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
  14 my $count = 0;
  15 my $reccount = 0;
  16 my $line = '';
  17
  18 my @record = (); # current record storage
  19 my %reccontext = ();
  20 my @linecontext= (); # 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 print $EXMARC '<?xml version="1.0" encoding="UTF-8"?>',"\n";
  27 open MARC2, '<', 'incoming.marc.xml';
  28 <MARC2>;
  29
  30 # this is the dispatch table which drives command selection in
  31 # edit(), below
  32 my %commands = ( c => \&print_context,
  33                  C => \&print_linecontext,
  34                  k => \&kill_line,
  35                  o => \&show_original,
  36                  t => \&commit_edit,
  37                  x => \&dump_record,
  38                  q => \&quit,
  39                  '?' => \&help,
  40                  h   => \&help,
  41                  help => \&help,
  42                );
  43
  44 my @spinner = qw(- / | \\);
  45 my $sidx = 0;
  46
  47 while (my $line = getline()) {
  48     unless ($count % 2000) {
  49         print "\rWorking... ", $spinner[$sidx];
  50         $sidx = $sidx > $#spinner ? 0 : $sidx++;
  51     }
  52     update_linecontext();
  53
  54     # catch empty datafield elements
  55     if ($line =~ m|</datafield>|) {
  56         if ($record[-2] =~ m/<datafield tag="..." ind1="." ind2=".">/) {
  57             pop @record; pop @record;
  58             print $OUT "\rEmpty datafield scrubbed at line $count\n";
  59             next;
  60         }
  61     }
  62
  63     # clean misplaced dollarsigns
  64     if ($line =~ m|<subfield code="\$">c?\d+\.\d{2}|) {
  65         $line =~ s|"\$">c?(\d+\.\d{2})|"c">\$$1|;
  66         print $OUT "\rDollar sign in subfield code corrected at line $count\n";
  67     }
  68
  69     # clean up tags with spaces in them
  70     $line =~ s/tag="  /tag="00/g;
  71     $line =~ s/tag=" /tag="0/g;
  72     $line =~ s/tag="-/tag="0/g;
  73     $line =~ s/tag="(\d\d) /tag="0$1/g;
  74
  75     # stow tag data if we're looking at it
  76     if ($line =~ m/<datafield tag="(\d{3})" ind1="(.)" ind2="(.)">/) {
  77         $reccontext{tag}  = $1;
  78         $reccontext{ind1} = $2;
  79         $reccontext{ind2} = $3;
  80     }
  81
  82     # naked ampersands
  83     if ($line =~ /&/ && $line !~ /&\w{1,7};/)
  84       { edit("Looks like naked ampersand", $line); next }
  85
  86     # subfields can't be non-alphanumeric
  87       if ($line =~ /<subfield code="[^[:alnum:]]"/)
  88         { edit("Junk in subfield", $line); next }
  89
  90 }
  91 print $NUMARC "</xml>\n";
  92 print $EXMARC "</xml>\n";
  93
  94 =head2 edit
  95
  96 Handles the Term::ReadLine loop
  97
  98 =cut
  99
 100 sub edit {
 101     my ($msg, $line_in) = @_;
 102     print $OUT "\r".$msg, " at line $count:\n";
 103     print_context();
 104     while (1) {
 105         my $line = $term->readline('yaz-cleanup>');
 106         if (length $line == 1)
 107           { next unless (defined $commands{$line}) }
 108         if (defined $commands{$line}) {
 109             my $term = $commands{$line}->($line_in);
 110             last if $term;
 111         } else {
 112             if ($linecontext[3] eq " [LINE KILLED]\n") {
 113                 push @record, "$line\n"
 114             } else {
 115                 $record[-1] = "$line\n";
 116             }
 117             $linecontext[3] = "$line\n";
 118             print_linecontext();
 119         }
 120     }
 121 }
 122
 123 =head2 getline
 124
 125 Reads from the incoming MARC file; returns lines into the driver
 126 loop. Batches records for output, and maintains the linecontext listing.
 127
 128 =cut
 129
 130 sub getline {
 131     my $l = <MARC>;
 132     $count++;
 133     if (defined $l) {
 134         if ($l =~ /<record>/) {
 135             @record = ($l);
 136             %reccontext = ();
 137             $reccount++;
 138         } elsif ($l =~ m|</record>|) {
 139             write_record($NUMARC) if $reccount;
 140         } else {
 141             push @record, $l;
 142         }
 143     }
 144     return $l;
 145 }
 146
 147 sub write_record {
 148     my ($FH) = @_;
 149     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";
 150     print $FH @record;
 151     print $FH "</collection>\n";
 152 }
 153
 154 sub update_linecontext {
 155     my $line2 = <MARC2>;
 156     push @linecontext, $line2;
 157     shift @linecontext if (@linecontext > 5);
 158 }
 159
 160 #-----------------------------------------------------------------------------------
 161 # command routines
 162 #-----------------------------------------------------------------------------------
 163
 164 sub print_context {
 165     print "\n    Tag: ",$reccontext{tag}, " Ind1: '",
 166       $reccontext{ind1},"' Ind2: '", $reccontext{ind2}, "'";
 167     print_linecontext();
 168     return 0;
 169 }
 170
 171 sub print_linecontext {
 172     print $OUT "\n", join('    |','',@linecontext[0..2]);
 173     print $OUT '==> |', $linecontext[3];
 174     print $OUT '    |', $linecontext[4],"\n";
 175     return 0;
 176 }
 177
 178 sub show_original {
 179     my ($line_in) = @_;
 180     print $OUT "\n$line_in\n";
 181     return 0;
 182 }
 183
 184 sub kill_line {
 185     pop @record;
 186     $linecontext[3] = " [LINE KILLED]\n";
 187     print_linecontext();
 188     return 0;
 189 }
 190
 191 sub dump_record {
 192     my $line = <MARC>; $count++;
 193     update_linecontext();
 194     until ($line =~ m|</record>|) {
 195         push @record, $line;
 196         $line = <MARC>; $count++;
 197         update_linecontext();
 198     }
 199     push @record, $line;
 200     write_record($EXMARC);
 201     return 1;
 202 }
 203
 204 sub commit_edit { return 1 }
 205
 206 sub help {
 207 print $OUT <<HELP;
 208
 209 Type a replacement for the indicated line, or enter a command.
 210
 211 Commands: c  Show record context ('C' for brief context)
 212           k  Kill this line (remove from record)
 213           m  Merge indicated line with previous line [NOT IMPLEMENTED]
 214           o  Show original line
 215           t  Commit changes and resume stream edit
 216           x  Write this record to the exception file instead of output
 217           q  Quit
 218
 219 HELP
 220 return 0;
 221 }
 222
 223 sub quit { exit }