yaz-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 print $OUT "Interactive MARC Stream Editor starting up\n";
  14
  15 my $count = 0;
  16 my $reccount = 0;
  17 my $line = '';
  18
  19 my @record = (); # current record storage
  20 my @context= (); # last 5 lines of file
  21
  22 open MARC, '<', 'incoming.marc.xml';
  23 open my $NUMARC, '>', 'incoming.clean.marc.xml';
  24 print $NUMARC '<?xml version="1.0" encoding="UTF-8"?>',"\n";
  25 open my $EXMARC, '>', 'incoming.exceptions.marc.xml';
  26 open MARC2, '<', 'incoming.marc.xml';
  27 <MARC2>;
  28
  29 # this is the dispatch table which drives command selection in
  30 # edit(), below
  31 my %commands = ( c => \&print_context,
  32                  k => \&kill_line,
  33                  o => \&show_original,
  34                  t => \&commit_edit,
  35                  x => \&dump_record,
  36                  q => \&quit,
  37                  '?' => \&help,
  38                  h   => \&help,
  39                  help => \&help,
  40                );
  41
  42 my @spinner = qw(- / | \\);
  43 my $sidx = 0;
  44
  45 while (my $line = getline()) {
  46     unless ($count % 2000) {
  47         print "\rWorking... ", $spinner[$sidx];
  48         $sidx++;
  49         $sidx = 0 if ($sidx > $#spinner);
  50     }
  51     update_context();
  52
  53     # catch empty datafield elements
  54     if ($line =~ m|</datafield>|) {
  55         if ($record[-2] =~ m/<datafield tag="..." ind1="." ind2=".">/) {
  56             pop @record; pop @record;
  57             print $OUT "\rEmpty datafield scrubbed at line $count\n";
  58             next;
  59         }
  60     }
  61
  62     # clean misplaced dollarsigns
  63     if ($line =~ m|<subfield code="\$">c?\d+\.\d{2}|) {
  64         $line =~ s|"\$">c?(\d+\.\d{2})|"c">\$$1|;
  65         print $OUT "\rDollar sign in subfield code corrected at line $count\n";
  66     }
  67
  68     # clean up tags with spaces in them
  69     $line =~ s/tag="  /tag="00/g;
  70     $line =~ s/tag=" /tag="0/g;
  71     $line =~ s/tag="-/tag="0/g;
  72     $line =~ s/tag="(\d\d) /tag="0$1/g;
  73
  74     # naked ampersands
  75     if ($line =~ /&/ && $line !~ /&\w{1,7};/)
  76       { edit("Looks like naked ampersand", $line); next }
  77
  78     # subfields can't be non-alphanumeric
  79       if ($line =~ /<subfield code="[^[:alnum:]]"/)
  80         { edit("Junk in subfield", $line); next }
  81
  82 }
  83 print $NUMARC "</xml>\n";
  84
  85 =head2 edit
  86
  87 Handles the Term::ReadLine loop
  88
  89 =cut
  90
  91 sub edit {
  92     my ($msg, $line_in) = @_;
  93     print $OUT "\r".$msg, " at line $count:\n";
  94     print_context();
  95     while (1) {
  96         my $line = $term->readline('yaz-cleanup>');
  97         if (defined $commands{$line}) {
  98             my $term = $commands{$line}->($line_in);
  99             last if $term;
 100         } else {
 101             if ($context[3] eq " [LINE KILLED\n]") {
 102                 push @record, "$line\n"
 103             } else {
 104                 $record[-1] = "$line\n";
 105             }
 106             $context[3] = "$line\n";
 107             print_context();
 108         }
 109     }
 110 }
 111
 112 =head2 getline
 113
 114 Reads from the incoming MARC file; returns lines into the driver
 115 loop. Batches records for output, and maintains the context listing.
 116
 117 =cut
 118
 119 sub getline {
 120     my $l = <MARC>;
 121     $count++;
 122     if (defined $l) {
 123         if ($l =~ /<record>/) {
 124             @record = ($l);
 125             $reccount++;
 126         } elsif ($l =~ m|</record>|) {
 127             write_record($NUMARC) if $reccount;
 128         } else {
 129             push @record, $l;
 130         }
 131     }
 132     return $l;
 133 }
 134
 135 sub write_record {
 136     my ($FH) = @_;
 137     print $FH '<collection xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd" xmlns="http://www.loc.gov/MARC21/slim">',"\n";
 138     print $FH @record;
 139     print $FH "</collection>\n";
 140 }
 141
 142 sub update_context {
 143     my $line2 = <MARC2>;
 144     push @context, $line2;
 145     shift @context if (@context > 5);
 146 }
 147
 148 #-----------------------------------------------------------------------------------
 149 # command routines
 150 #-----------------------------------------------------------------------------------
 151
 152 sub print_context {
 153     print $OUT "\n", join('    |','',@context[0..2]);
 154     print $OUT '==> |', $context[3];
 155     print $OUT '    |', $context[4],"\n";
 156     return 0;
 157 }
 158
 159 sub show_original {
 160     my ($line_in) = @_;
 161     print $OUT "\n$line_in\n";
 162     return 0;
 163 }
 164
 165 sub commit_edit { return 1 }
 166
 167 sub kill_line {
 168     pop @record;
 169     $context[3] = " [LINE KILLED]\n";
 170     print_context();
 171     return 0;
 172 }
 173
 174 sub dump_record {
 175     my $line = <MARC>;
 176     until ($line =~ m|</record>|) {
 177         push @record, $line;
 178         $line = <MARC>;
 179         update_context;
 180     }
 181     push @record, $line;
 182     write_record($EXMARC);
 183 }
 184
 185 sub help {
 186 print $OUT <<HELP;
 187
 188 Type a replacement for the indicated line, or enter a command.
 189
 190 Commands: c  Show line context
 191           k  Kill this line (remove from record)
 192           o  Show original line
 193           t  Commit changes and resume stream edit
 194           x  Write this record to the exception file instead of output
 195           q  Quit
 196
 197 HELP
 198 return 0;
 199 }
 200
 201 sub quit { exit }