fingerprinter

   1 #!/usr/bin/perl
   2 use strict;
   3 use warnings;
   4 use open ':utf8';
   5
   6 use Getopt::Long;
   7 use MARC::Batch;
   8 use Unicode::Normalize;
   9 use MARC::File::XML ( BinaryEncoding => 'utf-8' );
  10
  11 my $conf  = {}; # configuration hashref
  12 my $count = 0; my $scount = 0;
  13 my $start = time;
  14 $| = 1;
  15
  16 initialize($conf);
  17
  18 open OF, '>', $conf->{output};
  19 open XF, '>', $conf->{exception};
  20
  21 for my $file (@ARGV) {
  22     print XF "Processing $file\n";
  23     my $batch = undef; my $record = undef;
  24
  25     $batch = MARC::Batch->new($conf->{marctype}, $file);
  26     $batch->strict_off();
  27     $batch->warnings_off();
  28
  29     while ( $record = $batch->next ) {
  30         $count++; progress_ticker();
  31         my $marc = undef;
  32         unless ( defined $record )
  33           { dump_exception($marc); next; }
  34
  35         my $id = $record->field($conf->{tag});
  36         unless ($id) {
  37             print XF "ERROR: Record $count in $file is missing a ",
  38               $conf->{tag}, " field.\n", $record->as_formatted(), "\n=====\n";
  39             next;
  40         }
  41
  42         # populate and normalize marc
  43         $marc = populate_marc($record, $id);
  44         normalize_marc($marc);
  45         unless (marc_isvalid($marc))
  46           { dump_exception($marc); next; }
  47
  48         # if everything looks good, score it and dump fingerprints
  49         score_marc($marc, $record);
  50         dump_fingerprints($marc);
  51         $scount++; progress_ticker();
  52     }
  53 }
  54
  55 print "\nSuccessfully processed:\t$count\n" unless $conf->{quiet};
  56
  57 =head2 populate_marc
  58
  59 Constructs a hash containing the relevant MARC data for a record and
  60 returns a reference to it.
  61
  62 =cut
  63
  64 sub populate_marc {
  65     my ($record, $id) = @_;
  66     my %marc = (); $marc{isbns} = [];
  67
  68     # id, stringified
  69     $marc{id} = $id->as_string($conf->{subfield});
  70
  71     # record_type, bib_lvl
  72     $marc{record_type} = substr($record->leader, 6, 1);
  73     $marc{bib_lvl}     = substr($record->leader, 7, 1);
  74
  75     # date1, date2
  76     my $my_008 = $record->field('008');
  77     $marc{tag008} = $my_008->as_string() if ($my_008);
  78     if (defined $marc{tag008}) {
  79         unless (length $marc{tag008} == 40) {
  80             $marc{tag008} = $marc{tag008} . ('|' x (40 - length($marc{tag008})));
  81             print XF ">> Short 008 padded to ",length($marc{tag008})," at rec $count\n";
  82         }
  83         $marc{date1} = substr($marc{tag008},7,4) if ($marc{tag008});
  84         $marc{date2} = substr($marc{tag008},11,4) if ($marc{tag008}); # UNUSED
  85     }
  86     unless ($marc{date1} and $marc{date1} =~ /\d{4}/) {
  87         my $my_260 = $record->field('260');
  88         my $date1 = $my_260->subfield('c') if $my_260;
  89         if (defined $date1 and $date1 =~ /\d{4}/) {
  90             $marc{date1} = $date1;
  91             $marc{fudgedate} = 1;
  92             print XF ">> using 260c as date1 at rec $count\n";
  93         }
  94     }
  95
  96     # item_form
  97     if ( $marc{record_type} =~ /[gkroef]/ ) { # MAP, VIS
  98         $marc{item_form} = substr($marc{tag008},29,1) if ($marc{tag008});
  99     } else {
 100         $marc{item_form} = substr($marc{tag008},23,1) if ($marc{tag008});
 101     }
 102
 103     # isbns
 104     my @isbns = $record->field('020') if $record->field('020');
 105     push @isbns, $record->field('024') if $record->field('024');
 106     for my $f ( @isbns ) {
 107         push @{ $marc{isbns} }, $1 if ( defined $f->subfield('a') and
 108                                         $f->subfield('a')=~/(\S+)/ );
