version: '3' tasks: main: desc: OPUS Siegen vars: MINIMUM: 1250 # Mindestanzahl der zu erwartenden Datensätze PROJECT: '{{splitList ":" .TASK | first}}' # results in the task namespace, which is identical to the directory name cmds: - task: harvest - task: refine # Folgende Tasks beginnend mit ":" sind für alle Datenquellen gleich in Taskfile.yml definiert - task: :check vars: {PROJECT: '{{.PROJECT}}', MINIMUM: '{{.MINIMUM}}'} - task: :split vars: {PROJECT: '{{.PROJECT}}'} - task: :validate vars: {PROJECT: '{{.PROJECT}}'} - task: :zip vars: {PROJECT: '{{.PROJECT}}'} - task: :diff vars: {PROJECT: '{{.PROJECT}}'} harvest: dir: ./{{.PROJECT}}/harvest vars: URL: https://dspace.ub.uni-siegen.de/oai/request FORMAT: xMetaDissPlus PROJECT: '{{splitList ":" .TASK | first}}' cmds: - METHA_DIR=$PWD metha-sync --format {{.FORMAT}} {{.URL}} - METHA_DIR=$PWD metha-cat --format {{.FORMAT}} {{.URL}} > {{.PROJECT}}.xml refine: dir: ./{{.PROJECT}} vars: PORT: 3334 # assign a different port for each project RAM: 4G # maximum RAM for OpenRefine java heap space PROJECT: '{{splitList ":" .TASK | first}}' LOG: '>(tee -a "refine/{{.PROJECT}}.log") 2>&1' cmds: - mkdir -p refine - task: :start # launch OpenRefine vars: {PROJECT: '{{.PROJECT}}', PORT: '{{.PORT}}', RAM: '{{.RAM}}'} - > # Import (erfordert absoluten Pfad zur XML-Datei) "$CLIENT" -P {{.PORT}} --create "$(readlink -m harvest/{{.PROJECT}}.xml)" --recordPath Records --recordPath Record --storeEmptyStrings false --trimStrings true --projectName "{{.PROJECT}}" > {{.LOG}} - > # Vorverarbeitung: Identifier in erste Spalte; nicht benötigte Spalten (ohne differenzierende Merkmale) löschen; verbleibende Spalten umbenennen (Pfad entfernen) "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/vorverarbeitung.json > {{.LOG}} - > # URNs extrahieren: Dubletten entfernen und verschiedene URNs zusammenführen "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/urn.json > {{.LOG}} - > # Fehlende Direktlinks aus Format METS ergänzen: Wenn keine Angabe in ddb:transfer, dann zusätzlich METS Format abfragen und daraus METS Flocat extrahieren "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/direktlinks.json > {{.LOG}} - > # Datensätze ohne Direktlink auf ein PDF löschen "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/nur-mit-pdf.json > {{.LOG}} - > # Aufteilung dc:subject in ddc und topic "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/ddc-topic.json > {{.LOG}} - > # Standardisierte Rechteangaben (Canonical Name aus CC Links in dc:rights) "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/cc.json > {{.LOG}} - > # Internet Media Type aus ddb:transfer ableiten: Mapping manuell nach Apache http://svn.apache.org/viewvc/httpd/httpd/trunk/docs/conf/mime.types?view=markup "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/mime.json > {{.LOG}} - > # DOIs aus Format OAI_DC ergänzen: Für alle Datensätze zusätzlich DC Format abfragen und daraus dc:identifier mit Typ doi extrahieren "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/doi.json > {{.LOG}} - > # Anreicherung HT-Nummer via lobid-resources: Bei mehreren URNs ODER-Suche; bei mehreren Treffern wird nur der erste übernommen "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/hbz.json > {{.LOG}} - > # Sortierung mods:nonSort für das erste Element in dc:title "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/nonsort.json > {{.LOG}} - > # DINI Publikationstypen aus dc:type extrahieren "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/dini.json > {{.LOG}} - > # Visual Library doctype aus dc:type: Wenn thesis:level == thesis.habilitation dann doctype oaHabil "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/doctype.json > {{.LOG}} - > # Datenstruktur für Templating vorbereiten: Pro Zeile ein Datensatz und leere Zeilen löschen "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --apply config/join.json > {{.LOG}} - | # Export in METS:MODS mit Templating "$CLIENT" -P {{.PORT}} "{{.PROJECT}}" --export --template "$(< config/template.txt)" --rowSeparator " " --suffix " " --output "$(readlink -m refine/{{.PROJECT}}.txt)" > {{.LOG}} - | # print allocated system resources PID="$(lsof -t -i:{{.PORT}})" echo "used $(($(ps --no-headers -o rss -p "$PID") / 1024)) MB RAM" > {{.LOG}} echo "used $(ps --no-headers -o cputime -p "$PID") CPU time" > {{.LOG}} - task: :stop # shut down OpenRefine and archive the OpenRefine project vars: {PROJECT: '{{.PROJECT}}', PORT: '{{.PORT}}'} sources: - Taskfile.yml - harvest/{{.PROJECT}}.xml - config/** generates: - refine/{{.PROJECT}}.openrefine.tar.gz - refine/{{.PROJECT}}.txt ignore_error: true # workaround to avoid an orphaned Java process on error https://github.com/go-task/task/issues/141 linkcheck: desc: OPUS Siegen links überprüfen vars: PROJECT: '{{splitList ":" .TASK | first}}' cmds: - task: :linkcheck vars: {PROJECT: '{{.PROJECT}}'} delete: desc: OPUS Siegen cache löschen vars: PROJECT: '{{splitList ":" .TASK | first}}' cmds: - task: :delete vars: {PROJECT: '{{.PROJECT}}'} default: # enable standalone execution (running `task` in project directory) cmds: - DIR="${PWD##*/}:main" && cd .. && task "$DIR"