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];
  16 while (<FP>) {
  17     my @fields = split "\t", $_;
  18     my $fp = populate_fingerprint(@fields);
  19     rank_fingerprint($fp);
  20 }
  21 dump_records();
  22
  23
  24
  25 sub populate_fingerprint {
  26     my @fields = @_;
  27     my %fp = ();
  28
  29     # populate fp hash
  30     $fp{compact} = shift @fields;
  31     $fp{json}    = shift @fields;
  32     $fp{id}      = shift @fields;
  33     $fp{sha1}    = sha1_base64( join('', @fields) );
  34
  35     # populate records hash
  36     $recs{ $fp{id} }{ $fp{sha1} } = { exist => 1 };
  37
  38     return \%fp;
  39 }
  40
  41
  42 sub rank_fingerprint {
  43     my ($fp) = @_;
  44
  45     my $sha1 = $fp->{sha1};
  46     my $id   = $fp->{id};
  47     unless ($fps{$sha1}) {
  48         # haven't seen this fp before. create a new hashref with the current
  49         # record as lead
  50         $fps{$sha1} = { lead => { id    => $id,
  51                                   score => $fp->{compact} },
  52                         recs => [ $id ] };
  53         $recs{$id}{$sha1}{lead} = 1;
  54     } else {
  55         # have seen this fp. push record id onto matchlist
  56         push @{ $fps{$sha1}{recs} }, $id;
  57         # and set this record as lead if it scores higher than current lead
  58         if ($fp->{compact} > $fps{$sha1}{lead}{score}) {
  59             $recs{ $fps{$sha1}{lead}{id} }{$sha1}{lead} = 0;
  60             $recs{ $id }{$sha1}{lead} = 1;
  61             $fps{$sha1}{lead}{id}    = $id;
  62             $fps{$sha1}{lead}{score} = $fp->{compact};
  63         }
  64     }
  65 }
  66
  67
  68 sub dump_fingerprints {
  69     open OUT, '>', $conf->{output}
  70       or die "Can't open ", $conf->{output}, "$!\n";
  71     for my $id (keys %recs) {
  72         for my $sha1 ( keys %{$recs{$id}} ) {
  73             next unless $recs{$id}{$sha1}{lead};
  74             for my $subid ( @{$fps{$sha1}{recs}} )
  75               { print OUT "$id\t$subid\n" }
  76         }
  77     }
  78 }
  79
  80 sub initialize {
  81     my ($c) = @_;
  82     my @missing = ();
  83
  84     # set mode on existing filehandles
  85     binmode(STDIN, ':utf8');
  86
  87     my $rc = GetOptions( $c,
  88                          'output|o=s',
  89                          'help|h',
  90                        );
  91     show_help() unless $rc;
  92     show_help() if ($c->{help});
  93
  94     my @keys = keys %{$c};
  95     show_help() unless (@ARGV and @keys);
  96     for my $key ('output')
  97       { push @missing, $key unless $c->{$key} }
  98     if (@missing) {
  99         print "Required option: ", join(', ', @missing), " missing!\n";
 100         show_help();
 101     }
 102 }
 103
 104 sub show_help {
 105     print <<HELP;
 106 Usage is: compress_fingerprints -o OUTPUTFILE INPUTFILE
 107 HELP
 108 exit;
 109 }