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 MARC::File::XML ( BinaryEncoding => 'utf-8' );
   9 use MARC::Field;
  10 use Unicode::Normalize;
  11
  12 my $conf  = {}; # configuration hashref
  13 my $count = 0;
  14 my $start = time;
  15 $| = 1;
  16
  17 initialize($conf);
  18
  19 open OF, '>', $conf->{output};
  20 binmode(OF, ':utf8');
  21 open XF, '>', $conf->{exception};
  22 binmode(XF, ':utf8');
  23
  24 for my $file (@ARGV) {
  25     print XF "Processing $file\n";
  26     open my $records, '<:utf8', $file;
  27     my $batch = undef; my $record = undef;
  28
  29     $batch = MARC::Batch->new('XML', $records);
  30     $batch->strict_off();
  31     $batch->warnings_off();
  32
  33     while ( eval { $record = $batch->next } ) {
  34         my $marc = undef;
  35         $count++; progress_ticker();
  36         unless ( defined $record )
  37           { dump_exception($marc); next; }
  38
  39         my $id = $record->field($conf->{tag});
  40         unless ($id) {
  41             print XF "ERROR: Record $count in $file is missing a ",
  42               $conf->{tag}, " field.\n", $record->as_formatted(), "\n=====\n";
  43             next;
  44         }
  45
  46         $marc = populate_marc($record, $id);
  47         $marc = normalize_marc($marc);
  48         unless (marc_isvalid($marc))
  49           { dump_exception($marc); next; }
  50         dump_fingerprints($marc);
  51     }
  52 }
  53 print "\nProcessed $count records\n" unless $conf->{quiet};
  54
  55
  56
  57 =head2 populate_marc
  58
  59 Constructs a hash containing the relevant MARC data for a record and
  60 returns a reference to it.
  61
  62 =cut
  63
  64 sub populate_marc {
  65     my ($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     $my_008 = $my_008->as_string() if ($my_008);
  78     unless (defined $my_008 and length $my_008 == 40)
  79       { print XF ">> Bad 008 field length in rec. $id\n"; return \%marc }
  80     $marc{date1} = substr($my_008,7,4) if ($my_008);
  81     $marc{date2} = substr($my_008,11,4) if ($my_008); # UNUSED
  82
  83     # item_form
  84     if ( $marc{record_type} =~ /[gkroef]/ ) { # MAP, VIS
  85         $marc{item_form} = substr($my_008,29,1) if ($my_008);
  86     } else {
  87         $marc{item_form} = substr($my_008,23,1) if ($my_008);
  88     }
  89
  90     # isbns
  91     my @isbns = $record->field('020') if $record->field('020');
  92     push @isbns, $record->field('024') if $record->field('024');
  93     for my $f ( @isbns ) {
  94         push @{ $marc{isbns} }, $1 if ( defined $f->subfield('a') and
  95                                         $f->subfield('a')=~/(\S+)/ );
  96     }
  97
  98     # author
  99     for my $rec_field (100, 110, 111) {
 100         if ($record->field($rec_field)) {
 101             $marc{author} = $record->field($rec_field)->subfield('a');
 102             last;
 103         }
 104     }
 105
 106     # "Accompanying material" (300e)
 107     $marc{accomp} = $record->field('300')->subfield('e')
 108       if $record->field('300');
 109
 110     # issn, lccn, title, desc, pages, pub, pubyear, edition
 111     $marc{lccn} = $record->field('010')->subfield('a') if $record->field('010');
 112     $marc{issn} = $record->field('022')->subfield('a') if $record->field('022');
 113     $marc{desc} = $record->field('300')->subfield('a') if $record->field('300');
 114     $marc{pages} = $1 if (defined $marc{desc} and $marc{desc} =~ /(\d+)/);
 115     $marc{title} = $record->field('245')->subfield('a')
 116       if defined $record->field('245');
 117     $marc{edition} = $record->field('250')->subfield('a')
 118       if $record->field('250');
 119     if ($record->field('260')) {
 120         $marc{publisher} = $record->field('260')->subfield('b');
 121         $marc{pubyear} = $record->field('260')->subfield('c');
 122         $marc{pubyear} =
 123           (defined $marc{pubyear} and $marc{pubyear} =~ /(\d{4})/) ? $1 : '';
 124     }
 125     return \%marc;
