marc-cleanup

   1 #!/usr/bin/perl
   2
   3 use strict;
   4 use warnings;
   5
   6 use Getopt::Long;
   7 use Term::ReadLine;
   8
   9 $| = 1;
  10
  11 my $term = new Term::ReadLine 'yaz-cleanup';
  12 my $OUT = $term->OUT || \*STDOUT;
  13
  14 my $conf = {};
  15
  16 my $count = 0;
  17 my $reccount = 0;
  18 my $oreccount = 0;
  19 my $line = '';
  20 my %trash = ();   # hash for tags to be dumped
  21
  22 # initialization and setup
  23 initialize($conf);
  24
  25 # read in trash tags file if it exists
  26 populate_trash() if ($conf->{trash});
  27
  28 my @record = ();  # current record storage
  29 my %recmeta = (); # metadata about current record
  30 my @context= ();  # last 5 lines of file
  31
  32 my $input = shift || 'incoming.marc.xml';
  33
  34 open MARC, '<:utf8', $input;
  35 open my $NUMARC, '>:utf8', $conf->{output};
  36 print $NUMARC '<?xml version="1.0" encoding="UTF-8"?>',"\n";
  37 print $NUMARC '<collection xmlns="http://www.loc.gov/MARC21/slim">',"\n";
  38
  39 open my $EXMARC, '>:utf8', $conf->{exception};
  40 print $EXMARC '<?xml version="1.0" encoding="UTF-8"?>',"\n";
  41 print $EXMARC '<collection xmlns="http://www.loc.gov/MARC21/slim">',"\n";
  42 open MARC2, '<', $input;
  43 <MARC2>;
  44
  45 # this is the dispatch table which drives command selection in
  46 # edit(), below
  47 my %commands = ( c => \&print_context,
  48                  C => \&print_linecontext,
  49                  k => \&kill_line,
  50                  o => \&show_original,
  51                  m => \&merge_lines,
  52                  s => \&substitute,
  53                  t => \&commit_edit,
  54                  x => \&dump_record,
  55                  q => \&quit,
  56                  '?' => \&help,
  57                  h   => \&help,
  58                  help => \&help,
  59                );
  60
  61 my @spinner = qw(- / | \\);
  62 my $sidx = 0;
  63
  64 while (my $line = getline()) {
  65     unless ($count % 2000) {
  66         print "\rWorking... ", $spinner[$sidx];
  67         $sidx = ($sidx == $#spinner) ? 0 : $sidx + 1;
  68     }
  69     update_linecontext();
  70
  71     next if ($line =~ m|</record>|);
  72
  73     # catch empty datafield elements
  74     if ($line =~ m|</datafield>|) {
  75         if ($record[-2] =~ m/<datafield tag="..." ind1="." ind2=".">/) {
  76             pop @record; pop @record;
  77             message("Empty datafield scrubbed");
  78             next;
  79         }
  80     }
  81
  82     # pad short leaders
  83     if ($line =~ m|<leader>(.+?)</leader>|) {
  84         my $leader = $1;
  85         if (length $leader < 24) {
  86             $leader .= ' ' x (20 - length($leader));
  87             $leader .= "4500";
  88             $line = "<leader>$leader</leader>\n";
  89             message("Short leader padded");
  90         }
  91     }
  92
  93     # clean misplaced dollarsigns
  94     if ($line =~ m|<subfield code="\$">c?\d+\.\d{2}|) {
  95         $line =~ s|"\$">c?(\d+\.\d{2})|"c">\$$1|;
  96         message("Dollar sign corrected");
  97     }
  98
  99     # clean up tags with spaces in them
 100     $line =~ s/tag="  /tag="00/g;
 101     $line =~ s/tag=" /tag="0/g;
 102     $line =~ s/tag="-/tag="0/g;
 103     $line =~ s/tag="(\d\d) /tag="0$1/g;
 104
 105     # stow tag data if we're looking at it
 106     if ($line =~ m/<datafield tag="(.{3})" ind1="(.)" ind2="(.)">/) {
 107         $recmeta{tag}  = $1;
 108         $recmeta{ind1} = $2;
 109         $recmeta{ind2} = $3;
 110     }
 111
 112     # automatable subfield maladies
 113     $line =~ s/code=" ">c/code="c">/;
 114     $line =~ s/code=" ">\$/code="c"$>/;
 115
 116     # and stow line back in record
 117     $record[-1] = $line;
 118
 119     # naked ampersands
 120     if ($line =~ /&/ && $line !~ /&\w+?;/)
 121       { edit("Naked ampersand", $line); next }
 122
 123     # tags must be numeric
 124     if ($line =~ /<datafield tag="(.+?)"/) {
 125         my $match = $1;
 126         if ($match =~ /\D/) {
 127             edit("Non-numerics in tag", $line);
