source: documentViewer/MpiwgXmlTextServer.py @ 567:8b1e20bf300d

Last change on this file since 567:8b1e20bf300d was 567:8b1e20bf300d, checked in by casties, 12 years ago

more new textserver
File size: 23.4 KB
Line 
1from OFS.SimpleItem import SimpleItem
2from Products.PageTemplates.PageTemplateFile import PageTemplateFile
3
4import xml.etree.ElementTree as ET
5
6import re
7import logging
8import urllib
9import urlparse
10import base64
11
12from SrvTxtUtils import getInt, getText, getHttpData
13
14def serialize(node):
15    """returns a string containing an XML snippet of node"""
16    s = ET.tostring(node, 'UTF-8')
17    # snip off XML declaration
18    if s.startswith('<?xml'):
19        i = s.find('?>')
20        return s[i+3:]
21
22    return s
23
24
25class MpiwgXmlTextServer(SimpleItem):
26    """TextServer implementation for MPIWG-XML server"""
27    meta_type="MPIWG-XML TextServer"
28
29    manage_options=(
30        {'label':'Config','action':'manage_changeMpiwgXmlTextServerForm'},
31       )+SimpleItem.manage_options
32   
33    manage_changeMpiwgXmlTextServerForm = PageTemplateFile("zpt/manage_changeMpiwgXmlTextServer", globals())
34       
35    def __init__(self,id,title="",serverUrl="http://mpdl-text.mpiwg-berlin.mpg.de/mpiwg-mpdl-cms-web/", timeout=40, serverName=None, repositoryType='production'):
36        """constructor"""
37        self.id=id
38        self.title=title
39        self.timeout = timeout
40        self.repositoryType = repositoryType
41        if serverName is None:
42            self.serverUrl = serverUrl
43        else:
44            self.serverUrl = "http://%s/mpiwg-mpdl-cms-web/"%serverName
45       
46    def getHttpData(self, url, data=None):
47        """returns result from url+data HTTP request"""
48        return getHttpData(url,data,timeout=self.timeout)
49   
50    def getServerData(self, method, data=None):
51        """returns result from text server for method+data"""
52        url = self.serverUrl+method
53        return getHttpData(url,data,timeout=self.timeout)
54
55
56    def getRepositoryType(self):
57        """returns the repository type, e.g. 'production'"""
58        return self.repositoryType
59
60    def getTextDownloadUrl(self, type='xml', docinfo=None):
61        """returns a URL to download the current text"""
62        docpath = docinfo.get('textURLPath', None)
63        if not docpath:
64            return None
65
66        docpath = docpath.replace('.xml','.'+type)
67        url = '%sdoc/GetDocument?id=%s'%(self.serverUrl.replace('interface/',''), docpath)
68        return url
69
70
71    def getPlacesOnPage(self, docinfo=None, pn=None):
72        """Returns list of GIS places of page pn"""
73        #FIXME!
74        docpath = docinfo.get('textURLPath',None)
75        if not docpath:
76            return None
77
78        places=[]
79        text=self.getServerData("xpath.xql", "document=%s&xpath=//place&pn=%s"%(docpath,pn))
80        dom = ET.fromstring(text)
81        result = dom.findall(".//resultPage/place")
82        for l in result:
83            id = l.get("id")
84            name = l.text
85            place = {'id': id, 'name': name}
86            places.append(place)
87
88        return places
89   
90         
91    def getTextInfo(self, mode=None, docinfo=None):
92        """reads document info, including page concordance, from text server"""
93        logging.debug("getTextInfo mode=%s"%mode)
94       
95        field = ''
96        if mode in ['pages', 'toc', 'figures']:
97            # translate mode to field param
98            field = '&field=%s'%mode
99        else:
100            mode = None
101
102        # check cached info
103        if mode:
104            # cached toc-request?
105            if 'full_%s'%mode in docinfo:
106                return docinfo
107           
108        else:
109            # cached but no toc-request?
