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