Annotation of foxridge-archiver/makemeta-lib.pl, revision 1.11

1.1       casties     1: #!/usr/local/bin/perl -w
                      2: 
                      3: use strict;
                      4: use XML::LibXML;
                      5: 
1.7       casties     6: use lib '/usr/local/mpiwg/archive';
1.1       casties     7: use MPIWGStor;
                      8: 
                      9: # make output unbuffered
                     10: $|=1;
                     11: 
                     12: # program version
1.10      casties    13: my $version = "0.2.5 (9.6.2006 ROC)";
1.5       casties    14: my $help = 
                     15: "use: makemeta-lib [options] file.xml
                     16: options:
                     17:   -debug  show debugging info
                     18:   -dry-run  simulate, dont'do anything
1.6       casties    19:   -online-mode  mode for creating online/permanent files
1.10      casties    20:   -online-base=dir  base directory for online ids (for online mode)
1.6       casties    21:   -cw-mode  mode for copying einstein_cw archive documents
1.5       casties    22:   -digifiles-mode  mode for copying files from digifiles
                     23:   -map-file=mapfile.xml  digilib mapping file (for digifiles mode)
1.9       casties    24:   -access=free  adds free access tag (use access=mpiwg for restricted access)
1.5       casties    25: ";
1.1       casties    26: logger("INFO", "makemeta-lib $version");
                     27: 
1.2       casties    28: ###########################################
1.1       casties    29: # mappings
1.2       casties    30: 
1.1       casties    31: # generic mappings at top level
                     32: my %gen_map = (
                     33:     'Device' => 'meta/image-acquisition/device',
                     34:     'Image_Type' => 'meta/image-acquisition/image-type',
                     35:     'Production_Comment' => 'meta/image-acquisition/production-comment',
                     36:     'Postproduction' => 'meta/image-acquisition/production-comment',
                     37:     'Language' => 'meta/lang'
                     38:     );
                     39: # sub type switch tag
                     40: my %type_map = (
                     41:     'Reference_Type' => 'meta/bib@type'
                     42:     );
                     43: # sub type mappings
                     44: my %subtype_map = (
                     45:     'Book' => {
                     46:    '_name' => 'book',
                     47:    'Author' => 'meta/bib/author',
                     48:    'Title' => 'meta/bib/title',
                     49:    'Year' => 'meta/bib/year',
                     50:    'Place_Published' => 'meta/bib/city',
                     51:    'Publisher' => 'meta/bib/publisher',
                     52:    'Edition' => 'meta/bib/edition'
                     53:     },
                     54:     'Journal Article' => {
                     55:    '_name' => 'journal-article',
                     56:    'Author' => 'meta/bib/author',
                     57:    'Title' => 'meta/bib/title',
                     58:    'Year' => 'meta/bib/year',
                     59:    'Secondary_Title' => 'meta/bib/journal',
                     60:    'Volume' => 'meta/bib/volume',
                     61:    'Number' => 'meta/bib/issue',
                     62:    'Pages' => 'meta/bib/pages'
                     63:     },
                     64:     'In Book' => {
                     65:    '_name' => 'inbook',
                     66:    'Author' => 'meta/bib/author',
                     67:    'Title' => 'meta/bib/title',
                     68:    'Year' => 'meta/bib/year',
                     69:    'Secondary_Title' => 'meta/bib/book-title',
                     70:    'Pages' => 'meta/bib/pages'
                     71:     },
                     72:     'Newspaper Article' => {
                     73:    '_name' => 'newspaper-article',
                     74:    'Author' => 'meta/bib/author',
                     75:    'Title' => 'meta/bib/title',
                     76:    'Year' => 'meta/bib/year',
                     77:    'Secondary_Title' => 'meta/bib/newspaper',
                     78:    'Place_Published' => 'meta/bib/city',
                     79:    'Number' => 'meta/bib/issue-date',
                     80:    'Pages' => 'meta/bib/pages'
                     81:     },
                     82:     'Edited Book' => {