110            if 'numTextPages' in docinfo:
111                return docinfo
112               
113        docpath = docinfo.get('textURLPath', None)
114        if docpath is None:
115            logging.error("getTextInfo: no textURLPath!")
116            return docinfo
117               
118        # fetch docinfo           
119        pagexml = self.getServerData("query/GetDocInfo","docId=%s%s"%(docpath,field))
120        dom = ET.fromstring(pagexml)
121        # all info in tag <doc>
122        doc = dom
123        if doc is None:
124            logging.error("getTextInfo: unable to find document-tag!")
125        else:
126            if mode is None:
127                # get general info from system-tag
128                cp = doc.find('system/countPages')
129                if cp is not None:
130                    docinfo['numTextPages'] = getInt(cp.text) 
131                   
132            else:
133                # result is in list-tag
134                l = doc.find('list')
135                if l is not None:
136                    lt = l.get('type')
137                    # pageNumbers
138                    if lt == 'pages':
139                        # contains tags with page numbers
140                        # <item n="14" o="2" o-norm="2" file="0014"/>
141                        # n=scan number, o=original page no, on=normalized original page no
142                        # pageNumbers is a dict indexed by scan number
143                        pages = {}
144                        for i in l:
145                            page = {}
146                            pn = getInt(i.get('n'))
147                            page['pn'] = pn
148                            no = getInt(i.get('o'))
149                            page['no'] = no
150                            non = getInt(i.get('o-norm'))
151                            page['non'] = non
152                                   
153                            if pn > 0:
154                                pages[pn] = page
155                           
156                        docinfo['pageNumbers'] = pages
157                        logging.debug("got pageNumbers=%s"%repr(pages))
158                                   
159                    # toc
160                    elif name == 'toc':
161                        # contains tags with table of contents/figures
162                        # <toc-entry><page>13</page><level>3</level><content>Chapter I</content><level-string>1.</level-string><real-level>1</real-level></toc-entry>
163                        tocs = []
164                        for te in tag:
165                            toc = {}
166                            for t in te:
167                                if t.tag == 'page':
168                                    toc['pn'] = getInt(t.text)
169                                elif t.tag == 'level':
170                                    toc['level'] = t.text
171                                elif t.tag == 'content':
172                                    toc['content'] = t.text
173                                elif t.tag == 'level-string':
174                                    toc['level-string'] = t.text
175                                elif t.tag == 'real-level':
176                                    toc['real-level'] = t.text
177                                   
178                            tocs.append(toc)
179                       
180                        # save as full_toc/full_figures
181                        docinfo['full_%s'%mode] = tocs
182
183        return docinfo
184       
185         
186    def processPageInfo(self, dom, docinfo, pageinfo):
187        """processes page info divs from dom and stores in docinfo and pageinfo"""
188        # assume first second level div is pageMeta
189        alldivs = dom.find("div")
190       
191        if alldivs is None or alldivs.get('class', '') != 'pageMeta':
192            logging.error("processPageInfo: pageMeta div not found!")
193            return
194       
195        for div in alldivs:
196            dc = div.get('class')
197           
198            # pageNumberOrig 
199            if dc == 'pageNumberOrig':
200                pageinfo['pageNumberOrig'] = div.text
201               
202            # pageNumberOrigNorm
203            elif dc == 'pageNumberOrigNorm':
204                pageinfo['pageNumberOrigNorm'] = div.text
205               
206            # pageHeaderTitle
207            elif dc == 'pageHeaderTitle':
208                pageinfo['pageHeaderTitle'] = div.text
209                       
210        #logging.debug("processPageInfo: pageinfo=%s"%repr(pageinfo))
211        return
212         
213           
214    def getTextPage(self, mode="text", pn=1, docinfo=None, pageinfo=None):
215        """returns single page from fulltext"""
216       
217        logging.debug("getTextPage mode=%s, pn=%s"%(mode,pn))
218        # check for cached text -- but ideally this shouldn't be called twice
219        if pageinfo.has_key('textPage'):
220            logging.debug("getTextPage: using cached text")
221            return pageinfo['textPage']
222       
223        docpath = docinfo.get('textURLPath', None)
224        if not docpath:
225            return None
226       
227        # just checking
228        if pageinfo['current'] != pn:
229            logging.warning("getTextPage: current!=pn!")