 128             next;
 129         }
 130     }
 131
 132     # subfields can't be non-alphanumeric
 133     if ($line =~ /<subfield code="(.*?)"/) {
 134         my $match = $1;
 135         if ($match =~ /\P{IsAlnum}/ or $match eq '') {
 136             edit("Junk in subfield code/Null subfield code", $line);
 137             next;
 138         }
 139     }
 140
 141 }
 142 print $NUMARC "</collection>\n";
 143 print $EXMARC "</collection>\n";
 144 print $OUT "\nDone.               \n";
 145
 146 =head2 edit
 147
 148 Handles the Term::ReadLine loop
 149
 150 =cut
 151
 152 sub edit {
 153     my ($msg, $line_in) = @_;
 154     return if $trash{$recmeta{tag}};
 155     message($msg);
 156     print_context();
 157
 158     while (1) {
 159         my $line = $term->readline('marc-cleanup>');
 160         my @chunks = split /\s+/, $line;
 161
 162         if (length $chunks[0] == 1)
 163           { next unless (defined $commands{$chunks[0]}) }
 164
 165         if (defined $commands{$chunks[0]}) {
 166             my $term = $commands{$chunks[0]}->($line_in, @chunks[1..$#chunks]);
 167             last if $term;
 168         } else {
 169             if ($context[3] eq " [LINE KILLED]\n") {
 170                 push @record, "$line\n"
 171             } else {
 172                 $record[-1] = "$line\n";
 173             }
 174             $context[3] = "$line\n";
 175             print_linecontext();
 176         }
 177     }
 178 }
 179
 180 =head2 getline
 181
 182 Reads from the incoming MARC file; returns lines into the driver
 183 loop. Batches records for output, and maintains the context listing.
 184
 185 =cut
 186
 187 sub getline {
 188     my $l = <MARC>;
 189     $count++;
 190     if (defined $l) {
 191         if ($l =~ /<record>/) {
 192             @record = ($l);
 193             %recmeta = ();
 194             $reccount++;
 195         } elsif ($l =~ m|</record>|) {
 196             write_record($NUMARC) if $reccount;
 197         } else {
 198             push @record, $l;
 199         }
 200     }
 201     return $l;
 202 }
 203
 204 sub write_record {
 205     my ($FH) = @_;
 206     $oreccount++ if ($FH eq $NUMARC);
 207     print $FH '<!-- ', $recmeta{explanation}, " -->\n"
 208       if(defined $recmeta{explanation});
 209
 210     # excise unwanted tags
 211     if (keys %trash or $conf->{autoscrub}) {
 212         my @trimmed = ();
 213         my $istrash = 0;
 214         for my $line (@record) {
 215             if ($istrash) {
 216                 $istrash = 0 if $line =~ m|</datafield|;
 217                 next;
 218             }
 219             if ($line =~ m/<datafield tag="(.{3})"/) {
 220                 my $tag = $1;
 221                 if ($trash{$tag} or ($conf->{autoscrub} and $tag =~ /\D/)) {
 222                     $istrash = 1;
 223                     next
 224                 }
 225             }
 226             push @trimmed, $line;
 227         }
 228         @record = @trimmed;
 229     }
 230
 231     # scrub newlines
 232     unless ($conf->{nocollapse}) {
 233         s/\n// for (@record);
 234     }
 235
 236     # add 903(?) with new record id
 237     my $renumber = '';
 238     if ($conf->{'renumber-from'}) {
 239         $renumber = join('', '<datafield tag="', $conf->{'renumber-tag'},
 240                          '" ind1=" " ind2=" ">',
 241                          '<subfield code="', $conf->{'renumber-subfield'}, '">',
 242                          $conf->{'renumber-from'}, '</subfield></datafield>');
 243         $renumber .= "\n" if $conf->{nocollapse};
 244         push @record, $renumber;
 245         $conf->{'renumber-from'}++;
 246     }
 247
 248     print $FH @record;
 249     print $FH "</record>\n";
 250 }
 251
 252 sub update_linecontext {
 253     my $line2 = <MARC2>;
 254     push @context, $line2;
 255     shift @context if (@context > 5);
 256 }
 257
 258 sub message {
 259     my ($msg) = @_;
 260     print $OUT "\r$msg at record $reccount/",$oreccount + 1,"\n";
 261
 262 }
 263
 264 #-----------------------------------------------------------------------------------
