src/librarian/dcparser.py

   1 # -*- coding: utf-8 -*-
   2 #
   3 # This file is part of Librarian, licensed under GNU Affero GPLv3 or later.
   4 # Copyright © Fundacja Nowoczesna Polska. See NOTICE for more information.
   5 #
   6 from __future__ import unicode_literals
   7
   8 from xml.parsers.expat import ExpatError
   9 from datetime import date
  10 from functools import total_ordering
  11 import time
  12 import re
  13 import six
  14 from librarian.util import roman_to_int
  15
  16 from librarian import (ValidationError, NoDublinCore, ParseError, DCNS, RDFNS,
  17                        XMLNS, WLURI, WLNS, PLMETNS)
  18
  19 import lxml.etree as etree  # ElementTree API using libxml2
  20 from lxml.etree import XMLSyntaxError
  21
  22
  23 class TextPlus(six.text_type):
  24     pass
  25
  26
  27 class DatePlus(date):
  28     pass
  29
  30
  31 # ==============
  32 # = Converters =
  33 # ==============
  34 @six.python_2_unicode_compatible
  35 @total_ordering
  36 class Person(object):
  37     """Single person with last name and a list of first names."""
  38     def __init__(self, last_name, *first_names):
  39         self.last_name = last_name
  40         self.first_names = first_names
  41
  42     @classmethod
  43     def from_text(cls, text):
  44         parts = [token.strip() for token in text.split(',')]
  45         if len(parts) == 1:
  46             surname = parts[0]
  47             names = []
  48         elif len(parts) != 2:
  49             raise ValueError("Invalid person name. There should be at most one comma: \"%s\"." % text.encode('utf-8'))
  50         else:
  51             surname = parts[0]
  52             if len(parts[1]) == 0:
  53                 # there is no non-whitespace data after the comma
  54                 raise ValueError("Found a comma, but no names given: \"%s\" -> %r." % (text, parts))
  55             names = parts[1].split()
  56         return cls(surname, *names)
  57
  58     def readable(self):
  59         return u" ".join(self.first_names + (self.last_name,))
  60
  61     def __eq__(self, right):
  62         return self.last_name == right.last_name and self.first_names == right.first_names
  63
  64     def __lt__(self, other):
  65         return (self.last_name, self.first_names) < (other.last_name, other.first_names)
  66
  67     def __hash__(self):
  68         return hash((self.last_name, self.first_names))
  69
  70     def __str__(self):
  71         if len(self.first_names) > 0:
  72             return '%s, %s' % (self.last_name, ' '.join(self.first_names))
  73         else:
  74             return self.last_name
  75
  76     def __repr__(self):
  77         return 'Person(last_name=%r, first_names=*%r)' % (self.last_name, self.first_names)
  78
  79
  80 def as_date(text):
  81     """Dates for digitization of pictures. It seems we need the following:
  82 ranges:         '1350-1450',
  83 centuries:      "XVIII w.'
  84 half centuries/decades: '2 poł. XVIII w.', 'XVII w., l. 20'
  85 later-then: 'po 1450'
  86 circa 'ok. 1813-1814', 'ok.1876-ok.1886
  87 turn: 1893/1894
  88 for now we will translate this to some single date losing information of course.
  89     """
  90     try:
  91         # check out the "N. poł X w." syntax
  92         if isinstance(text, six.binary_type):
  93             text = text.decode("utf-8")
  94
  95         century_format = u"(?:([12]) *poł[.]? +)?([MCDXVI]+) *w[.,]*(?: *l[.]? *([0-9]+))?"
  96         vague_format = u"(?:po *|ok. *)?([0-9]{4})(-[0-9]{2}-[0-9]{2})?"
  97
  98         m = re.match(century_format, text)
  99         m2 = re.match(vague_format, text)
 100         if m:
 101             half = m.group(1)
 102             decade = m.group(3)
 103             century = roman_to_int(m.group(2))
 104             if half is not None:
 105                 if decade is not None:
 106                     raise ValueError("Bad date format. Cannot specify both half and decade of century")
 107                 half = int(half)
 108                 t = ((century*100 + (half-1)*50), 1, 1)
 109             else:
 110                 decade = int(decade or 0)
 111                 t = ((century*100 + decade), 1, 1)
 112         elif m2:
 113             year = m2.group(1)
 114             mon_day = m2.group(2)
 115             if mon_day:
 116                 t = time.strptime(year + mon_day, "%Y-%m-%d")
 117             else:
 118                 t = time.strptime(year, '%Y')
 119         else:
 120             raise ValueError
 121
 122         return DatePlus(t[0], t[1], t[2])
 123     except ValueError as e:
 124         raise ValueError("Unrecognized date format. Try YYYY-MM-DD or YYYY.")