 109     }
 110
 111     # author
 112     for my $rec_field (100, 110, 111) {
 113         if ($record->field($rec_field)) {
 114             $marc{author} = $record->field($rec_field)->subfield('a');
 115             last;
 116         }
 117     }
 118
 119     # oclc
 120     $marc{oclc} = [];
 121     push @{ $marc{oclc} }, $record->field('001')->as_string()
 122       if ($record->field('001') and $record->field('003') and
 123           $record->field('003')->as_string() =~ /OCo{0,1}LC/);
 124     for ($record->field('035')) {
 125         my $oclc = $_->subfield('a');
 126         push @{ $marc{oclc} }, $oclc
 127           if (defined $oclc and $oclc =~ /\(OCoLC\)/ and $oclc =~/([0-9]+)/);
 128     }
 129
 130     # "Accompanying material" and check for "copy" (300)
 131     if ($record->field('300')) {
 132         $marc{accomp} = $record->field('300')->subfield('e');
 133         $marc{tag300a} = $record->field('300')->subfield('a');
 134     }
 135
 136     # issn, lccn, title, desc, pages, pub, pubyear, edition
 137     $marc{lccn} = $record->field('010')->subfield('a') if $record->field('010');
 138     $marc{issn} = $record->field('022')->subfield('a') if $record->field('022');
 139     $marc{desc} = $record->field('300')->subfield('a') if $record->field('300');
 140     $marc{pages} = $1 if (defined $marc{desc} and $marc{desc} =~ /(\d+)/);
 141     $marc{title} = $record->field('245')->subfield('a')
 142       if $record->field('245');
 143     $marc{edition} = $record->field('250')->subfield('a')
 144       if $record->field('250');
 145     if ($record->field('260')) {
 146         $marc{publisher} = $record->field('260')->subfield('b');
 147         $marc{pubyear} = $record->field('260')->subfield('c');
 148         $marc{pubyear} =
 149           (defined $marc{pubyear} and $marc{pubyear} =~ /(\d{4})/) ? $1 : '';
 150     }
 151     return \%marc;
 152 }
 153
 154
 155
 156 =head2 normalize_marc
 157
 158 Gently massages your data.
 159
 160 =cut
 161
 162 sub normalize_marc {
 163     my ($marc) = @_;
 164
 165     $marc->{record_type }= 'a' if ($marc->{record_type} eq ' ');
 166     if ($marc->{title}) {
 167         $marc->{title} = NFD($marc->{title});
 168         $marc->{title} =~ s/[\x{80}-\x{ffff}]//go;
 169         $marc->{title} = lc($marc->{title});
 170         $marc->{title} =~ s/\W+$//go;
 171     }
 172     if ($marc->{author}) {
 173         $marc->{author} = NFD($marc->{author});
 174         $marc->{author} =~ s/[\x{80}-\x{ffff}]//go;
 175         $marc->{author} = lc($marc->{author});
 176         $marc->{author} =~ s/\W+$//go;
 177         if ($marc->{author} =~ /^(\w+)/) {
 178             $marc->{author} = $1;
 179         }
 180     }
 181     if ($marc->{publisher}) {
 182         $marc->{publisher} = NFD($marc->{publisher});
 183         $marc->{publisher} =~ s/[\x{80}-\x{ffff}]//go;
 184         $marc->{publisher} = lc($marc->{publisher});
 185         $marc->{publisher} =~ s/\W+$//go;
 186         if ($marc->{publisher} =~ /^(\w+)/) {
 187             $marc->{publisher} = $1;
 188         }
 189     }
 190     return $marc;
 191 }
 192
 193
 194
 195 =head2 marc_isvalid
 196
 197 Checks MARC record to see if neccessary fingerprinting data is
 198 available
 199
 200 =cut
 201
 202 sub marc_isvalid {
 203     my ($marc) = @_;
 204     return 1 if ($marc->{item_form} and ($marc->{date1} =~ /\d{4}/) and
 205                  $marc->{record_type} and $marc->{bib_lvl} and $marc->{title});
 206     return 0;
 207 }
 208
 209
 210 =head2 score_marc
 211
 212 Assign a score to the record based on various criteria.
 213
 214 Score is constructed by pushing elements onto a list, via a dispatch
 215 table.  This allows order of fingerprints in the output file to be
 216 varied.
