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     if ($lastscore and $fp{compact} > $lastscore) {
  45         print "Input file is sorted improperly or unsorted.\n";
  46         die "Sort descending (sort -ru) and rerun this script.\n";
  47     }
  48     $lastscore = $fp{compact};
  49
  50     # populate records hash
  51     $recs{ $fp{id} }{ $fp{sha1} } = {};
  52
  53     return \%fp;
  54 }
  55
  56
  57 sub rank_fingerprint {
  58     my ($fp) = @_;
  59
  60     my $sha1 = $fp->{sha1};
  61     my $id   = $fp->{id};
  62
  63     # only process records which haven't already been seen
  64     unless (defined $recs{$id}{lead}) {
  65         unless ($fps{$sha1}) {
  66             # haven't seen this fp before. create a new hashref with the current
  67             # record as lead
  68             $fps{$sha1} = { lead => { id    => $id,
  69                                       score => $fp->{compact} },
  70                             recs => [ $id ] };
  71             $recs{$id}{lead} = 1;
  72         } else {
  73             # have seen this fp. push record id onto matchlist
  74             push @{ $fps{$sha1}{recs} }, $id;
  75             if ($fp->{compact} > $fps{$sha1}{lead}{score}) {
  76                 # and set this record as lead if it scores higher than current lead
  77                 $recs{ $fps{$sha1}{lead}{id} }{lead} = 0; # unset current
  78                 $recs{ $id }{lead} = 1;                   # set new as lead
  79                 $fps{$sha1}{lead}{id}    = $id;
  80                 $fps{$sha1}{lead}{score} = $fp->{compact};
  81             } else {
  82                 # otherwise, mark it as a sub so it never gets processed again
  83                 $recs{$id}{lead} = 0;
  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         $used{$id} = 1;
 103         for my $sha1 ( keys %{$recs{$id}} ) {
 104             for my $subid ( @{$fps{$sha1}{recs}} ) {
 105                 next if ($id == $subid);
 106                 next if defined $used{$subid};
 107                 $used{$subid} = 1;
 108                 print OUT "$id\t$subid\n";
 109             }
 110         }
 111     }
 112 }
 113
 114 sub initialize {
 115     my ($c) = @_;
 116     my @missing = ();
 117
 118     # set mode on existing filehandles
 119     binmode(STDIN, ':utf8');
 120
 121     my $rc = GetOptions( $c,
 122                          'output|o=s',
 123                          'help|h',
 124                        );
 125     show_help() unless $rc;
 126     show_help() if ($c->{help});
 127
 128     my @keys = keys %{$c};
 129     show_help() unless (@ARGV and @keys);
 130     for my $key ('output')
 131       { push @missing, $key unless $c->{$key} }
 132     if (@missing) {
 133         print "Required option: ", join(', ', @missing), " missing!\n";
 134         show_help();
 135     }
 136 }
 137
 138 sub show_help {
 139     print <<HELP;
 140 Usage is: compress_fingerprints -o OUTPUTFILE INPUTFILE
 141 HELP
 142 exit;
 143 }