felixlohmeier
/
seminar-wir-bauen-uns-einen-bibliothekskatalog
mirror of https://github.com/felixlohmeier/seminar-wir-bauen-uns-einen-bibliothekskatalog.git
2
0
Fork 0
Code Releases Activity

Update 04_4_download_der_metadaten.md

This commit is contained in:
Felix Lohmeier 2016-10-24 01:11:14 +02:00
parent b8ffb105a6
commit f4adbc3eb5
1 changed files with 38 additions and 9 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

45
04_4_download_der_metadaten.md
View File

@ -1,11 +1,27 @@
# 4.4 Download der Metadaten # 4.4 Download der Metadaten
## Aufgabe 1: Shell-Script zum Download der Metadaten schreiben ## Aufgabe 1: 100 PPNs aus dem Katalog notieren
* Mit curl über die unAPI-Schnittstelle wie in Kapitel 4.2 Für die Abfrage über die unAPI-Schnittstelle benötigen wir die Identifikationsnummern (hier PPNs) derjenigen Datensätze, die wir abfragen wollen. Also brauchen wir eine Liste der PPns, z.B. in einer einfachen Text-Datei.
## Lösung
Folgende Abfrage über die [SRU-Schnittstelle des GBV](https://www.gbv.de/wikis/cls/SRU) liefert die ersten 100 Treffer in einer XML-Datei im Format PICAXML für den Suchbegriff ```open```
{%s%}http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.all%3Dopen&maximumRecords=100&startRecord=1&recordSchema=picaxml{%ends%}
Daraus können wir die PPNs im Feld 003@ mit grep extrahieren:
{%s%}http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.all%3Dopen&maximumRecords=100&startRecord=1&recordSchema=picaxml{%ends%}
curl "http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.all%3Dopen&maximumRecords=100&startRecord=1&recordSchema=picaxml" | grep -A 1 "003" | sed 's/^ *//; s/ *$//; /^$/d; s/<[^>]*>//g' | > 100ppns_sru-open.txt
## Aufgabe 2: Shell-Script zum Download der Metadaten schreiben
* Mit curl über die unAPI-Schnittstelle wie in Kapitel 4.2 geübt
* Format: PICAXML * Format: PICAXML
* Bei zu schnell aufeinander folgenden Abfragen verweigert die Schnittstelle evtl. die Antwort, daher Wartezeit 1 Sekunde zwischen den Abfragen einbauen * Bei zu schnell aufeinander folgenden Abfragen verweigert die Schnittstelle evtl. die Antwort, daher Wartezeit 1 Sekunde zwischen den Abfragen einbauen
* Eine Liste der PPNs ist schwierig zu generieren, hier eine Datei mit 100 Stück: [100ppns.txt](data/100ppns.txt)
**Literaturtipps:** **Literaturtipps:**
* https://wiki.ubuntuusers.de/Shell/Bash-Skripting-Guide_f%C3%BCr_Anf%C3%A4nger/ * https://wiki.ubuntuusers.de/Shell/Bash-Skripting-Guide_f%C3%BCr_Anf%C3%A4nger/
@ -15,21 +31,24 @@
``` ```
#!/bin/bash #!/bin/bash
url=curl "http://unapi.gbv.de/?id=opac-de-18-302:ppn:"
url=http://unapi.gbv.de/?id=opac-de-18-302:ppn:
format=picaxml format=picaxml
mkdir download
curl -O https://felixlohmeier.gitbooks.io/seminar-wir-bauen-uns-einen-bibliothekskatalog/content/data/100ppns.txt
while read ppn while read ppn
do do
content=$(curl "{$url}${ppn}&format=${format}") content=$(curl "{$url}${ppn}&format=${format}")
echo $ppn echo $ppn
echo $content >> $ppn.picaxml echo $content >> download/$ppn.picaxml
sleep 1 sleep 1
done < 100ppns.txt done < 100ppns.txt
``` ```
* Diesen Textinhalt in einer Datei abspeichern, z.B. mit ```nano download.sh``` * Diesen Textinhalt in einer Datei abspeichern, z.B. mit ```nano download.sh```
* Danach muss das Script noch ausführbar gemacht werden: chmod +x download.sh * Danach muss das Script noch ausführbar gemacht werden: ```chmod +x download.sh```
* Im gleichen Ordner muss die Datei 100ppns.txt liegen, Download z.B. mit ```curl ``` * Script starten mit ```./download.sh```
* Script starten mit ./download.sh
## Aufgabe 2: Heruntergeladene XML-Dateien zusammenführen ## Aufgabe 2: Heruntergeladene XML-Dateien zusammenführen
@ -41,3 +60,13 @@ XML bietet durch seine Baumstruktur die Möglichkeit mehrere Datensätze in eine
## Lösung ## Lösung
... ...
## Alternative: SRU-Schnittstelle
Mit Suchabfragen der folgenden Form ließen sich auch alle Daten sukzessive abrufen:
1. http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.ppn=.*&maximumRecords=100&startRecord=001&recordSchema=picaxml
2. http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.ppn=.*&maximumRecords=100&startRecord=101&recordSchema=picaxml
3. http://sru.gbv.de/opac-de-18-302?operation=searchRetrieve&query=pica.ppn=.*&maximumRecords=100&startRecord=201&recordSchema=picaxml
4. ...
Die Suche nach ```pica.ppn=.*``` liefert alle Datensätze zurück, wird mit ```maximumRecords=100``` begrenzt (sonst liefert die Schnittstelle gar keine Daten) und sukzessive mit einem Parameter ```startRecord=``` abgefragt. Das ließe sich auch gut in einem Shell-Script abfragen.