 217
 218 =cut
 219
 220 sub score_marc {
 221     my ($marc, $record) = @_;
 222     my @score = ();
 223     my $json = '{';
 224
 225     #----------------------------------
 226     # static criteria scoring
 227     #----------------------------------
 228     $marc->{misc_score} = 999999999999;
 229     # subtract record id if we want older records to win
 230     $marc->{misc_score} -= $marc->{id} unless ($conf->{newwins});
 231     # -1 if 008 has been padded, -2 if it doesn't exist
 232     if ($marc->{tag008})
 233       { $marc->{misc_score}-- if ($marc->{tag008} =~ /\|$/) }
 234     else
 235       { $marc->{misc_score} -= 2 }
 236     # -1 if date has been pulled from 260
 237     $marc->{misc_score}-- if $marc->{fudgedate};
 238     # -1 if this is a copy record
 239     $marc->{misc_score}--
 240       if (defined $marc->{tag300a} and $marc->{tag300a} =~ /copy/i);
 241
 242     #----------------------------------
 243     # dynamic calculated scoring
 244     #----------------------------------
 245     my %scores_code = (
 246       oclc    => sub { return $marc->{oclc}[0] ? 1 : 0 },
 247       dlc     => sub {
 248           if ($record->field('040') and $record->field('040')->subfield('a'))
 249             { return scalar($record->subfield( '040', 'a')) =~ /dlc/io ? 1 : 0 }
 250           else { return 0 }
 251       },
 252       num_650 => sub {
 253           if ($record->field('650')) {
 254               # can't say "scalar $record->field('650')"; MARC::Record
 255               # behaves differently in list/scalar contexts
 256               my @tags = $record->field('650');
 257               return sprintf("%04d", scalar @tags)
 258           } else { return '0000' }
 259       },
 260       num_tags=> sub { return sprintf( '%04d', scalar( $record->fields ) ) },
 261       enc_lvl => sub {
 262         my $enc = substr($record->leader, 17, 1) || 'u';
 263         my %levels = ( ' ' => 9, 1 => 8, 2 => 7,  3  => 6,  4  => 5, 5 => 4,
 264                        6   => 3, 7 => 2, 8 => 1, 'u' => 0, 'z' => 0 );
 265         return $levels{$enc} || 0;
 266     }
 267                       );
 268
 269     #----------------------------------
 270     # assemble and store scores
 271     #----------------------------------
 272     for ( @{ $conf->{dyn_scores} } ) {
 273         push @score, $scores_code{$_}->($marc, $record);
 274         $json .= $_ . ':' . $score[-1] . ',';
 275     }
 276     $json .= 'misc:' . $marc->{misc_score} . '}';
 277
 278     my $compact = join('', $marc->{misc_score}, @score);
 279     $marc->{score} = "$compact\t$json";
 280 }
 281
 282 =head2 dump_fingerprints
 283
 284 =cut
 285
 286 sub dump_fingerprints {
 287     my ($marc) = @_;
 288
 289     if ($conf->{fingerprints}{baseline}) {
 290         print OF join("\t", $marc->{score}, $marc->{id}, 'baseline',
 291                       $marc->{item_form}, $marc->{date1}, $marc->{record_type},
 292                       $marc->{bib_lvl}, $marc->{title}), "\n";
 293     }
 294
 295     if ($conf->{fingerprints}{oclc} and scalar @{$marc->{oclc} }) {
 296         for (@{$marc->{oclc} }) {
 297             print OF join("\t", $marc->{score}, $marc->{id}, "oclc",
 298                           $marc->{item_form}, $marc->{date1},
 299                           $marc->{record_type}, $marc->{bib_lvl},
 300                           $marc->{title}, $_, "\n");
 301         }
 302     }
 303