                     83:    '_name' => 'edited-book',
                     84:    'Author' => 'meta/bib/editor',
                     85:    'Title' => 'meta/bib/title',
                     86:    'Year' => 'meta/bib/year',
                     87:    'Place_Published' => 'meta/bib/city',
                     88:    'Publisher' => 'meta/bib/publisher',
                     89:    'Edition' => 'meta/bib/edition'
                     90:     },
                     91:     'Manuscript' => {
                     92:    '_name' => 'manuscript',
                     93:    'Author' => 'meta/bib/author',
                     94:    'Title' => 'meta/bib/title',
                     95:    'Year' => 'meta/bib/year',
                     96:    'Place_Published' => 'meta/bib/location',
                     97:     }
                     98:     );
                     99: # language element
                    100: my $lang_field = 'Language';
                    101: # languages to iso codes
                    102: my %lang_map = (
                    103:     'German' => 'de',
                    104:     'English' => 'en',
                    105:     'Italian' => 'it',
                    106:     'French' => 'fr',
1.2       casties   107:     'Latin' => 'la',
1.3       casties   108:     'Japanese' => 'ja',
1.4       casties   109:     'Dutch' => 'nl',
1.11    ! casties   110:     'Spanish' => 'es',
        !           111:     'Swedish' => 'sv'
1.1       casties   112:     );
                    113: # storage fields
                    114: my $arch_id_field = 'ID_Archive';
                    115: my $online_url_field = 'URL';
1.5       casties   116: my $online_id_field = 'ID_OnlinePermanent';
1.1       casties   117: 
1.2       casties   118: #######################################################
                    119: # internal parameters
                    120: #
                    121: 
                    122: # storage
1.1       casties   123: my $lib_arch_dir = '/mpiwg/archive/data/library';
                    124: my $lib_online_dir = '/mpiwg/online/permanent';
1.5       casties   125: my $lib_digilib_path = 'permanent';
                    126: my $digifiles_dir = "/net/digifiles.mpiwg-berlin.mpg.de/Volumes/raid";
1.1       casties   127: 
                    128: # read command line parameters
                    129: my $args = MPIWGStor::parseargs;
1.5       casties   130: if (! scalar(%$args)) {
                    131:     print $help, "\n";
                    132:     exit 1;
                    133: }
1.1       casties   134: 
                    135: # debug level
                    136: $debug = (exists $$args{'debug'}) ? $$args{'debug'} : 0;
                    137: 
1.5       casties   138: # simulate action only
                    139: my $dry_run = (exists $$args{'dry-run'}) ? $$args{'dry-run'} : 0;
                    140: logger('DEBUG', "dry-run: $dry_run");
                    141: 
1.6       casties   142: # use online mode
                    143: my $online_mode = (exists $$args{'online-mode'}) ? $$args{'online-mode'} : 0;
                    144: logger('DEBUG', "online_mode: $online_mode");
1.10      casties   145: # online base dir
                    146: my $online_base_dir = (exists $$args{'online-base'}) ? $$args{'online-base'} : "";
                    147: logger('DEBUG', "online_base_dir: $online_base_dir");
1.6       casties   148: 
1.1       casties   149: # use einstein-cw mode
                    150: my $cw_mode = (exists $$args{'cw-mode'}) ? $$args{'cw-mode'} : 0;
1.5       casties   151: logger('DEBUG', "cw_mode: $cw_mode");
                    152: 
                    153: # use digifiles mode
                    154: my $digifiles_mode = (exists $$args{'digifiles-mode'}) ? $$args{'digifiles-mode'} : 0;
                    155: logger('DEBUG', "digifiles_mode: $digifiles_mode");
                    156: # digilib mapping file
                    157: my $map_file_name = (exists $$args{'map-file'}) ? $$args{'map-file'} : "";
                    158: logger('DEBUG', "map_file_name: $map_file_name");
                    159: my $mapping_doc;
                    160: my $mapping_root;
1.1       casties   161: 
1.9       casties   162: # access type
                    163: my $access_type = (exists $$args{'access'}) ? $$args{'access'} : "";
                    164: 
1.1       casties   165: # index.meta namespace (not really implemented!)