230           
231        # stuff for constructing full urls
232        selfurl = docinfo['viewerUrl']
233        textParams = {'docId': docpath,
234                      'page': pn}
235       
236        if 'characterNormalization' in pageinfo:
237            cn = pageinfo['characterNormalization']
238            # TODO: change values in form
239            if cn == 'regPlusNorm':
240                cn = 'norm'
241               
242            textParams['normalization'] = cn
243       
244        if not mode:
245            # default is dict
246            mode = 'text'
247
248        modes = mode.split(',')
249        # check for multiple layers
250        if len(modes) > 1:
251            logging.debug("getTextPage: more than one mode=%s"%mode)
252                       
253        # search mode
254        if 'search' in modes:
255            # add highlighting
256            highlightQuery = pageinfo.get('highlightQuery', None)
257            if highlightQuery:
258                textParams['highlightQuery'] = highlightQuery
259                textParams['highlightElem'] = pageinfo.get('highlightElement', '')
260                textParams['highlightElemPos'] = pageinfo.get('highlightElementPos', '')
261               
262            # ignore mode in the following
263            modes.remove('search')
264                           
265        # pundit mode
266        punditMode = False
267        if 'pundit' in modes:
268            punditMode = True
269            # ignore mode in the following
270            modes.remove('pundit')
271                           
272        # other modes don't combine
273        if 'dict' in modes:
274            textmode = 'dict'
275            textParams['mode'] = 'tokenized'
276            textParams['outputFormat'] = 'html'
277        elif 'xml' in modes:
278            textmode = 'xml'
279            textParams['mode'] = 'untokenized'
280            textParams['outputFormat'] = 'xmlDisplay'
281            textParams['normalization'] = 'orig'
282        elif 'gis' in modes:
283            #FIXME!
284            textmode = 'gis'
285        else:
286            # text is default mode
287            textmode = 'text'
288            textParams['mode'] = 'untokenized'
289            textParams['outputFormat'] = 'html'
290       
291        # fetch the page
292        pagexml = self.getServerData("query/GetPage",urllib.urlencode(textParams))
293        try:
294            dom = ET.fromstring(pagexml)
295        except Exception, e:
296            logging.error("Error parsing page: %s"%e)
297            return None
298       
299        pagediv = None
300        body = dom.find('.//body')
301        if body is None:
302            logging.error("getTextPage: no body!")
303            return None
304       
305        # the text is in div@class=text
306        pagediv = body.find(".//div[@class='text']")
307        logging.debug("pagediv: %s"%repr(pagediv))
308       
309        # plain text or text-with-links mode
310        if textmode == "text" or textmode == "dict":
311            if pagediv is not None:
312                #self._processPbTag(pagediv, pageinfo)
313                self._processFigures(pagediv, docinfo)
314                #self._fixEmptyDivs(pagediv)
315                # get full url assuming documentViewer is parent
316                selfurl = self.getLink()
317                # check all a-tags
318                links = pagediv.findall('.//a')
319                for l in links:
320                    href = l.get('href')
321                    if href:
322                        # is link with href
323                        linkurl = urlparse.urlparse(href)
324                        if linkurl.path.endswith('GetDictionaryEntries'):
325                            #TODO: replace wordInfo page
326                            # is dictionary link - change href (keeping parameters)
327                            #l.set('href', href.replace('http://mpdl-proto.mpiwg-berlin.mpg.de/mpdl/interface/lt/wordInfo.xql','%s/template/viewer_wordinfo'%viewerurl))
328                            # add target to open new page
329                            l.set('target', '_blank')
330                                                         
331                        elif href.startswith('#note-'):
332                            # note link FIXME!