 304     if ($conf->{fingerprints}{isbn}) {
 305         if ((scalar @{ $marc->{isbns} } > 0) and $marc->{pages}) {
 306             foreach my $isbn ( @{ $marc->{isbns}} ) {
 307                 print OF join("\t", $marc->{score}, $marc->{id}, "isbn",
 308                               $marc->{item_form}, $marc->{date1},
 309                               $marc->{record_type},
 310                               $marc->{bib_lvl}, $marc->{title},
 311                               $isbn, $marc->{pages}), "\n";
 312             }
 313         }
 314     }
 315
 316     if ($conf->{fingerprints}{edition} and $marc->{edition}) {
 317         print OF join("\t", $marc->{score}, $marc->{id}, "edition",
 318                       $marc->{item_form}, $marc->{date1},
 319                       $marc->{record_type}, $marc->{bib_lvl},
 320                       $marc->{title}, $marc->{edition}), "\n";
 321     }
 322
 323     if ($conf->{fingerprints}{issn} and $marc->{issn}) {
 324         print OF join("\t", $marc->{score}, $marc->{id}, "issn",
 325                       $marc->{item_form}, $marc->{date1},
 326                       $marc->{record_type}, $marc->{bib_lvl},
 327                       $marc->{title}, $marc->{issn}), "\n";
 328     }
 329
 330     if ($conf->{fingerprints}{lccn} and $marc->{lccn}) {
 331         print OF join("\t", $marc->{score}, $marc->{id}, "lccn",
 332                       $marc->{item_form}, $marc->{date1},
 333                       $marc->{record_type}, $marc->{bib_lvl},
 334                       $marc->{title}, $marc->{lccn}) ,"\n";
 335     }
 336
 337     if ($conf->{fingerprints}{accomp} and $marc->{accomp}) {
 338         print OF join("\t", $marc->{score}, $marc->{id}, "accomp",
 339                       $marc->{item_form}, $marc->{date1},
 340                       $marc->{record_type}, $marc->{bib_lvl},
 341                       $marc->{title}, $marc->{accomp}) ,"\n";
 342     }
 343
 344     if ($conf->{fingerprints}{authpub} and $marc->{author} and
 345         $marc->{publisher} and $marc->{pubyear} and $marc->{pages}) {
 346         print OF join("\t", $marc->{score}, $marc->{id}, "authpub",
 347                       $marc->{item_form}, $marc->{date1},
 348                       $marc->{record_type}, $marc->{bib_lvl},
 349                       $marc->{title}, $marc->{author},
 350                       $marc->{publisher}, $marc->{pubyear},
 351                       $marc->{pages}), "\n";
 352     }
 353 }
 354
 355
 356
 357 =head2 dump_exception
 358
 359 Write line of exception report
 360
 361 =cut
 362
 363 sub dump_exception {
 364     my ($marc) = @_;
 365     unless (defined $marc) {
 366         print XF "Undefined record at line $count; likely bad XML\n";
 367         return;
 368     }
 369     print XF "Record ", $marc->{id}, " excluded: ";
 370     print XF "missing item_form; " unless ($marc->{item_form});
 371     unless (defined $marc->{date1})
 372       { print XF "missing date1; " }
 373     else
 374       { print XF "invalid date1: '", $marc->{date1}, "'; "
 375           unless ($marc->{date1} =~ /\d{4}/); }
 376     print XF "missing record_type; " unless ($marc->{record_type});
 377     print XF "missing bib_lvl; " unless ($marc->{bib_lvl});
 378     print XF "missing title " unless ($marc->{title});
 379     print XF "\n";
 380 }
 381
 382
 383 =head2 initialize
 384
 385 Performs boring script initialization. Handles argument parsing,
 386 mostly.