                    166: my $namespace = "";
                    167: 
                    168: 
                    169: my $xml_changed = 0;
                    170: my $errcnt = 0;
                    171: my $warncnt = 0;
                    172: 
                    173: #######################################################
                    174: # check parameters that were passed to the program
                    175: #
                    176: my $infile = $$args{'path'};
                    177: if (! $infile) {
                    178:     logger("ABORT", "no input file given!");
                    179:     exit 1;
                    180: }
                    181: # strip double slashes
1.10      casties   182: $infile = sstrip($infile, 1);
1.1       casties   183: if (! -f $infile) {
                    184:     logger("ABORT", "input file \'$infile\' doesn't exist!");
                    185:     exit 1;
                    186: }
                    187: 
                    188: 
                    189: #######################################################
                    190: # subroutines
                    191: #
                    192: 
1.5       casties   193: 
                    194: sub add_digilib_mapping {
                    195:     my ($src_dir, $dest_dir) = @_;
                    196:     my $elem = $mapping_root->addNewChild($namespace, 'mapping');
                    197:     $elem->addChild($mapping_doc->createAttributeNS($namespace, 'link', $src_dir));
                    198:     $elem->addChild($mapping_doc->createAttributeNS($namespace, 'dir', $dest_dir));
                    199:     if ($map_file_name) {
                    200:    write_xml($mapping_doc, $map_file_name);
                    201:     } else {
                    202:    logger('ABORT', "unable to write mapping file!");
                    203:    exit 1;
                    204:     }
                    205: }
                    206: 
                    207: sub find_digifiles_dir {
                    208:     my ($input_node) = @_;
                    209:     my $digifiles_base = '/net/digifiles.mpiwg-berlin.mpg.de/Volumes/raid';
                    210:     my $src_dir = find_online_dir($input_node, $digifiles_base, '');
                    211:     if (! $src_dir) {
                    212:    logger('ERROR', "no online directory for digifiles entry");
                    213:    $errcnt++;
                    214:    return;
                    215:     }
                    216:     my $dest_id = sstrip($input_node->findvalue("fm:$online_id_field"));
                    217:     if (! $dest_id) {
                    218:    logger('ERROR', "no ID field for digifiles entry");
                    219:    $errcnt++;
                    220:    return;
                    221:     }
                    222:     my $dir = "$lib_online_dir/library/$dest_id";
                    223:     my $map_dir = "$lib_digilib_path/library/$dest_id";
                    224:     if ($dry_run) {
                    225:    logger('DEBUG', "would move $digifiles_base/$src_dir to $dir");
                    226:    add_digilib_mapping($src_dir, "$map_dir/pageimg");
                    227:    return $dir;
                    228:     } else {
                    229:    logger('INFO', "moving $digifiles_base/$src_dir to $dir");
                    230:    logger('DEBUG', "mkdir $dir/pageimg"); 
                    231:    if (system("mkdir -p $dir/pageimg && chmod -R 0775 $dir") == 0) {
                    232:        logger('DEBUG', "cp $digifiles_base/$src_dir $dir/pageimg"); 
                    233:        if (system("cp -rp $digifiles_base/$src_dir/* $dir/pageimg/") == 0) {
                    234:        if (-d "$dir/pageimg") {
                    235:            logger('DEBUG', "directory $dir OK"); 
                    236:            add_digilib_mapping($src_dir, "$map_dir/pageimg");
                    237:            if (system("rm -rf $digifiles_base/$src_dir/* && rm -rf $digifiles_base/$src_dir") == 0) {
                    238:            logger('DEBUG', "directory $digifiles_base/$src_dir removed"); 
                    239:            return $dir;
                    240:            } else {
                    241:            logger('ERROR', "unable to remove source directory $digifiles_base/$src_dir!");
                    242:            $errcnt++;
                    243:            return $dir;
                    244:            }
                    245:        }
                    246:        }
                    247:    }
                    248:    logger('ABORT', "unable to copy directory $src_dir to $dir!");
                    249:    exit 1;
                    250:     }
                    251:     return;
                    252: }
                    253: 
1.1       casties   254: sub find_cw_dir {
                    255:     my ($input_node) = @_;
1.5       casties   256:     my $cw_base = '/mpiwg/archive/data/library/inbox/zwischen_backup';
                    257:     my $src_dir = find_online_dir($input_node, $cw_base, 'pageimg');