 265 # command routines
 266 #-----------------------------------------------------------------------------------
 267
 268 sub substitute {
 269     my ($line_in, @chunks) = @_;
 270     my $ofrom = shift @chunks;
 271     if ($ofrom =~ /^'/ or !@chunks) {
 272         until ($ofrom =~ /'$/)
 273           { $ofrom .= join(' ','',shift @chunks) }
 274         $ofrom =~ s/^'//; $ofrom =~ s/'$//;
 275     }
 276     my $to = shift @chunks;
 277     if ($to =~ /^'/) {
 278         until ($to =~ /'$/ or !@chunks)
 279           { $to .= join(' ','',shift @chunks) }
 280         $to =~ s/^'//; $to =~ s/'$//;
 281     }
 282
 283     my $from = '';
 284     for my $char (split(//,$ofrom)) {
 285         $char = "\\" . $char if ($char =~ /\W/);
 286         $from = join('', $from, $char);
 287     }
 288     $record[-1] =~ s/$from/$to/;
 289     $context[3] = $record[-1];
 290     print_linecontext();
 291     return 0;
 292 }
 293
 294 sub merge_lines {
 295     my $last = pop @record;
 296     $last =~ s/^\s+//;
 297     $record[-1] =~ s/\n//;
 298     $record[-1] = join('', $record[-1], $last);
 299     my @temp = ("\n");
 300     push @temp, @context[0..1];
 301     $temp[3] = $record[-1];
 302     $temp[4] = $context[4];
 303     @context = @temp;
 304     print_linecontext();
 305     return 0;
 306 }
 307
 308 sub kill_line {
 309     pop @record;
 310     $context[3] = " [LINE KILLED]\n";
 311     print_linecontext();
 312     return 0;
 313 }
 314
 315 sub dump_record {
 316     my ($line_in, @explanation) = @_;
 317     $recmeta{explanation} = join(' ', 'Tag', $recmeta{tag}, @explanation);
 318     my $line = <MARC>; $count++;
 319     update_linecontext();
 320     until ($line =~ m|</record>|) {
 321         push @record, $line;
 322         $line = <MARC>; $count++;
 323         update_linecontext();
 324     }
 325     push @record, $line;
 326     write_record($EXMARC);
 327     return 1;
 328 }
 329
 330 sub commit_edit { return 1 }
 331
 332 sub print_context {
 333     print "\n Tag:",$recmeta{tag}, " Ind1:'",
 334       $recmeta{ind1},"' Ind2:'", $recmeta{ind2}, "'";
 335     print_linecontext();
 336     return 0;
 337 }
 338
 339 sub print_linecontext {
 340     print $OUT "\n", join('    |','',@context[0..2]);
 341     print $OUT '==> |', $context[3];
 342     print $OUT '    |', $context[4],"\n";
 343     return 0;
 344 }
 345
 346 sub show_original {
 347     my ($line_in) = @_;
 348     print $OUT "\n$line_in\n";
 349     return 0;
 350 }
 351
 352 sub help {
 353 print $OUT <<HELP;
 354
 355 Type a replacement for the indicated line, or enter a command.
 356
 357 Commands: c  Show record context ('C' for brief context)
 358           k  Kill indicated line (remove from record)
 359           m  Merge indicated line with previous line
 360           o  Show original line
 361           s  Substitute ARG1 for ARG2 in indicated line
 362           t  Commit changes and resume stream edit
 363           x  Write this record to the exception file instead of output
 364           q  Quit
 365
 366 HELP
 367 return 0;
 368 }
 369
 370 sub quit { exit }
 371
 372 #-----------------------------------------------------------------------------------
 373 # populate_trash
 374 #-----------------------------------------------------------------------------------
 375 # defined a domain-specific language for specifying MARC tags to be dropped from
 376 # records during processing. it is line oriented, and is specified as follows:
 377 #
 378 # each line may specify any number of tags to be included, either singly (\d{1,3})
 379 # or as a range (\d{1,3}\.\.\d{1,3}
 380 #
 381 # if a single number is given, it must be between '000' and '999', inclusive.
 382 #
 383 # ranges obey the previous rule, and also the first number of the range must be less
 384 # than the second number
 385 #
 386 # finally, any single range in a line may be followed by the keyword 'except'. every
 387 # number or range after 'except' is excluded from the range specified. all these
 388 # numbers must actually be within the range.