 387
 388 =cut
 389
 390 sub initialize {
 391     my ($c) = @_;
 392     my @missing = ();
 393
 394     # set mode on existing filehandles
 395     binmode(STDIN, ':utf8');
 396
 397     my $rc = GetOptions( $c,
 398                          'exception|x=s',
 399                          'output|o=s',
 400                          'prefix|p=s',
 401                          'marctype|m=s',
 402                          'subfield|s=s',
 403                          'tag|t=s',
 404                          'fingerprints=s',
 405                          'scores=s',
 406                          'newwins',
 407                          'quiet|q',
 408                          'help|h',
 409                        );
 410     show_help() unless $rc;
 411     show_help() if ($c->{help});
 412
 413     # check fingerprints list for validity
 414     if ($c->{fingerprints}) {
 415         my %fps = ();
 416         my %valid_fps = ( oclc => 1, isbn => 1, issn => 1, lccn => 1,
 417                           edition => 1, accomp => 1, authpub => 1,
 418                           baseline => 1, crap => 1,
 419                         );
 420         for (split /,/, $c->{fingerprints}) {
 421             die "Invalid fingerprint '$_'\n" unless $valid_fps{$_};
 422             $fps{$_} = 1;
 423         }
 424         $c->{fingerprints} = \%fps
 425     } else {
 426         $c->{fingerprints} = {oclc => 1, isbn => 1, edition => 1, issn => 1,
 427                               lccn => 1, accomp => 1, authpub => 1};
 428     }
 429
 430     # check scores list for validity
 431     if ($c->{scores}) {
 432         my %scores = ();
 433         my %valid_scores = ( oclc => 1, dlc => 1, num_650 => 1,
 434                              num_tags => 1, enc_lvl => 1,
 435                            );
 436         for (split /,/, $c->{scores}) {
 437             die "Invalid score mode '$_'\n" unless $valid_scores{$_};
 438             $scores{$_} = 1;
 439         }
 440         $c->{dyn_scores} = [split /,/, $c->{scores}];
 441         $c->{scores} = \%scores;
 442     } else {
 443         $c->{scores} = {oclc => 1, dlc => 1, num_650 => 1,
 444                         num_tags => 1, enc_lvl => 1};
 445         $c->{dyn_scores} = [ qw/oclc dlc num_650 num_tags enc_lvl/ ];
 446     }
 447
 448     # set defaults
 449     $c->{tag} = 903 unless defined $c->{tag};
 450     $c->{subfield} = 'a' unless defined $c->{subfield};
 451     $c->{marctype} = 'XML' unless defined $c->{marctype};
 452     if ($c->{prefix}) {
 453         $c->{output} = join('.',$c->{prefix},'fp');
 454         $c->{exception} = join('.',$c->{prefix},'fp','ex');
 455     }
 456
 457     my @keys = keys %{$c};
 458     show_help() unless (@ARGV and @keys);
 459     for my $key ('tag', 'subfield', 'output', 'exception')
 460       { push @missing, $key unless $c->{$key} }
 461     if (@missing) {
 462         print "Required option: ", join(', ', @missing), " missing!\n";
 463         show_help();
 464     }
 465 }
 466
 467
 468 =head2 progress_ticker
 469
 470 =cut
 471
 472 sub progress_ticker {
 473     return if $conf->{quiet};
 474     printf("\r> %d recs seen; %d processed", $count, $scount);
 475     printf(" (%d/s)", ($count / (time - $start + 1)))
 476       if ($count % 500 == 0);
 477 }
 478
 479 =head2 show_help
 480
 481 Display usage message when things go wrong
 482
 483 =cut
 484
 485 sub show_help {
 486 print <<HELP;
 487 Usage is: $0 [REQUIRED ARGS] [OPTIONS] <filelist>
 488 Req'd Arguments
 489   --output=<FILE>      -o  Output filename
 490   --exceptions=<FILE>  -x  Exception report filename
 491        or
 492   --prefix=<PREFIX>>   -p  Shared prefix for output/exception files. Will
 493                            produce PREFIX.fp and PREFIX.fp.ex
 494 Options
 495   --tag=N       -t  Which tag to use (default 903)
 496   --subfield=X  -s  Which subfield to use (default 'a')
 497   --quiet       -q  Don't write status messages to STDOUT
 498
 499   --fingerprints=LIST  Fingerprints to generate, comma separated
 500                        Default: oclc,isbn,edition,issn,lccn,accomp,authpub
 501                        Others:  baseline
 502
 503   --scores=LIST  Scores to calculate, comma separated
 504                  Default: oclc,dlc,num_650,num_tags,enc_level
 505   --newwins      New record IDs score higher (default is old wins)
 506
 507   --marctype=TYPE Defaults to 'XML'
 508 HELP
 509 exit 1;
 510 }