                    258:     my $dest_id = sstrip($input_node->findvalue("fm:$arch_id_field"));
1.1       casties   259:     if (! $dest_id) {
                    260:    logger('ERROR', "no ID field for einstein-cw entry");
                    261:    $errcnt++;
                    262:    return;
                    263:     }
                    264:     my $dir = "$lib_arch_dir/$dest_id";
1.5       casties   265:     if ($dry_run) {
                    266:    logger('DEBUG', "would move $cw_base/$src_dir to $dir");
                    267:    return $dir;
                    268:     } else {
                    269:    logger('DEBUG', "moving $cw_base/$src_dir to $dir");
                    270:    if (rename "$cw_base/$src_dir", $dir) {
                    271:        if (-d $dir) {
                    272:        logger('DEBUG', "directory $dir OK"); 
                    273:        return $dir;
                    274:        }
                    275:    } else {
                    276:        logger('ABORT', "unable to rename directory $cw_base/$src_dir to $dir!");
                    277:        exit 1;
1.1       casties   278:    }
                    279:     }
                    280:     return;
                    281: }
                    282: 
1.6       casties   283: sub find_permanent_dir {
                    284:     my ($input_node) = @_;
1.10      casties   285:     my $online_id = sstrip($input_node->findvalue("fm:$online_id_field"));
                    286:     # try online_base_dir + online_id first
                    287:     if (($online_base_dir)&&($online_id)) {
                    288:    my $dir = sstrip("$online_base_dir/$online_id", 1);
                    289:    return $dir;
                    290:     }
                    291:     # then online_url
1.6       casties   292:     my $online_base = '/mpiwg/online/permanent';
1.10      casties   293:     my $online_dir = find_online_dir($input_node, $online_base, 'pageimg');
                    294:     if ((! $online_dir)) {
                    295:    logger('ERROR', "no ID or URL for online permanent entry");
1.6       casties   296:    $errcnt++;
                    297:    return;
                    298:     }
1.10      casties   299:     my $dir = sstrip("$online_base/$online_dir", 1);
1.6       casties   300:     return $dir;
                    301: }
                    302: 
1.5       casties   303: #
                    304: # $dir = find_online_dir($input_node, $base_dir, $page_dir)
                    305: #
                    306: # Takes the path from the $online_url_field of the $input_node document
                    307: # and looks in the directory $base_dir for it. Strips $page_dir from the end.
                    308: # Returns the directory path sans $base_dir if it exists
                    309: #
1.1       casties   310: sub find_online_dir {
1.5       casties   311:     my ($input_node, $base_dir, $page_dir) = @_;
1.1       casties   312:     $base_dir = $lib_online_dir unless ($base_dir);
                    313: 
                    314:     my $online_url = $input_node->findvalue("fm:$online_url_field");
1.5       casties   315:     logger('DEBUG', "checking URL: $online_url");
                    316:     my $online_dir;
                    317:     if ($online_url =~ /fn=permanent\/(.+)/) {
                    318:    # new style digilib URL
                    319:    $online_dir = $1;
                    320:     } elsif ($online_url =~ /\?([^\+]+)\+/) {
                    321:    # old style digilib URL
                    322:    $online_dir = $1;
                    323:     }
                    324:     #logger('DEBUG', "online_dir1: $online_dir");
                    325:     if ($online_dir) {
1.6       casties   326:    $online_dir =~ s/\/$//; # strip ending slashes
1.5       casties   327:    if ($page_dir) {
1.10      casties   328:        # strip page_dir
                    329:        $online_dir =~ s/\/${page_dir}$//;
1.5       casties   330:    }
1.1       casties   331:    #logger("DEBUG", "dir: $base_dir/$online_dir");
1.5       casties   332:    if (-d "$base_dir/$online_dir") {
1.6       casties   333:        logger('DEBUG', "directory $base_dir/$online_dir exists");
1.5       casties   334:        return $online_dir;
1.1       casties   335:    }
                    336:     }
                    337:     return;
                    338: }
                    339: 
                    340: sub find_arch_dir {
                    341:     my ($input_node) = @_;
                    342:     my $dir = "";
                    343: 
                    344:     my $bib_dir = $input_node->findvalue("fm:$arch_id_field");
                    345:     #logger('DEBUG', "bibdir: $bib_dir");
                    346:     if ($bib_dir) {
                    347:    $dir = "$lib_arch_dir/$bib_dir";
                    348:    if (-d $dir) {
                    349:        logger('DEBUG', "directory $dir exists"); 
                    350:        return $dir;
                    351:    }
                    352:     }
                    353:     return;
                    354: }
                    355: 
                    356: 