 126 }
 127
 128
 129
 130 =head2 normalize_marc
 131
 132 Gently massages your data.
 133
 134 =cut
 135
 136 sub normalize_marc {
 137     my ($marc) = @_;
 138
 139     $marc->{record_type }= 'a' if ($marc->{record_type} eq ' ');
 140     if ($marc->{title}) {
 141         $marc->{title} = NFD($marc->{title});
 142         $marc->{title} =~ s/[\x{80}-\x{ffff}]//go;
 143         $marc->{title} = lc($marc->{title});
 144         $marc->{title} =~ s/\W+$//go;
 145     }
 146     if ($marc->{author}) {
 147         $marc->{author} = NFD($marc->{author});
 148         $marc->{author} =~ s/[\x{80}-\x{ffff}]//go;
 149         $marc->{author} = lc($marc->{author});
 150         $marc->{author} =~ s/\W+$//go;
 151         if ($marc->{author} =~ /^(\w+)/) {
 152             $marc->{author} = $1;
 153         }
 154     }
 155     if ($marc->{publisher}) {
 156         $marc->{publisher} = NFD($marc->{publisher});
 157         $marc->{publisher} =~ s/[\x{80}-\x{ffff}]//go;
 158         $marc->{publisher} = lc($marc->{publisher});
 159         $marc->{publisher} =~ s/\W+$//go;
 160         if ($marc->{publisher} =~ /^(\w+)/) {
 161             $marc->{publisher} = $1;
 162         }
 163     }
 164     return $marc;
 165 }
 166
 167
 168
 169 =head2 marc_isvalid
 170
 171 Checks MARC record to see if neccessary fingerprinting data is
 172 available
 173
 174 =cut
 175
 176 sub marc_isvalid {
 177     my ($marc) = @_;
 178     return 1 if ($marc->{item_form} and ($marc->{date1} =~ /\d{4}/) and
 179                  $marc->{record_type} and $marc->{bib_lvl} and $marc->{title});
 180     return 0;
 181 }
 182
 183
 184 =head2 dump_fingerprints
 185
 186 =cut
 187
 188 sub dump_fingerprints {
 189     my ($marc) = @_;
 190
 191     if ($conf->{runtype} eq "primary") {
 192         print OF join("\t",$marc->{id}, $marc->{item_form},
 193                           $marc->{date1}, $marc->{record_type},
 194                           $marc->{bib_lvl}, $marc->{title}), "\n";
 195     } else {
 196         if ((scalar @{ $marc->{isbns} } > 0) && $marc->{pages}) {
 197             # case a : isbn and pages
 198             foreach my $isbn ( @{ $marc->{isbns}} ) {
 199                 print OF join("\t", $marc->{id}, "case a",
 200                                   $marc->{item_form}, $marc->{date1},
 201                                   $marc->{record_type},
 202                                   $marc->{bib_lvl}, $marc->{title},
 203                                   $isbn, $marc->{pages}), "\n";
 204             }
 205         }
 206
 207         if ($marc->{edition}) { # case b : edition
 208             print OF join("\t", $marc->{id}, "case b",
 209                               $marc->{item_form}, $marc->{date1},
 210                               $marc->{record_type}, $marc->{bib_lvl},
 211                               $marc->{title}, $marc->{edition}), "\n";
 212         }
 213
 214         if ($marc->{issn}) { # case c : issn
 215             print OF join("\t", $marc->{id}, "case c",
 216                               $marc->{item_form}, $marc->{date1},
 217                               $marc->{record_type}, $marc->{bib_lvl},
 218                               $marc->{title}, $marc->{issn}), "\n";
 219         }
 220
 221         if ($marc->{lccn}) { # case d : lccn
 222             print OF join("\t", $marc->{id}, "case d",
 223                               $marc->{item_form}, $marc->{date1},
 224                               $marc->{record_type}, $marc->{bib_lvl},
 225                               $marc->{title}, $marc->{lccn}) ,"\n";
 226         }
 227
 228         if ($marc->{accomp}) { # case e : accomp
 229             print OF join("\t", $marc->{id}, "case d",
