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 print "Loading and ranking fingerprints\n";
  18 while (<FP>) {
  19     my @fields = split "\t", $_;
  20     my $fp = populate_fingerprint(@fields);
  21     rank_fingerprint($fp);
  22     print "\r", ( int($i / $total) ), "% complete" unless ($i % 1000);
  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     # populate records hash
  44     $recs{ $fp{id} }{ $fp{sha1} } = {};
  45
  46     return \%fp;
  47 }
  48
  49
  50 sub rank_fingerprint {
  51     my ($fp) = @_;
  52
  53     my $sha1 = $fp->{sha1};
  54     my $id   = $fp->{id};
  55     my $islead = $recs{$id}{lead};
  56
  57     # only process records which haven't already been set as a sub
  58     unless (defined $islead and $islead) {
  59         unless ($fps{$sha1}) {
  60             # haven't seen this fp before. create a new hashref with the current
  61             # record as lead
  62             $fps{$sha1} = { lead => { id    => $id,
  63                                       score => $fp->{compact} },
  64                             recs => [ $id ] };
  65             $recs{$id}{lead} = 1;
  66         } else {
  67             # have seen this fp. push record id onto matchlist
  68             push @{ $fps{$sha1}{recs} }, $id;
  69             if ($fp->{compact} > $fps{$sha1}{lead}{score}) {
  70                 # and set this record as lead if it scores higher than current lead
  71                 $recs{ $fps{$sha1}{lead}{id} }{lead} = 0; # unset current
  72                 $recs{ $id }{lead} = 1;                   # set new as lead
  73                 $fps{$sha1}{lead}{id}    = $id;
  74                 $fps{$sha1}{lead}{score} = $fp->{compact};
  75             }
  76         }
  77     }
  78 }
  79
  80
  81 =head2 dump_records
  82
  83 Writes out a 2-column file of lead and subordinate records.
  84
  85 =cut
  86
  87 sub dump_records {
  88     my %used = ();
  89     open OUT, '>', $conf->{output}
  90       or die "Can't open ", $conf->{output}, "$!\n";
  91     for my $id (keys %recs) {
  92         next unless $recs{$id}{lead};
  93         for my $sha1 ( keys %{$recs{$id}} ) {
  94             for my $subid ( @{$fps{$sha1}{recs}} ) {
  95                 next if ($id == $subid);
  96                 next if defined $used{$subid};
  97                 $used{$subid} = 1;
  98                 print OUT "$id\t$subid\n";
  99             }
 100         }
 101     }
 102 }
 103
 104 sub initialize {
 105     my ($c) = @_;
 106     my @missing = ();
 107
 108     # set mode on existing filehandles
 109     binmode(STDIN, ':utf8');
 110
 111     my $rc = GetOptions( $c,
 112                          'output|o=s',
 113                          'help|h',
 114                        );
 115     show_help() unless $rc;
 116     show_help() if ($c->{help});
 117
 118     my @keys = keys %{$c};
 119     show_help() unless (@ARGV and @keys);
 120     for my $key ('output')
 121       { push @missing, $key unless $c->{$key} }
 122     if (@missing) {
 123         print "Required option: ", join(', ', @missing), " missing!\n";
 124         show_help();
 125     }
 126 }
 127
 128 sub show_help {
 129     print <<HELP;
 130 Usage is: compress_fingerprints -o OUTPUTFILE INPUTFILE
 131 HELP
 132 exit;
 133 }