                    357: sub convert_bib {
                    358:     my ($input_node, $index_root, $index_doc) = @_;
                    359:     my $cnt = 0;
                    360:     my $type = "";
                    361:     my $type_path = "";
                    362: 
                    363:     # process general stuff first
                    364:     foreach my $n ($input_node->getChildNodes()) {
                    365:    my $name = $n->nodeName();
                    366:    my $val = $n->textContent();
                    367:    #logger('DEBUG', "  NODE: $name = '$val'");
                    368:    if (exists $gen_map{$name}) {
                    369:        # is a general field
                    370:        if ($name eq $lang_field) {
                    371:        # language field -> convert to iso code
                    372:        if (exists $lang_map{$val}) {
                    373:            $val = $lang_map{$val};
                    374:        } else {
                    375:            logger('ERROR', "unknown language: $val! skipping...");
                    376:            $errcnt++;
                    377:            return 0;
                    378:        }
                    379:        }
                    380:        create_element_path($gen_map{$name}, $index_root, $namespace)
                    381:        ->appendTextNode($val);
                    382:        $cnt++;
                    383:    } elsif (exists $type_map{$name}) {
                    384:        # is a type field
                    385:        $type_path = $type_map{$name};
                    386:        $type = $val;
                    387:        # check with known types
                    388:        if (exists $subtype_map{$val}) {
                    389:        my $indextype = $subtype_map{$val}->{'_name'};
                    390:        create_element_path("$type_path=$indextype", $index_root, $namespace);
                    391:        $cnt++;
                    392:        } else {
                    393:        logger('ERROR', 'unknown bib type $val! skipping...');
                    394:        $errcnt++;
                    395:        return 0;
                    396:        }
                    397:    }
                    398:     }
                    399:     # process sub type fields
                    400:     if ($type) {
                    401:    foreach my $n ($input_node->getChildNodes()) {
                    402:        my $name = $n->nodeName();
                    403:        my $val = $n->textContent();
                    404:        #logger('DEBUG', "  NODE: $name = '$val'");
                    405:        if (exists $subtype_map{$type}->{$name}) {
                    406:        create_element_path($subtype_map{$type}->{$name}, $index_root, $namespace)
                    407:            ->appendTextNode($val);
                    408:        $cnt++;
                    409:        }
                    410:    }
                    411:     }
                    412:     return $cnt;
                    413: }
                    414: 
                    415: 
                    416: 
                    417: sub process_all_fm_entries {
                    418:     my ($input_root) = @_;
                    419:     my $cnt = 0;
                    420: 
                    421:     foreach my $n ($input_root->findnodes('fm:ROW')) {
                    422:    logger('INFO', "processing entry $cnt ...");
                    423:    process_fm_entry($n);
1.5       casties   424:    $cnt++;
1.1       casties   425:     }
                    426: }    
                    427: 
                    428: 
                    429: sub process_fm_entry {
                    430:     my ($input_node) = @_;
                    431:     my $index_doc = XML::LibXML::Document->createDocument('1.0', 'UTF-8');
                    432:     my $index_root = $index_doc->createElementNS($namespace, 'resource');
                    433:     $index_root->addChild($index_doc->createAttributeNS($namespace, 'version', '1.1'));
                    434:     $index_root->addChild($index_doc->createAttributeNS($namespace, 'type', 'MPIWG'));
                    435:     $index_doc->setDocumentElement($index_root);
1.8       casties   436:     my $derived_from = "";
1.1       casties   437: 
                    438:     # try to find the document directory
                    439:     my $doc_dir = "";
1.6       casties   440:     if ($online_mode) {
                    441:    $doc_dir = find_permanent_dir($input_node);
1.8       casties   442:    $derived_from = find_arch_dir($input_node);
1.6       casties   443:     } elsif ($cw_mode) {
1.1       casties   444:    $doc_dir = find_cw_dir($input_node);
1.5       casties   445:     } elsif ($digifiles_mode) {
                    446:    $doc_dir = find_digifiles_dir($input_node);
1.1       casties   447:     } else {
                    448:    $doc_dir = find_arch_dir($input_node);
                    449:     }
                    450:     if (! $doc_dir) {
                    451:    logger('ERROR', "document directory not found! skipping...");
