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 my $lastscore = 0; # previous fingerprint's score
  15
  16 open FP, '<', $ARGV[0] or die "Can't open input file: $!\n";
  17
  18 print "Loading and ranking fingerprints\n";
  19 while (<FP>) {
  20     my @fields = split "\t", $_;
  21     my $fp = populate_fingerprint(@fields);
  22     rank_fingerprint($fp);
  23 }
  24 print "Writing matchset to disk\n";
  25 dump_records();
  26
  27
  28
  29 sub populate_fingerprint {
  30     my @fields = @_;
  31     my %fp = (); # zero fingerprint hash each time thru
  32
  33     # populate fp hash -- first the simple data
  34     $fp{compact} = shift @fields;
  35     $fp{json}    = shift @fields;
  36     $fp{id}      = shift @fields;
  37     # then smash everything else together, remove non-Roman characters, and
  38     # generate a SHA1 hash to represent it
  39     my $stripped = join('', @fields);
  40     $stripped   =~ s/[^A-Za-z0-9]//g;
  41     $fp{sha1}    = sha1_base64($stripped);
  42
  43     # make sure file is sorted properly
  44     # actually, the input can be sorted *either* way and produce identical
  45     # results, but a descending sort produces lower runtime
  46     if ($lastscore and $fp{compact} > $lastscore) {
  47         print "Input file is sorted improperly or unsorted.\n";
  48         die "Sort descending (sort -ru) and rerun this script.\n";
  49     }
  50     $lastscore = $fp{compact};
  51
  52     # populate records hash
  53     $recs{ $fp{id} }{ $fp{sha1} } = {};
  54
  55     return \%fp;
  56 }
  57
  58
  59 sub rank_fingerprint {
  60     my ($fp) = @_;
  61
  62     my $sha1 = $fp->{sha1};
  63     my $id   = $fp->{id};
  64     my $islead = $recs{$id}{lead};
  65
  66     # only process records which haven't already been set as a sub
  67     unless (defined $islead and $islead) {
  68         unless ($fps{$sha1}) {
  69             # haven't seen this fp before. create a new hashref with the current
  70             # record as lead
  71             $fps{$sha1} = { lead => { id    => $id,
  72                                       score => $fp->{compact} },
  73                             recs => [ $id ] };
  74             $recs{$id}{lead} = 1;
  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 if defined $used{$id};
 102         $used{$id} = 1;
 103         next unless $recs{$id}{lead};
 104         for my $sha1 ( keys %{$recs{$id}} ) {
 105             for my $subid ( @{$fps{$sha1}{recs}} ) {
 106                 next if ($id == $subid);
 107                 next if defined $used{$subid};
 108                 $used{$subid} = 1;
 109                 print OUT "$id\t$subid\n";
 110             }
 111         }
 112     }
 113 }
 114
 115 sub initialize {
 116     my ($c) = @_;
 117     my @missing = ();
 118
 119     # set mode on existing filehandles
 120     binmode(STDIN, ':utf8');
 121
 122     my $rc = GetOptions( $c,
 123                          'output|o=s',
 124                          'help|h',
 125                        );
 126     show_help() unless $rc;
 127     show_help() if ($c->{help});
 128
 129     my @keys = keys %{$c};
 130     show_help() unless (@ARGV and @keys);
 131     for my $key ('output')
 132       { push @missing, $key unless $c->{$key} }
 133     if (@missing) {
 134         print "Required option: ", join(', ', @missing), " missing!\n";
 135         show_help();
 136     }
 137 }
 138
 139 sub show_help {
 140     print <<HELP;
 141 Usage is: compress_fingerprints -o OUTPUTFILE INPUTFILE
 142 HELP
 143 exit;
 144 }