 389 #
 390 # specifying a tag twice is an error, to help prevent typos
 391
 392 sub populate_trash {
 393     print $OUT ">>> TRASHTAGS FILE FOUND. LOADING TAGS TO BE STRIPPED FROM OUTPUT\n";
 394     open TRASH, '<', $conf->{trash}
 395       or die "Can't open trash tags file!\n";
 396     while (<TRASH>) {
 397         my $lastwasrange = 0;
 398         my %lastrange = ( high => 0, low => 0);
 399         my $except = 0;
 400
 401         my @chunks = split /\s+/;
 402         while (my $chunk = shift @chunks) {
 403
 404             # single values
 405             if ($chunk =~ /^\d{1,3}$/) {
 406                 trash_add($chunk, $except);
 407                 $lastwasrange = 0;
 408                 next;
 409             }
 410
 411             # ranges
 412             if ($chunk =~ /^\d{1,3}\.\.\d{1,3}$/) {
 413                 my ($low, $high) = trash_add_range($chunk, $except, \%lastrange);
 414                 $lastwasrange = 1;
 415                 %lastrange = (low => $low, high => $high)
 416                   unless $except;
 417                 next;
 418             }
 419
 420             # 'except'
 421             if ($chunk eq 'except') {
 422                 die "Keyword 'except' can only follow a range (line $.)\n"
 423                   unless $lastwasrange;
 424                 die "Keyword 'except' may only occur once per line (line $.)\n"
 425                   if $except;
 426                 $except = 1;
 427                 next;
 428             }
 429
 430             die "Unknown chunk $chunk in .trashtags file (line $.)\n";
 431         }
 432     }
 433
 434     # remove original id sequence tag from trash hash if we know it
 435     trash_add($conf->{'original-tag'}, 1)
 436       if ($conf->{'original-tag'} and $trash{$conf->{'original-tag'}});
 437 }
 438
 439 sub trash_add_range {
 440     my ($chunk, $except, $range) = @_;
 441     my ($low,$high) = split /\.\./, $chunk;
 442     die "Ranges must be 'low..high' ($low is greater than $high on line $.)\n"
 443       if ($low > $high);
 444     if ($except) {
 445         die "Exception ranges must be within last addition range (line $.)\n"
 446           if ($low < $range->{low} or $high > $range->{high});
 447     }
 448     for my $tag ($low..$high) {
 449         trash_add($tag, $except)
 450     }
 451     return $low, $high;
 452 }
 453
 454 sub trash_add {
 455     my ($tag, $except) = @_;
 456     die "Trash values must be valid tags (000-999)\n"
 457       unless ($tag >= 0 and $tag <= 999);
 458     if ($except) {
 459         delete $trash{$tag};
 460     } else {
 461         die "Trash tag '$tag' specified twice (line $.)\n"
 462           if $trash{$tag};
 463         $trash{$tag} = 1;
 464     }
 465 }
 466
 467 #-----------------------------------------------------------------------
 468
 469 =head2 initialize
 470
 471 Performs boring script initialization. Handles argument parsing,
 472 mostly.
 473
 474 =cut
 475
 476 sub initialize {
 477     my ($c) = @_;
 478     my @missing = ();
 479
 480     # set mode on existing filehandles
 481     binmode(STDIN, ':utf8');
 482
 483     my $rc = GetOptions( $c,
 484                          'autoscrub|a',
 485                          'exception|x=s',
 486                          'output|o=s',
 487                          'nocollapse|n',
 488                          'renumber-from|rf=i',
 489                          'original-tag|ot=i',
 490                          'renumber-tag|rt=i',
 491                          'renumber-subfield|rt=i',
 492                          'trash|t=s',
 493                          'help|h',
 494                        );
 495     show_help() unless $rc;
 496     show_help() if ($c->{help});
 497
 498     # defaults
 499     $c->{output} = 'incoming.cleaned.marc.xml' unless defined $c->{output};
 500     $c->{exception} = 'incoming.exception.marc.xml' unless defined $c->{exception};
 501     $c->{'renumber-tag'} = 903 unless defined $c->{'renumber-tag'};
 502     $c->{'renumber-subfield'} = 'a' unless defined $c->{'renumber-subfield'};
 503
 504     my @keys = keys %{$c};
 505     show_help() unless (@ARGV and @keys);
 506     #for my $key ('runtype', 'tag', 'subfield', 'output', 'exception')
 507     #  { push @missing, $key unless $c->{$key} }
 508     #if (@missing) {
 509     #    print "Required option: ", join(', ', @missing), " missing!\n";
 510     #    show_help();
 511     #}
 512 }
 513
 514 sub show_help {
 515     print <<HELP;
 516 Usage is: $0 [OPTIONS] <filelist>
 517 Options
 518   --output     -o  Cleaned MARCXML output filename (default: incoming.cleaned.marc.xml)
 519   --exception  -x  Exception (dumped records) MARCXML filename (incoming.exception.marc.xml)
 520 HELP
 521 exit;
 522 }