#!/usr/bin/perl # Déclaration des pragmas use strict; use utf8; use open qw/:std :utf8/; # Appel des modules externes de base use Encode qw(decode_utf8 encode_utf8 is_utf8); use Getopt::Long; # Appel des modules spécifiques à l'application ## use URI::Encode qw(uri_encode uri_decode); ## use LWP::Simple; use JSON; ## use Text::Unidecode; my ($programme) = $0 =~ m|^(?:.*/)?(.+)|; my $substitut = " " x length($programme); my $version = "2.0.1"; my $dateModif = "4 Avril 2018"; # Variables my $aide = 0; my $corpus = ""; my $logfile = ""; my $metadata = ""; my $prefixe = ""; my $repertoire = ""; my $sortie = ""; my $type = ""; my $xtended = ""; eval { $SIG{__WARN__} = sub {usage(1);}; GetOptions( "corpus=s" => \$corpus, "format=s" => \$type, "help" => \$aide, "logfile=s" => \$logfile, "metadonnees=s" => \$metadata, "prefixe=s" => \$prefixe, "repertoire=s" => \$repertoire, "sortie=s" => \$sortie, "xtended=s" => \$xtended, ); }; $SIG{__WARN__} = sub {warn $_[0];}; if ( $aide ) { print "Programme : \n"; print " “$programme”, version $version ($dateModif)\n"; print " Permet de faire des statistiques sur les fichiers extraits d’ISTEX en utilisant le fichier \n"; print " de métadonnées “logRequete.txt” (cf. l’option “-v” du programme “harvestCorpus.pl”) ou les \n"; print " fichiers de métadonnées JSON correspondants aux documents extraits. \n"; print " Si les fichiers XML éditeurs ont été extraits, il permet aussi de vérifier s’ils ont ou non \n"; print " les documents sous forme de texte structuré. \n"; print "\nUsage : \n"; print " $programme -l logfile -c fichier.corpus [ -r répertoireXML ] [ -s sortie ]\n"; print " $substitut [ -f (tsv|csv) ] [ -x (normal|lodex) ] \n"; print " $programme -m répertoireJSON [ -r répertoireXML ] [ -s sortie ]\n"; print " $substitut [ -f (tsv|csv) ] [ -x (normal|lodex) ] \n"; print " $programme -h\n"; print "\nOptions : \n"; print " -c indique le nom du fichier “.corpus” généré par le programme “harvestCorpus.pl” permettant \n"; print " de faire le lien entre l’identifiant ISTEX ou ARK d’un document et le nom des fichiers \n"; print " extraits correspondants.\n"; print " -f indique le format de sortie, à savoir TSV (par défaut) ou CSV. \n"; print " -h affiche cette aide. \n"; print " -l indique le nom du fichier “logfile” contenant les métadonnées ISTEX au format JSON \n"; print " créé par l’option “-v” du programme “harvestCorpus.pl”. Par défaut, ce fichier \n"; print " s’appelle “logRequete.txt” et se trouve dans le répertoire des fichiers déchargés \n"; print " depuis le serveur ISTEX. \n"; print " -m indique le répertoire où se trouve les fichiers de métadonnées au format JSON déchargés \n"; print " par le programme “harvestCorpus.pl” (what else?).\n"; # print " -p indique le préfixe utilisé au début du nom des fichiers déchargés par le programme \n"; # print " “harvestCorpus.pl”. \n"; print " -r indique le répertoire où se trouve les fichiers XML éditeurs obtenus à partir des \n"; print " fichiers ZIP déchargés par le programme “harvestCorpus.pl”. Si les fichiers XML sont \n"; print " dans le même répertoire que les fichiers JSON, l’option “-m” seule suffit. \n"; print " -s indique le nom du fichier de sortie. Sinon, la sortie se fait sur la sortie standard. \n"; print " Si l'extension du fichier de sortie est “.tsv” ou “.csv”, le format correspondant est \n"; print " utilisé. \n"; print " -x étend la