 125
 126
 127 def as_person(text):
 128     return Person.from_text(text)
 129
 130
 131 def as_unicode(text):
 132     if isinstance(text, six.text_type):
 133         return text
 134     else:
 135         return TextPlus(text.decode('utf-8'))
 136
 137
 138 def as_wluri_strict(text):
 139     return WLURI.strict(text)
 140
 141
 142 class Field(object):
 143     def __init__(self, uri, attr_name, validator=as_unicode, strict=None, multiple=False, salias=None, **kwargs):
 144         self.uri = uri
 145         self.name = attr_name
 146         self.validator = validator
 147         self.strict = strict
 148         self.multiple = multiple
 149         self.salias = salias
 150
 151         self.required = kwargs.get('required', True) and 'default' not in kwargs
 152         self.default = kwargs.get('default', [] if multiple else [None])
 153
 154     def validate_value(self, val, strict=False):
 155         if strict and self.strict is not None:
 156             validator = self.strict
 157         else:
 158             validator = self.validator
 159         try:
 160             if self.multiple:
 161                 if validator is None:
 162                     return val
 163                 new_values = []
 164                 for v in val:
 165                     nv = v
 166                     if v is not None:
 167                         nv = validator(v)
 168                         if hasattr(v, 'lang'):
 169                             setattr(nv, 'lang', v.lang)
 170                     new_values.append(nv)
 171                 return new_values
 172             elif len(val) > 1:
 173                 raise ValidationError("Multiple values not allowed for field '%s'" % self.uri)
 174             elif len(val) == 0:
 175                 raise ValidationError("Field %s has no value to assign. Check your defaults." % self.uri)
 176             else:
 177                 if validator is None or val[0] is None:
 178                     return val[0]
 179                 nv = validator(val[0])
 180                 if hasattr(val[0], 'lang'):
 181                     setattr(nv, 'lang', val[0].lang)
 182                 return nv
 183         except ValueError as e:
 184             raise ValidationError("Field '%s' - invald value: %s" % (self.uri, e.message))
 185
 186     def validate(self, fdict, fallbacks=None, strict=False):
 187         if fallbacks is None:
 188             fallbacks = {}
 189         if self.uri not in fdict:
 190             if not self.required:
 191                 # Accept single value for single fields and saliases.
 192                 if self.name in fallbacks:
 193                     if self.multiple:
 194                         f = fallbacks[self.name]
 195                     else:
 196                         f = [fallbacks[self.name]]
 197                 elif self.salias and self.salias in fallbacks:
 198                     f = [fallbacks[self.salias]]
 199                 else:
 200                     f = self.default
 201             else:
 202                 raise ValidationError("Required field %s not found" % self.uri)
 203         else:
 204             f = fdict[self.uri]
 205
 206         return self.validate_value(f, strict=strict)
 207
 208     def __eq__(self, other):
 209         if isinstance(other, Field) and other.name == self.name:
 210             return True
 211         return False
 212
 213
 214 class DCInfo(type):
 215     def __new__(mcs, classname, bases, class_dict):
 216         fields = list(class_dict['FIELDS'])
 217
 218         for base in bases[::-1]:
 219             if hasattr(base, 'FIELDS'):
 220                 for field in base.FIELDS[::-1]:
 221                     try:
 222                         fields.index(field)
 223                     except ValueError:
 224                         fields.insert(0, field)
 225
 226         class_dict['FIELDS'] = tuple(fields)
 227         return super(DCInfo, mcs).__new__(mcs, classname, bases, class_dict)
 228
 229
 230 class WorkInfo(six.with_metaclass(DCInfo, object)):
 231     FIELDS = (
 232         Field(DCNS('creator'), 'authors', as_person, salias='author', multiple=True),
 233         Field(DCNS('title'), 'title'),
 234         Field(DCNS('type'), 'type', required=False, multiple=True),
 235
 236         Field(DCNS('contributor.editor'), 'editors',
 237               as_person, salias='editor', multiple=True, required=False),
 238         Field(DCNS('contributor.technical_editor'), 'technical_editors',
 239               as_person, salias='technical_editor', multiple=True, required=False),
 240         Field(DCNS('contributor.funding'), 'funders', salias='funder', multiple=True, required=False),
 241         Field(DCNS('contributor.thanks'), 'thanks', required=False),
 242
 243         Field(DCNS('date'), 'created_at'),
 244         Field(DCNS('date.pd'), 'released_to_public_domain_at', as_date, required=False),
 245         Field(DCNS('publisher'), 'publisher', multiple=True),
 246
 247         Field(DCNS('language'), 'language'),
 248         Field(DCNS('description'), 'description', required=False),
 249
 250         Field(DCNS('source'), 'source_name', required=False),
 251         Field(DCNS('source.URL'), 'source_urls', salias='source_url', multiple=True, required=False),
 252         Field(DCNS('identifier.url'), 'url', WLURI, strict=as_wluri_strict),
 253         Field(DCNS('rights.license'), 'license', required=False),
 254         Field(DCNS('rights'), 'license_description'),
 255
 256         Field(PLMETNS('digitisationSponsor'), 'sponsors', multiple=True, required=False),
 257         Field(WLNS('digitisationSponsorNote'), 'sponsor_note', required=False),
 258         Field(WLNS('developmentStage'), 'stage', required=False),
 259     )
 260
 261     @classmethod
 262     def from_bytes(cls, xml, *args, **kwargs):
 263         return cls.from_file(six.BytesIO(xml), *args, **kwargs)
 264
 265     @classmethod
 266     def from_file(cls, xmlfile, *args, **kwargs):
 267         desc_tag = None
 268         try:
 269             iter = etree.iterparse(xmlfile, ['start', 'end'])
 270             for (event, element) in iter:
 271                 if element.tag == RDFNS('RDF') and event == 'start':
 272                     desc_tag = element
 273                     break
 274
 275             if desc_tag is None:
 276                 raise NoDublinCore("DublinCore section not found. \
 277                     Check if there are rdf:RDF and rdf:Description tags.")
 278
 279             # continue 'till the end of RDF section
 280             for (event, element) in iter:
 281                 if element.tag == RDFNS('RDF') and event == 'end':
 282                     break
 283
 284             # if there is no end, Expat should yell at us with an ExpatError
 285
 286             # extract data from the element and make the info
 287             return cls.from_element(desc_tag, *args, **kwargs)
 288         except XMLSyntaxError as e:
 289             raise ParseError(e)
 290         except ExpatError as e:
 291             raise ParseError(e)
 292
 293     @classmethod
 294     def from_element(cls, rdf_tag, *args, **kwargs):
 295         # the tree is already parsed, so we don't need to worry about Expat errors
 296         field_dict = {}
 297         desc = rdf_tag.find(".//" + RDFNS('Description'))
 298
 299         if desc is None:
 300             raise NoDublinCore("There must be a '%s' element inside the RDF." % RDFNS('Description'))
 301
 302         lang = None
 303         p = desc
 304         while p is not None and lang is None:
 305             lang = p.attrib.get(XMLNS('lang'))
 306             p = p.getparent()
 307
 308         for e in desc.getchildren():
 309             fv = field_dict.get(e.tag, [])
 310             if e.text is not None:
 311                 text = e.text
 312                 if not isinstance(text, six.text_type):
 313                     text = text.decode('utf-8')
 314                 val = TextPlus(text)
 315                 val.lang = e.attrib.get(XMLNS('lang'), lang)
 316                 if e.tag == 'meta':
 317                     meta_id = e.attrib.get('id')
 318                     if meta_id and meta_id.endswith('-id'):
 319                         field_dict[meta_id] = [val.replace('ISBN-', 'ISBN ')]
 320             else:
 321                 val = e.text
 322             fv.append(val)
 323             field_dict[e.tag] = fv
 324
 325         return cls(desc.attrib, field_dict, *args, **kwargs)
 326
 327     def __init__(self, rdf_attrs, dc_fields, fallbacks=None, strict=False):
 328         """rdf_attrs should be a dictionary-like object with any attributes of the RDF:Description.
 329         dc_fields - dictionary mapping DC fields (with namespace) to list of text values for the
 330         given field. """
 331
 332         self.about = rdf_attrs.get(RDFNS('about'))
 333         self.fmap = {}
 334
 335         for field in self.FIELDS:
 336             value = field.validate(dc_fields, fallbacks=fallbacks, strict=strict)
 337             setattr(self, 'prop_' + field.name, value)
 338             self.fmap[field.name] = field
 339             if field.salias:
 340                 self.fmap[field.salias] = field
 341
 342     def __getattribute__(self, name):
 343         try:
 344             field = object.__getattribute__(self, 'fmap')[name]
 345             value = object.__getattribute__(self, 'prop_'+field.name)
 346             if field.name == name:
 347                 return value
 348             else:  # singular alias
 349                 if not field.multiple:
 350                     raise "OUCH!! for field %s" % name
 351
 352                 return value[0] if value else None
 353         except (KeyError, AttributeError):
 354             return object.__getattribute__(self, name)
 355
 356     def __setattr__(self, name, newvalue):
 357         try:
 358             field = object.__getattribute__(self, 'fmap')[name]
 359             if field.name == name:
 360                 object.__setattr__(self, 'prop_'+field.name, newvalue)
 361             else:  # singular alias
 362                 if not field.multiple:
 363                     raise "OUCH! while setting field %s" % name
 364
 365                 object.__setattr__(self, 'prop_'+field.name, [newvalue])
 366         except (KeyError, AttributeError):
 367             return object.__setattr__(self, name, newvalue)
 368
 369     def update(self, field_dict):
 370         """Update using field_dict. Verify correctness, but don't check if all
 371         required fields are present."""