 230                               $marc->{item_form}, $marc->{date1},
 231                               $marc->{record_type}, $marc->{bib_lvl},
 232                               $marc->{title}, $marc->{accomp}) ,"\n";
 233         }
 234
 235         # case z : author, publisher, pubyear, pages
 236         if ($marc->{author} and $marc->{publisher} and $marc->{pubyear}
 237             and $marc->{pages}) {
 238             print OF join("\t", $marc->{id}, "case e",
 239                               $marc->{item_form}, $marc->{date1},
 240                               $marc->{record_type}, $marc->{bib_lvl},
 241                               $marc->{title}, $marc->{author},
 242                               $marc->{publisher}, $marc->{pubyear},
 243                               $marc->{pages}), "\n";
 244         }
 245     }
 246 }
 247
 248
 249
 250 =head2 dump_exception
 251
 252 Write line of exception report
 253
 254 =cut
 255
 256 sub dump_exception {
 257     my ($marc) = @_;
 258     unless (defined $marc) {
 259         print XF "Undefined record at line $count; likely bad XML\n";
 260         return;
 261     }
 262     print XF "Record ", $marc->{id}, " did not make the cut: ";
 263     print XF "Missing item_form. " unless ($marc->{item_form});
 264     unless (defined $marc->{date1})
 265       { print XF "Missing date1. " }
 266     else
 267       { print XF "Invalid date1: ", $marc->{date1}
 268           unless ($marc->{date1} =~ /\d{4}/); }
 269     print XF "Missing record_type. " unless ($marc->{record_type});
 270     print XF "Missing bib_lvl. " unless ($marc->{bib_lvl});
 271     print XF "Missing title. " unless ($marc->{title});
 272     print XF "\n";
 273 }
 274
 275
 276 =head2 initialize
 277
 278 Performs boring script initialization. Handles argument parsing,
 279 mostly.
 280
 281 =cut
 282
 283 sub initialize {
 284     my ($c) = @_;
 285     my @missing = ();
 286
 287     # set mode on existing filehandles
 288     binmode(STDIN, ':utf8');
 289
 290     my $rc = GetOptions( $c,
 291                          'exception|x=s',
 292                          'output|o=s',
 293                          'runtype|r=s',
 294                          'subfield|s=s',
 295                          'tag|t=s',
 296                          'quiet|q',
 297                          'help|h',
 298                        );
 299     show_help() unless $rc;
 300
 301     my @keys = keys %{$c};
 302     show_help() unless (@ARGV and @keys);
 303     for my $key ('runtype', 'tag', 'subfield', 'output', 'exception') {
 304         push @missing, $key unless $c->{$key}
 305     }
 306     if (@missing) {
 307         print "Required option: ", join(', ', @missing), " missing!\n";
 308         show_help();
 309     }
 310
 311     show_help() if ($c->{help});
 312 }
 313
 314
 315 =head2 progress_ticker
 316
 317 =cut
 318
 319 sub progress_ticker {
 320     return if $conf->{quiet};
 321     printf("> %d (%d/s)\r", $count, ($count / (time - $start + 1)))
 322       if ($count % 100 == 0);
 323 }
 324
 325 =head2 show_help
 326
 327 Display usage message when things go wrong
 328
 329 =cut
 330
 331 sub show_help {
 332 print <<HELP;
 333 Usage is: fingerprinter [REQUIRED ARGS] [OPTIONS] <filelist>
 334 Req'd Arguments
 335   --runtype=(primary|full) -r  Do 'primary' or 'full' fingerprinting
 336   --tag=N                  -t  Which tag to use
 337   --subfield=X             -s  Which subfield to use
 338   --output=<file>          -o  Output filename
 339   --exceptions=<file>      -x  Exception report filename
 340 Options
 341   --quiet  -q  Don't write status messages to STDOUT
 342 HELP
 343 exit 1;
 344 }