liste des champs affichés, soit en mode normal, soit en mode “lodex”, \n"; print " c'est-à-dire avec un lien, affiché en exposant, entre auteurs et affiliations. \n"; print "\nExemples : \n"; print " $programme -l Arthropodes/logRequete.txt -c Arthropodes_v2b.corpus -r Arthropodes\n"; print " $programme -m Vieillissement -r Vieillissement -s Vieil.tsv \n"; print " $programme -m Vieillissement -s Vieil.tsv (identique au précédent)\n"; print " $programme -m Vieillissement -s Vieil.txt -f csv -x lodex (en CSV, prêt pour Lodex)\n"; print " $programme -m Vieillissement -s Vieil.csv -x lodex (idem)\n"; print " \n"; exit 0; } # Premier test sur la présence des options obligatoires usage(2) if $logfile and not $corpus; usage(2) if $corpus and not $logfile; usage(2) if not $logfile and not $metadata; if ( $metadata and not -d $metadata ) { print STDERR "$programme : le répertoire \"$metadata\" n’existe pas !\n"; exit 3; } # Test sur le format de sortie if ( $type ) { if ( $type !~ /^[ct]sv\z/oi ) { print STDERR "$programme : le format de fichier \"$type\" n’est pas correct !\n"; usage(4); } $type = lc($type); } # Test de l’existence d’un nom de fichier de sortie # et de son extension avant ouverture de celui-ci if ( $sortie ) { if ( $sortie =~ /\.([ct]sv)\z/oi ) { my $tmp = lc($1); if ( $type and $type ne $tmp ) { print STDERR "$programme : le format \"$type\" et l’extension \"$tmp\" ne sont pas compatible !\n"; exit 5; } $type = $tmp; } open(OUT, ">:utf8", $sortie) or die "\"$sortie\" : $!,"; } # Ou bien, renvoi sur la sortie standard else { open(OUT, ">&STDOUT") or die "$!,"; binmode(OUT, ">:utf8"); } $type = "tsv" if not $type; if ( $xtended ) { if ( $xtended !~ /^(normal|lodex)\z/oi ) { print STDERR "$programme : mauvais argument pour l’option “-x” !\n"; usage(6); } $xtended = lc ($xtended); } # Autres variables globales my $entete = ""; my $format = ""; my $json = ""; my $racine = ""; my $num = 0; my $total = 0; my %racine = (); # Verbalisation des codes langues ISO 639-2 my %langue = langues(); # Liste des noms des éditeurs my %nom = ( "elsevier" => "Elsevier", "wiley" => "Wiley", "springer-journals" => "Springer (journals)", "oup" => "OUP", "cambridge" => "Cambridge", "sage" => "Sage", "bmj" => "BMJ", "springer-ebooks" => "Springer (e-books)", "iop" => "IOP", "nature" => "Nature", "rsc-journals" => "RSC (journals)", "degruyter-journals" => "Degruyter (journals)", "ecco" => "ECCO", "edp-sciences" => "EDP Sciences", "emerald" => "Emerald", "brill-journals" => "Brill (journals)", "eebo" => "EEBO", "rsc-ebooks" => "RSC (e-books)", "brill-hacco" => "Brill HACCO", "gsl" => "GSL", "numerique-premium" => "Numérique Premium", ); if ( $xtended ) { $entete = "Nom de fichier\tTitre\tAuteur(s)\tAffiliation(s)\tRevue ou monographie\tISSN\te-ISSN" . "\tISBN\te-ISBN\tÉditeur\tType de publication\tType de document\tDate de publication" . "\tLangue(s) du document\tRésumé\tMots-clés d’auteur\tCatégories WoS\t" . "Catégories Science-Metrix\tCatégories Scopus\tCatégories INIST\tScore qualité\t" . "Version PDF\tXML structuré\tIdentifiant ISTEX\tARK\tDOI\tPMID"; } else { $entete = "Identifiant ISTEX\tARK\tNom de fichier\tÉditeur\tScore qualité\tVersion PDF" . "\tXML structuré\tDate de publication\tTitre\tRevue\tISSN\te-ISSN\tType de publication" . "\tType de document\tCatégories WoS\tCatégories Science-Metrix\tCatégories Scopus\t" . "Catégories INIST"; } if ( $type eq "csv" ) { print OUT "\x{FEFF}" . tsv2csv($entete) . "\n"; } else { print OUT "\x{FEFF}$entete\n"; } if ( $logfile ) { # Lecture du fichier “.corpus” ... open(TAB, "<:utf8", $corpus) or die "$!,"; while(<TAB>) { if ( /^(ark|id) /o ) { chomp; s/\r//go; # Au cas où ... my ($type, $id, $com, $nom) = split(/\s+/); if ( $type eq 'ark' and $id !