 372         for field in self.FIELDS:
 373             if field.name in field_dict:
 374                 setattr(self, field.name, field_dict[field.name])
 375
 376     def to_etree(self, parent=None):
 377         """XML representation of this object."""
 378         # etree._namespace_map[str(self.RDF)] = 'rdf'
 379         # etree._namespace_map[str(self.DC)] = 'dc'
 380
 381         if parent is None:
 382             root = etree.Element(RDFNS('RDF'))
 383         else:
 384             root = parent.makeelement(RDFNS('RDF'))
 385
 386         description = etree.SubElement(root, RDFNS('Description'))
 387
 388         if self.about:
 389             description.set(RDFNS('about'), self.about)
 390
 391         for field in self.FIELDS:
 392             v = getattr(self, field.name, None)
 393             if v is not None:
 394                 if field.multiple:
 395                     if len(v) == 0:
 396                         continue
 397                     for x in v:
 398                         e = etree.Element(field.uri)
 399                         if x is not None:
 400                             e.text = six.text_type(x)
 401                         description.append(e)
 402                 else:
 403                     e = etree.Element(field.uri)
 404                     e.text = six.text_type(v)
 405                     description.append(e)
 406
 407         return root
 408
 409     def serialize(self):
 410         rdf = {'about': {'uri': RDFNS('about'), 'value': self.about}}
 411
 412         dc = {}
 413         for field in self.FIELDS:
 414             v = getattr(self, field.name, None)
 415             if v is not None:
 416                 if field.multiple:
 417                     if len(v) == 0:
 418                         continue
 419                     v = [six.text_type(x) for x in v if x is not None]
 420                 else:
 421                     v = six.text_type(v)
 422
 423                 dc[field.name] = {'uri': field.uri, 'value': v}
 424         rdf['fields'] = dc
 425         return rdf
 426
 427     def to_dict(self):
 428         result = {'about': self.about}
 429         for field in self.FIELDS:
 430             v = getattr(self, field.name, None)
 431
 432             if v is not None:
 433                 if field.multiple:
 434                     if len(v) == 0:
 435                         continue
 436                     v = [six.text_type(x) for x in v if x is not None]
 437                 else:
 438                     v = six.text_type(v)
 439                 result[field.name] = v
 440
 441             if field.salias:
 442                 v = getattr(self, field.salias)
 443                 if v is not None:
 444                     result[field.salias] = six.text_type(v)
 445
 446         return result
 447
 448
 449 class BookInfo(WorkInfo):
 450     FIELDS = (
 451         Field(DCNS('audience'), 'audiences', salias='audience', multiple=True, required=False),
 452
 453         Field(DCNS('subject.period'), 'epochs', salias='epoch', multiple=True, required=False),
 454         Field(DCNS('subject.type'), 'kinds', salias='kind', multiple=True, required=False),
 455         Field(DCNS('subject.genre'), 'genres', salias='genre', multiple=True, required=False),
 456
 457         Field(DCNS('subject.location'), 'location', required=False),
 458
 459         Field(DCNS('contributor.translator'), 'translators',
 460               as_person,  salias='translator', multiple=True, required=False),
 461         Field(DCNS('relation.hasPart'), 'parts', WLURI, strict=as_wluri_strict, multiple=True, required=False),
 462         Field(DCNS('relation.isVariantOf'), 'variant_of', WLURI, strict=as_wluri_strict, required=False),
 463
 464         Field(DCNS('relation.coverImage.url'), 'cover_url', required=False),
 465         Field(DCNS('relation.coverImage.attribution'), 'cover_by', required=False),
 466         Field(DCNS('relation.coverImage.source'), 'cover_source', required=False),
 467         # WLCover-specific.
 468         Field(WLNS('coverBarColor'), 'cover_bar_color', required=False),
 469         Field(WLNS('coverBoxPosition'), 'cover_box_position', required=False),
 470         Field(WLNS('coverClass'), 'cover_class', default=['default']),
 471         Field(WLNS('coverLogoUrl'), 'cover_logo_urls', multiple=True, required=False),
 472
 473         Field('pdf-id',  'isbn_pdf',  required=False),
 474         Field('epub-id', 'isbn_epub', required=False),
 475         Field('mobi-id', 'isbn_mobi', required=False),
 476         Field('txt-id',  'isbn_txt',  required=False),
 477         Field('html-id', 'isbn_html', required=False),
 478     )
 479
 480
 481 def parse(file_name, cls=BookInfo):
 482     return cls.from_file(file_name)