You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
141 lines
5.8 KiB
141 lines
5.8 KiB
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"
|
|
|