~ /^ark:/o ) { $id = "ark:$id"; } $racine{$id} = $nom; } } close TAB; # ... avant la lecture du fichier “logRequete” open(INP, "<:raw", $logfile) or die "$!,"; while(<INP>) { if ( /^# (\w+_?\d+)/ ) { $racine = $1; next; } elsif ( /^#/ ) { next; } $json .= $_; if ( /^\}/o ) { my $perl = decode_json $json; my %top = %{$perl}; if ( defined $top{'total'} ) { $total = $top{'total'}; if ( $total > 0 ) { $format = sprintf("%%0%dd", length($total) + 1); } } if ( defined $top{'hits'} ) { my @hits = @{$top{'hits'}}; foreach my $hit (@hits) { traite($hit); } } else { traite($perl); } $json = ""; } } } elsif ( $metadata ) { opendir(DIR, $metadata) or die "$!,"; my @fichiers = sort grep(/\.json$/, readdir DIR); closedir DIR; foreach my $fichier (@fichiers) { ($racine) = $fichier =~ /^(.+)\.json\z/o; open(JSN, "<:raw", "$metadata/$fichier") or die "$!,"; while(<JSN>) { $json .= $_; if ( /^\}/o ) { my $perl = decode_json $json; traite($perl); $json = ""; } } close JSN; } } exit 0; sub usage { print STDERR "Usage : $programme -l logfile -c fichier.corpus [ -r répertoireXML ] [ -s sortie ] \n"; print STDERR " [ -f (tsv|csv) ] [ -x (normal|lodex) ] \n"; print STDERR " $programme -m répertoireJSON [ -r répertoireXML ] [ -s sortie ] \n"; print STDERR " [ -f (tsv|csv) ] [ -x (normal|lodex) ] \n"; print STDERR " $programme -h \n"; exit shift; } sub traite { my $ref = shift; $num ++; my $fichier = undef; my $xml = undef; my %hit = %{$ref}; my $id = $hit{'id'}; my $ark = $hit{'arkIstex'}; if ( $racine ) { $fichier = $racine; $racine = ""; } elsif ( $racine{$ark} ) { $fichier = $racine{$ark}; } elsif ( $racine{$id} ) { $fichier = $racine{$id}; } elsif ( $prefixe ) { $fichier = "$prefixe" . sprintf($format, $num); } if ( defined $fichier ) { if ( $repertoire ) { $xml = "$repertoire/$fichier.xml"; } elsif ( $metadata ) { $xml = "$metadata/$fichier.xml"; } } else { $fichier = "Nom de fichier inconnu"; } my $titre = $hit{'title'}; my $corpusName = $hit{'corpusName'}; my $nom = $corpusName; if ( $nom{$nom} ) { $nom = $nom{$nom}; } # À REVOIR !!! my $date = ""; my $copyrightDate = ""; my $publicationDate = ""; if ( $hit{'copyrightDate'} ) { $copyrightDate = $hit{'copyrightDate'}; } if ( $hit{'publicationDate'} ) { $publicationDate = $hit{'publicationDate'}; } if ( $copyrightDate and $publicationDate ) { if ( $copyrightDate == $publicationDate ) { $date = $copyrightDate; } elsif ( $copyrightDate =~ /^[12]\d\d\d\z/o ) { $date = $copyrightDate; } else { $date = $publicationDate; } } elsif ( $copyrightDate ) { $date = $copyrightDate; } elsif ( $publicationDate ) { $date = $publicationDate; } else { $date = "S.D."; } my $langues = ""; if ( defined $hit{'language'} ) { $langues = join(" ; ", @{$hit{'language'}}); } my $wos = ""; my $scienceMetrix = ""; my $scopus = ""; my $inist = ""; if ( defined $hit{'categories'} ) { my %categories = %{$hit{'categories'}}; if ( defined $categories{'wos'} ) { $wos = join(" ; ", @{$categories{'wos'}}); } if ( defined $categories{'scienceMetrix'} ) { $scienceMetrix = join(" ; ", @{$categories{'scienceMetrix'}}); } if ( defined $categories{'scopus'} ) { $scopus = join(" ; ", @{$categories{'scopus'}}); } if ( defined $categories{'inist'} ) { $inist = join(" ; ", @{$categories{'inist'}}); } } my $genre = ""; if ( defined $hit{'genre'} ) { $genre = join(", ", @{$hit{'genre'}}); } my $pdfVersion = ""; my $score = ""; if ( defined $hit{'qualityIndicators'} ) { my %indicateurs = %{$hit{'qualityIndicators'}}; if ( defined $indicateurs{'pdfVersion'} ) { $pdfVersion = $indicateurs{'pdfVersion'}; } if ( defined $indicateurs{'score'} ) { $score = $indicateurs{'score'}; } } my $revue = ""; my $isbn = ""; my $eisbn = ""; my $issn = ""; my $eissn = ""; my $dt = ""; if ( defined $hit{'host'} ) { my %host = %{$hit{'host'}}; if ( defined $host{'title'} ) { $revue = $host{'title'} } if ( defined $host{'isbn'} ) { $isbn = join("/", @{$host{'isbn'}}); } if ( defined $host{'eisbn'} ) { $eisbn = join("/", @{$host{'eisbn'}}); } if ( defined $host{'issn'} ) { $issn = join("/", @{$host{'issn'}}); } if ( defined $host{'eissn'} ) { $eissn = join("/", @{$host{'eissn'}}); } if ( defined $host{'genre'} ) { $dt = join(", ", @{$host{'genre'}}); } } my $structure = "Absent"; if ( defined $xml and -f $xml ) { $structure = "Non"; my $texte = ""; open(XML, "<:utf8", $xml) or die "$!,"; while(<XML>) { tr/\n\r/ /s; $texte .= $_; } close XML; if ( $corpusName eq 'bmj' or $corpusName =~ /^brill-/o or $corpusName eq 'cambridge' or $corpusName =~ /^degruyter-/o or $corpusName eq 'edp-sciences' or $corpusName eq 'emerald' or $corpusName eq 'gsl' or $corpusName eq 'numerique-premium' or $corpusName eq 'oup' ) { $structure = "Oui" if $texte =~ m{<body>.+</(sec|p)>.*</body>}o; } elsif ( $corpusName eq 'ecco' ) { $structure = "Oui" if $texte =~ /<p>\s*<wd\b/o; } elsif ( $corpusName eq 'elsevier' ) { $structure = "Oui" if $texte =~ /<body>\s*<ce:sections>\s*<ce:section>/oi; } elsif ( $corpusName eq 'iop' ) { $structure = "Oui" if $texte =~ /<body( .+?)?>\s*<sec-level1\b/o; } elsif ( $corpusName eq 'nature' ) { $structure = "Oui" if $texte =~ m|<bdy>|o; $structure = "Non" if $texte =~ m|<bdy/>|o; } elsif ( $corpusName =~ /^rsc-/o ) { $structure = "Oui" if $texte =~ m|<art-body>\s*<section |o; } elsif ( $corpusName eq 'sage' ) { if ( $texte =~ /<body>\s*<full_text\b/o ) { $structure = "Non" } elsif ( $texte =~ m{<body>.+</(sec|p)>.*</body>}o ) { $structure = "Oui"; } } elsif ( $corpusName =~ /^springer-/o ) { $structure = "Non" if $texte =~ m|<NoBody\b|o; } elsif ( $corpusName eq 'wiley' ) { $structure = "Oui" if $texte =~ /<body( .+?)?>\s*<section\b/oi; } else { $structure = "Indéterminé"; } } if ( $xtended ) { # Variables spécifiques à l'affichage étendu my $auteurs = ""; my $affiliations = ""; my $langues = ""; my $resume = ""; my $motscles = ""; my $doi = ""; my $pmid = " "; if ( $hit{'author'} ) { my @authors = @{$hit{'author'}}; my @names = (); my @affiliations = (); my %affiliations = (); my %lien = (); foreach my $author (@authors) { my %author = %{$author}; if ( $author{'name'} ) { push(@names, $author{'name'}); } if ( $author{'affiliations'} ) { foreach my $affiliation (@{$author{'affiliations'}}) { next if $affiliation =~ /^\s*e-mail\s?:\s/io; if ( not $affiliations{$affiliation} ) { push(@affiliations, $affiliation); $affiliations{$affiliation} = $#affiliations + 1; } if ( $author{'name'} ) { $lien{$#names + 1}{$affiliations{$affiliation}} ++; } } } } if ( @names ) { if ( $#names > 0 and $xtended eq 'lodex' ) { for ( my $n = 0 ; $n <= $#names ; $n ++ ) { my $tmp = join(", ", sort {$a <=> $b} keys %{$lien{$n + 1}}); if ( $tmp ) { $names[$n] .