fingerprints.pl

   1 #!/usr/bin/perl
   2 use open ':utf8';
   3 use MARC::Batch;
   4 use MARC::File::XML ( BinaryEncoding => 'utf-8' );
   5 use MARC::Field;
   6 use Unicode::Normalize;
   7
   8 my $count = 0;
   9 my $which = $ARGV[0];
  10 my $id_tag = $ARGV[1]; my $id_subfield = $ARGV[2];
  11
  12 binmode(STDOUT, ':utf8');
  13 binmode(STDIN, ':utf8');
  14
  15 my $M;
  16
  17 foreach $argnum ( 3 .. $#ARGV ) {
  18
  19         print STDERR "Processing " . $ARGV[$argnum] . "\n";
  20
  21     open $M, '<:utf8', $ARGV[$argnum];
  22
  23         my $batch = MARC::Batch->new('XML',$M);
  24         $batch->strict_off();
  25         $batch->warnings_off();
  26
  27     my $record = 1;
  28         while ( $record ) {
  29             $count++;
  30             $record = $batch->next();
  31
  32             my $id = $record->field($id_tag);
  33             if (!$id) {
  34                 print STDERR "ERROR: This record is missing a $id_tag field.\n" . $record->as_formatted() . "\n=====\n";
  35                 next;
  36             }
  37             $id = $id->as_string($id_subfield);
  38             print STDERR "WARNINGS: Record id " . $id . " : " .  join(":",@warnings) . " : continuing...\n" if ( @warnings );
  39
  40             my $leader = $record->leader();
  41             my $record_type = substr($leader,6,1);
  42             my $bib_lvl = substr($leader,7,1);
  43
  44             my $my_008 = $record->field('008');
  45                 $my_008 = $my_008->as_string() if ($my_008);
  46             my $date1 = substr($my_008,7,4) if ($my_008);
  47             my $date2 = substr($my_008,11,4) if ($my_008);
  48             my $item_form;
  49                 if ( $record_type =~ /[gkroef]/ ) { # MAP, VIS
  50                     $item_form = substr($my_008,29,1) if ($my_008);
  51                 } else {
  52                     $item_form = substr($my_008,23,1) if ($my_008);
  53                 }
  54
  55             my $title = $record->field('245');
  56                 if ( $title ) { $title = $title->subfield('a'); }
  57
  58             my @isbns = ();
  59             my @isbns_020; if ($record->field('020')) { @isbns_020 = $record->field('020'); }
  60             foreach my $f ( @isbns_020 ) { if ($f->subfield('a')) { if ( $f->subfield('a')=~/(\S+)/ ) { push @isbns, $1; } } }
  61             my @isbns_024; if ($record->field('024')) { @isbns_024 = $record->field('024'); }
  62             foreach my $f ( @isbns_024 ) { if ($f->subfield('a')) { if ( $f->subfield('a')=~/(\S+)/ ) { push @isbns, $1; } } }
  63
  64             my $issn = $record->field('022');
  65                 if ( $issn ) { $issn = $issn->subfield('a'); }
  66             my $lccn = $record->field('010');
  67                 if ( $lccn ) { $lccn = $lccn->subfield('a'); }
  68             my $author;
  69                 if ($record->field('100')) { $author = $record->field('100')->subfield('a'); }
  70                 if (! $author ) {
  71                     if ($record->field('110')) { $author = $record->field('110')->subfield('a'); }
  72                 }
  73                 if (! $author ) {
  74                     if ($record->field('111')) { $author = $record->field('111')->subfield('a'); }
  75                 }
  76             my $desc = $record->field('300');
  77                 if ( $desc ) { $desc = $desc->subfield('a'); }
  78             my $pages;
  79                 if ($desc =~ /(\d+)/) { $pages = $1; }
  80             my $my_260 = $record->field('260');
  81             my $publisher = $my_260->subfield('b') if ( $my_260 );
  82             my $pubyear = $my_260->subfield('c') if ( $my_260 );
  83                 if ( $pubyear ) {