                    452:    $errcnt++;
                    453:    return;
                    454:     }
                    455: 
                    456:     # add standard stuff to index.meta
                    457:     my ($docname, $docpath) = split_file_path($doc_dir);
                    458:     # name and date
                    459:     create_text_path('name', $docname, $index_root, $namespace);
                    460:     create_text_path('archive-path', $doc_dir, $index_root, $namespace);
                    461:     create_text_path('archive-creation-date', stime(time), $index_root, $namespace);
                    462:     create_text_path('creator', 'digigroup', $index_root, $namespace);
                    463:     create_text_path('description', 'a scanned document', $index_root, $namespace);
                    464:     # acquisition
                    465:     create_text_path('meta/acquisition/date', stime(time), $index_root, $namespace);
                    466:     create_text_path('meta/acquisition/provider/provider-id', 'digigroup', $index_root, $namespace);
                    467:     create_text_path('meta/acquisition/provider/address', 'Max Planck Institute for the History of Science', $index_root, $namespace);
                    468:     # media
                    469:     create_text_path('media-type', 'image', $index_root, $namespace);
                    470:     create_text_path('meta/content-type', 'scanned document', $index_root, $namespace);
1.8       casties   471:     # derived-from
                    472:     if ($derived_from) {
                    473:        create_text_path('derived-from/archive-path', $derived_from, $index_root, $namespace);
1.9       casties   474:     }
                    475:     # access
                    476:     if ($access_type) {
                    477:    if ($access_type eq "free") {
                    478:        create_element_path('access-conditions/access@type=free', $index_root, $namespace);
                    479:    } else {
                    480:        my $acc_tag = create_element_path('access-conditions/access@type=institution', $index_root, $namespace);
                    481:        create_text_path('name', $access_type, $acc_tag, $namespace);
                    482:    }
                    483:     }
1.1       casties   484: 
                    485:     # convert bib entries
                    486:     my $cnt = convert_bib($input_node, $index_root, $index_doc);
                    487:     if ($cnt == 0) {
                    488:    # error or nothing to convert
                    489:    logger('ERROR', "no bibliographic metadata!");
                    490:    $errcnt++;
                    491:    return;
                    492:     }
                    493: 
                    494:     # write new index.meta file
1.5       casties   495:     if ($dry_run) {
                    496:    logger('DEBUG', "would write $doc_dir/index.meta");
                    497:    logger('DEBUG', $index_doc->toString(1));
                    498:     } else {
                    499:    write_xml($index_doc, "$doc_dir/index.meta");
                    500:     }
1.1       casties   501: 
                    502: }
                    503: 
                    504: 
                    505: 
                    506: 
                    507: 
                    508: #######################################################
                    509: # Main
                    510: #
                    511: 
                    512: # load filemaker xml dump
                    513: my ($input_doc, $input_root) = read_xml($infile);
                    514: # set namespace prefix
                    515: my $fm_namespace = $input_root->namespaceURI();
                    516: $input_root->setNamespace($fm_namespace, 'fm', 1);
1.5       casties   517: 
                    518: # create digilib mapping file for digifiles mode
                    519: if ($digifiles_mode) {
                    520:     $mapping_doc = XML::LibXML::Document->createDocument('1.0', 'UTF-8');
                    521:     $mapping_root = $mapping_doc->createElementNS($namespace, 'digilib-aliases');
                    522:     $mapping_doc->setDocumentElement($mapping_root);
                    523: #<mapping link="exp1/archimedes_image_repository/archimedes_large/achil_propo_087_la_1545" dir="permanent/archimedes_repository/large/achil_propo_087_la_1545"/>
                    524: 
                    525: }
1.1       casties   526: 
                    527: process_all_fm_entries($input_root);
                    528: 
                    529: 
                    530: logger("INFO", "$warncnt warnings");
                    531: logger("INFO", "$errcnt errors");
                    532: if ($errcnt > 0) {
                    533:     logger("ABORT", "there were errors!");
                    534:     exit 1;
                    535: } else {
                    536:     logger("DONE", "done something successfully!");
                    537: }
                    538: 

FreeBSD-CVSweb <freebsd-cvsweb@FreeBSD.org>