= " <sup>$tmp</sup>"; } } } $auteurs = join(" ; ", @names); } if ( @affiliations ) { if ( $#names > 0 and $xtended eq 'lodex' ) { for ( my $n = 0 ; $n <= $#affiliations ; $n ++ ) { $affiliations[$n] = $n + 1 . ") $affiliations[$n]"; } } $affiliations = join(" ; ", @affiliations); } } if ( $hit{'language'} ) { my @langues = @{$hit{'language'}}; foreach my $item (@langues) { if ( $langue{$item} ) { $item = $langue{$item}; } else { print STDERR "Attention : pas de verbalisation pour le code langue \"$item\"\n"; } } $langues = join(" ; ", @langues); } if ( $hit{'abstract'} ) { $resume = $hit{'abstract'}; $resume =~ s/^(abstract|summary)\s*:\s*//io; } if ( $hit{'doi'} ) { $doi = join(" ; ", @{$hit{'doi'}}); } if ( $hit{'pmid'} ) { $pmid = join(" ; ", @{$hit{'pmid'}}); } if ( $hit{'subject'} ) { my @tmp = (); foreach my $subject (@{$hit{'subject'}}) { my %subject = %{$subject}; if ( $subject{'value'} ) { push(@tmp, $subject{'value'}) } } my %tmp = (); $motscles = join(" ; ", grep {not $tmp{$_} ++;} @tmp); } my $ligne = "$fichier\t$titre\t$auteurs\t$affiliations\t$revue\t$issn\t$eissn\t"; $ligne .= "$isbn\t$eisbn\t$nom\t$dt\t$genre\t$date\t$langues\t$resume\t"; $ligne .= "$motscles\t$wos\t$scienceMetrix\t$scopus\t$inist\t$score\t$pdfVersion"; $ligne .= "\t$structure\t$id\t$ark\t$doi\t$pmid"; if ( $type eq "csv" ) { print OUT tsv2csv($ligne), "\n"; } else { print OUT "$ligne\n"; } } else { my $ligne = "$id\t$ark\t$fichier\t$nom\t$score\t$pdfVersion\t$structure\t$date\t$titre"; $ligne .= "\t$revue\t$issn\t$eissn\t$dt\t$genre\t$wos\t$scienceMetrix\t$scopus\t$inist\n"; if ( $type eq "csv" ) { print OUT tsv2csv($ligne), "\n"; } else { print OUT "$ligne\n"; } } } sub tsv2csv { my $ligne = shift; my @champs = split(/\t/, $ligne); foreach my $champ (@champs) { if ( $champ =~ /[",;]/o ) { $champ =~ s/"/""/go; $champ = "\"$champ\""; } } return join(";", @champs); } sub langues { return ( "alg" => "Langues algonquines", "amh" => "Amharique", "ang" => "Anglo-saxon (env.450-1100)", "ara" => "Arabe", "arc" => "Araméen d'empire (700-300 av. J.C.)", "arm" => "Arménien", "cat" => "Catalan", "chi" => "Chinois", "cze" => "Tchèque", "dan" => "Danois", "dut" => "Néerlandais", "eng" => "Anglais", "fre" => "Français", "frm" => "Moyen français (1400-1600)", "fro" => "Ancien français (842-env.1400)", "ger" => "Allemand", "gla" => "Gaélique écossais", "gle" => "Irlandais", "glg" => "Galicien", "glv" => "Mannois", "gmh" => "Moyen haut-allemand(env. 1050-1500)", "grc" => "Grec ancien (jusqu'en 1453)", "gre" => "Grec moderne", "heb" => "Hébreu", "hun" => "Hongrois", "ita" => "Italien", "lat" => "Latin", "lit" => "Lituanien", "may" => "Malais", "moh" => "Mohawk", "mul" => "Multilingue", "nai" => "Langues nord-amérindiennes", "new" => "Newari", "nor" => "Norvégien", "pal" => "Pahlavi", "peo" => "Vieux perse (env. 600-400 av. J.C.)", "per" => "Persan", "pol" => "Polonais", "por" => "Portugais", "roa" => "Langues romanes", "rus" => "Russe", "san" => "Sanskrit", "sco" => "Écossais", "spa" => "Espagnol", "swe" => "Suédois", "syr" => "Syriaque", "tur" => "Turc", "und" => "Indéterminé", "unknown" => "Indéterminé", "wel" => "Gallois", "zxx" => "Pas de contenu linguistique", ); }