333                            l.set('href', href.replace('#note-',"%s#note-"%selfurl))
334                       
335                if punditMode:
336                    self._addPunditAttributes(pagediv, pageinfo, docinfo)
337                   
338                return serialize(pagediv)
339           
340        # xml mode
341        elif textmode == "xml":
342            if pagediv is not None:
343                return serialize(pagediv)
344           
345        # pureXml mode WTF?
346        elif textmode == "pureXml":
347            if pagediv is not None:
348                return serialize(pagediv)
349                 
350        # gis mode FIXME!
351        elif textmode == "gis":
352            if pagediv is not None:
353                # fix empty div tags
354                self._fixEmptyDivs(pagediv)
355                # check all a-tags
356                links = pagediv.findall(".//a")
357                # add our URL as backlink
358                selfurl = self.getLink()
359                doc = base64.b64encode(selfurl)
360                for l in links:
361                    href = l.get('href')
362                    if href:
363                        if href.startswith('http://mappit.mpiwg-berlin.mpg.de'):
364                            l.set('href', re.sub(r'doc=[\w+/=]+', 'doc=%s'%doc, href))
365                            l.set('target', '_blank')
366                           
367                return serialize(pagediv)
368                   
369        return None
370
371    def _processPbTag(self, pagediv, pageinfo):
372        """extracts information from pb-tag and removes it from pagediv"""
373        pbdiv = pagediv.find(".//span[@class='pb']")
374        if pbdiv is None:
375            logging.warning("getTextPage: no pb-span!")
376            return pagediv
377       
378        # extract running head
379        rh = pbdiv.find(".//span[@class='rhead']")
380        if rh is not None:
381            pageinfo['pageHeaderTitle'] = getText(rh)
382           
383        # remove pb-div from parent
384        ppdiv = pagediv.find(".//span[@class='pb']/..")
385        ppdiv.remove(pbdiv)       
386        return pagediv
387   
388    def _addPunditAttributes(self, pagediv, pageinfo, docinfo):
389        """add about attributes for pundit annotation tool"""
390        textid = docinfo.get('DRI', "fn=%s"%docinfo.get('documentPath', '???'))
391        pn = pageinfo.get('pn', '1')
392        #  TODO: use pn as well?
393        # check all div-tags
394        divs = pagediv.findall(".//div")
395        for d in divs:
396            id = d.get('id')
397            if id:
398                # TODO: check path (cf RFC2396)
399                d.set('about', "http://echo.mpiwg-berlin.mpg.de/%s/pn=%s/#%s"%(textid,pn,id))
400                cls = d.get('class','')
401                cls += ' pundit-content'
402                d.set('class', cls.strip())
403
404        return pagediv
405
406    def _processFigures(self, pagediv, docinfo):
407        """processes figure-tags"""
408        divs = pagediv.findall(".//span[@class='figure']")
409        scalerUrl = docinfo['digilibScalerUrl']
410        viewerUrl = docinfo['digilibViewerUrl']
411        for d in divs:
412            try:
413                a = d.find('a')
414                img = a.find('img')
415                imgsrc = img.get('src')
416                imgurl = urlparse.urlparse(imgsrc)
417                imgq = imgurl.query
418                imgparams = urlparse.parse_qs(imgq)
419                fn = imgparams.get('fn', None)
420                if fn is not None:
421                    # parse_qs puts parameters in lists
422                    fn = fn[0]
423                    # TODO: check valid path
424                    # fix img@src
425                    newsrc = '%s?fn=%s&dw=200&dh=200'%(scalerUrl,fn)
426                    img.set('src', newsrc)
427                    # fix a@href
428                    newlink = '%s?fn=%s'%(viewerUrl,fn)
429                    a.set('href', newlink)
430                    a.set('target', '_blank')
431                   
432            except:
433                logging.warn("processFigures: strange figure!")