  84                     if ( $pubyear =~ /(\d\d\d\d)/ ) { $pubyear = $1; } else { $pubyear = ''; }
  85                 }
  86             my $edition = $record->field('250');
  87                 if ( $edition ) { $edition = $edition->subfield('a'); }
  88
  89             # NORMALIZE
  90             if ($record_type == ' ') { $record_type = 'a'; }
  91             if ($title) {
  92                 $title = NFD($title); $title =~ s/[\x{80}-\x{ffff}]//go;
  93                 $title = lc($title);
  94                 $title =~ s/\W+$//go;
  95             }
  96             if ($author) {
  97                 $author = NFD($author); $author =~ s/[\x{80}-\x{ffff}]//go;
  98                 $author = lc($author);
  99                 $author =~ s/\W+$//go;
 100                 if ($author =~ /^(\w+)/) {
 101                     $author = $1;
 102                 }
 103             }
 104             if ($publisher) {
 105                 $publisher = NFD($publisher); $publisher =~ s/[\x{80}-\x{ffff}]//go;
 106                 $publisher = lc($publisher);
 107                 $publisher =~ s/\W+$//go;
 108                 if ($publisher =~ /^(\w+)/) {
 109                     $publisher = $1;
 110                 }
 111             }
 112
 113             # SPIT OUT FINGERPRINTS FROM THE "LOIS ALGORITHM"
 114             # If we're not getting good matches, we may want to change this.  The same thing goes for some other fields.
 115             if ($item_form && ($date1 =~ /\d\d\d\d/) && $record_type && $bib_lvl && $title) {
 116
 117                 if ($which eq "primary") {
 118                     print STDOUT join("\t",$id,$item_form,$date1,$record_type,$bib_lvl,$title) . "\n";
 119                 } else {
 120
 121                     # case a : isbn and pages
 122                     if (scalar(@isbns)>0 && $pages) {
 123                         foreach my $isbn ( @isbns ) {
 124                             print STDOUT join("\t",$id,"case a",$item_form,$date1,$record_type,$bib_lvl,$title,$isbn,$pages) . "\n";
 125                         }
 126                     }
 127
 128                     # case b : edition
 129                     if ($edition) {
 130                         print STDOUT join("\t",$id,"case b",$item_form,$date1,$record_type,$bib_lvl,$title,$edition) . "\n";
 131                     }
 132
 133                     # case c : issn
 134                     if ($issn) {
 135                         print STDOUT join("\t",$id,"case c",$item_form,$date1,$record_type,$bib_lvl,$title,$issn) . "\n";
 136                     }
 137
 138                     # case d : lccn
 139                     if ($lccn) {
 140                         print STDOUT join("\t",$id,"case d",$item_form,$date1,$record_type,$bib_lvl,$title,$lccn) . "\n";
 141                     }
 142
 143                     # case e : author, publisher, pubyear, pages
 144                     if ($author && $publisher && $pubyear && $pages) {
 145                         print STDOUT join("\t",$id,"case e",$item_form,$date1,$record_type,$bib_lvl,$title,$author,$publisher,$pubyear,$pages) . "\n";
 146                     }
 147
 148                 }
 149
 150             } else {
 151                 print STDERR "Record " . $id . " did not make the cut: ";
 152                 print STDERR "Missing item_form. " unless ($item_form);
 153                 print STDERR "Missing valid date1. " unless ($date1 =~ /\d\d\d\d/);
 154                 print STDERR "Missing record_type. " unless ($record_type);
 155                 print STDERR "Missing bib_lvl. " unless ($bib_lvl);
 156                 print STDERR "Missing title. " unless ($title);
 157                 print STDERR "\n";
 158
 159             }
 160         }
 161     print STDERR "Processed $count records\n";
 162 }