fp);
  27     $i++;
  28     print "\r", ( int($i / $total) ), "% complete" unless ($i % 1000);
  29 }
  30 print "$total fingerprints processed\n";
  31 print "$count records set as leads\n";
  32 print "Writing matchset to disk\n";
  33 dump_records();
  34
  35
  36
  37 sub populate_fingerprint {
  38     my @fields = @_;
  39     my %fp = (); # zero fingerprint hash each time thru
  40
  41     # populate fp hash -- first the simple data
  42     $fp{compact} = shift @fields;
  43     $fp{json}    = shift @fields;
  44     $fp{id}      = shift @fields;
  45     # then smash everything else together, remove non-Roman characters, and
  46     # generate a SHA1 hash to represent it
  47     my $stripped = join('', @fields);
  48     $stripped   =~ s/[^A-Za-z0-9]//g;
  49     $fp{sha1}    = sha1_base64($stripped);
  50
  51     # populate records hash
  52     $recs{ $fp{id} }{ $fp{sha1} } = {};
  53
  54     return \%fp;
  55 }
  56
  57
  58 sub rank_fingerprint {
  59     my ($fp) = @_;
  60
  61     my $sha1 = $fp->{sha1};
  62     my $id   = $fp->{id};
  63     my $islead = $recs{$id}{lead};
  64
  65     # only process records which haven't already been set as a sub
  66     unless (defined $islead and $islead) {
  67         unless ($fps{$sha1}) {
  68             # haven't seen this fp before. create a new hashref with the current
  69             # record as lead
  70             $fps{$sha1} = { lead => { id    => $id,
  71                                       score => $fp->{compact} },
  72                             recs => [ $id ] };
  73             $recs{$id}{lead} = 1;
  74             $count++;
  75         } else {
  76             # have seen this fp. push record id onto matchlist
  77             push @{ $fps{$sha1}{recs} }, $id;
  78             if ($fp->{compact} > $fps{$sha1}{lead}{score}) {
  79                 # and set this record as lead if it scores higher than current lead
  80                 $recs{ $fps{$sha1}{lead}{id} }{lead} = 0; # unset current
  81                 $recs{ $id }{lead} = 1;                   # set new as lead
  82                 $fps{$sha1}{lead}{id}    = $id;
  83                 $fps{$sha1}{lead}{score} = $fp->{compact};
  84             }
  85         }
  86     }
  87 }
  88
  89
  90 =head2 dump_records
  91
  92 Writes out a 2-column file of lead and subordinate records.
  93
  94 =cut
  95
  96 sub dump_records {
  97     my %used = ();
  98     open OUT, '>', $conf->{output}
  99       or die "Can't open ", $conf->{output}, "$!\n";
 100     for my $id (keys %recs) {
 101         next unless $recs{$id}{lead};
 102         for my $sha1 ( keys %{$recs{$id}} ) {
 103             for my $subid ( @{$fps{$sha1}{recs}} ) {
 104                 next if ($id == $subid);
 105                 next if defined $used{$subid};
 106                 $used{$subid} = 1;
 107                 print OUT "$id\t$subid\n";
 108             }
 109         }
 110     }
 111 }
 112
 113 sub initialize {
 114     my ($c) = @_;
 115     my @missing = ();
 116
 117     # set mode on existing filehandles
 118     binmode(STDIN, ':utf8');
 119
 120     my $rc = GetOptions( $c,
 121                          'output|o=s',
 122                          'help|h',
 123                        );
 124     show_help() unless $rc;
 125     show_help() if ($c->{help});
 126
 127     my @keys = keys %{$c};
 128     show_help() unless (@ARGV and @keys);
 129     for my $key ('output')
 130       { push @missing, $key unless $c->{$key} }
 131     if (@missing) {
 132         print "Required option: ", join(', ', @missing), " missing!\n";
 133         show_help();
 134     }
 135 }
 136
 137 sub show_help {
 138     print <<HELP;
 139 Usage is: compress_fingerprints -o OUTPUTFILE INPUTFILE
 140 HELP
 141 exit;
 142 }