434               
435   
436    def _fixEmptyDivs(self, pagediv):
437        """fixes empty div-tags by inserting a space"""
438        divs = pagediv.findall('.//div')
439        for d in divs:
440            if len(d) == 0 and not d.text:
441                # make empty divs non-empty
442                d.text = ' '
443 
444        return pagediv
445
446
447    def getSearchResults(self, mode, query=None, pageinfo=None, docinfo=None):
448        """loads list of search results and stores XML in docinfo"""
449       
450        logging.debug("getSearchResults mode=%s query=%s"%(mode, query))
451        if mode == "none":
452            return docinfo
453             
454        cachedQuery = docinfo.get('cachedQuery', None)
455        if cachedQuery is not None:
456            # cached search result
457            if cachedQuery == '%s_%s'%(mode,query):
458                # same query
459                return docinfo
460           
461            else:
462                # different query
463                del docinfo['resultSize']
464                del docinfo['resultXML']
465       
466        # cache query
467        docinfo['cachedQuery'] = '%s_%s'%(mode,query)
468       
469        # fetch full results
470        docpath = docinfo['textURLPath']
471        params = {'document': docpath,
472                  'mode': 'text',
473                  'queryType': mode,
474                  'query': query,
475                  'queryResultPageSize': 1000,
476                  'queryResultPN': 1,
477                  'characterNormalization': pageinfo.get('characterNormalization', 'reg')}
478        pagexml = self.getServerData("doc-query.xql",urllib.urlencode(params))
479        #pagexml = self.getServerData("doc-query.xql","document=%s&mode=%s&queryType=%s&query=%s&queryResultPageSize=%s&queryResultPN=%s&s=%s&viewMode=%s&characterNormalization=%s&highlightElementPos=%s&highlightElement=%s&highlightQuery=%s"%(docpath, 'text', queryType, urllib.quote(query), pagesize, pn, s, viewMode,characterNormalization, highlightElementPos, highlightElement, urllib.quote(highlightQuery)))
480        dom = ET.fromstring(pagexml)
481        # page content is in <div class="queryResultPage">
482        pagediv = None
483        # ElementTree 1.2 in Python 2.6 can't do div[@class='queryResultPage']
484        alldivs = dom.findall("div")
485        for div in alldivs:
486            dc = div.get('class')
487            # page content div
488            if dc == 'queryResultPage':
489                pagediv = div
490               
491            elif dc == 'queryResultHits':
492                docinfo['resultSize'] = getInt(div.text)
493
494        if pagediv is not None:
495            # store XML in docinfo
496            docinfo['resultXML'] = ET.tostring(pagediv, 'UTF-8')
497
498        return docinfo
499   
500
501    def getResultsPage(self, mode="text", query=None, pn=None, start=None, size=None, pageinfo=None, docinfo=None):
502        """returns single page from the table of contents"""
503        logging.debug("getResultsPage mode=%s, pn=%s"%(mode,pn))
504        # get (cached) result
505        self.getSearchResults(mode=mode, query=query, pageinfo=pageinfo, docinfo=docinfo)
506           
507        resultxml = docinfo.get('resultXML', None)
508        if not resultxml:
509            logging.error("getResultPage: unable to find resultXML")
510            return "Error: no result!"
511       
512        if size is None:
513            size = pageinfo.get('resultPageSize', 10)
514           
515        if start is None:
516            start = (pn - 1) * size
517
518        fullresult = ET.fromstring(resultxml)
519       
520        if fullresult is not None:
521            # paginate
522            first = start-1
523            len = size
524            del fullresult[:first]
525            del fullresult[len:]
526            tocdivs = fullresult
527           
528            # check all a-tags
529            links = tocdivs.findall(".//a")
530            for l in links:
531                href = l.get('href')
532                if href:
533                    # assume all links go to pages
534                    linkUrl = urlparse.urlparse(href)
535                    linkParams = urlparse.parse_qs(linkUrl.query)
536                    # take some parameters
537                    params = {'pn': linkParams['pn'],
538                              'highlightQuery': linkParams.get('highlightQuery',''),
539                              'highlightElement': linkParams.get('highlightElement',''),
540                              'highlightElementPos': linkParams.get('highlightElementPos','')
541                              }
542                    url = self.getLink(params=params)
543                    l.set('href', url)
544                       
545            return serialize(tocdivs)
546       
547        return "ERROR: no results!"
548
549
550    def getToc(self, mode='text', docinfo=None):
551        """returns list of table of contents from docinfo"""
552        logging.debug("getToc mode=%s"%mode)
553        if mode == 'text':
554            queryType = 'toc'
555        else:
556            queryType = mode
557           
558        if not 'full_%s'%queryType in docinfo:
559            # get new toc
560            docinfo = self.getTextInfo(queryType, docinfo)
561           
562        return docinfo.get('full_%s'%queryType, [])
563
564    def getTocPage(self, mode='text', pn=None, start=None, size=None, pageinfo=None, docinfo=None):
565        """returns single page from the table of contents"""
566        logging.debug("getTocPage mode=%s, pn=%s start=%s size=%s"%(mode,repr(pn),repr(start),repr(size)))
567        fulltoc = self.getToc(mode=mode, docinfo=docinfo)
568        if len(fulltoc) < 1:
569            logging.error("getTocPage: unable to find toc!")
570            return "Error: no table of contents!"       
571       
572        if size is None:
573            size = pageinfo.get('tocPageSize', 30)
574           
575        if start is None:
576            start = (pn - 1) * size
577
578        # paginate
579        first = (start - 1)
580        last = first + size
581        tocs = fulltoc[first:last]
582        tp = '<div>'
583        for toc in tocs:
584            pageurl = self.getLink('pn', toc['pn'])
585            tp += '<div class="tocline">'
586            tp += '<div class="toc name">[%s %s]</div>'%(toc['level-string'], toc['content'])
587            tp += '<div class="toc float right page"><a href="%s">Page: %s</a></div>'%(pageurl, toc['pn'])
588            tp += '</div>\n'
589           
590        tp += '</div>\n'
591       
592        return tp
593           
594   
595    def manage_changeMpiwgXmlTextServer(self,title="",serverUrl="http://mpdl-text.mpiwg-berlin.mpg.de/mpdl/interface/",timeout=40,repositoryType=None,RESPONSE=None):
596        """change settings"""
597        self.title=title
598        self.timeout = timeout
599        self.serverUrl = serverUrl
600        if repositoryType:
601            self.repositoryType = repositoryType
602        if RESPONSE is not None:
603            RESPONSE.redirect('manage_main')
604       
605# management methods
606def manage_addMpiwgXmlTextServerForm(self):
607    """Form for adding"""
608    pt = PageTemplateFile("zpt/manage_addMpiwgXmlTextServer", globals()).__of__(self)
609    return pt()
610
611def manage_addMpiwgXmlTextServer(self,id,title="",serverUrl="http://mpdl-text.mpiwg-berlin.mpg.de/mpdl/interface/",timeout=40,RESPONSE=None):
612#def manage_addMpiwgXmlTextServer(self,id,title="",serverUrl="http://mpdl-text.mpiwg-berlin.mpg.de:30030/mpdl/interface/",timeout=40,RESPONSE=None):   
613    """add zogiimage"""
614    newObj = MpiwgXmlTextServer(id=id,title=title,serverUrl=serverUrl,timeout=timeout)
615    self.Destination()._setObject(id, newObj)
616    if RESPONSE is not None:
617        RESPONSE.redirect('manage_main')
618       
619       
Note: See TracBrowser for help on using the repository browser.