noah/wuppertal/Taskfile.yml

version: '3'

tasks:
  main:
    desc: Elpub Wuppertal
    vars:
      MINIMUM: 1300 # 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: http://elpub.bib.uni-wuppertal.de/servlets/OAIDataProvider
      FORMAT: oai_dc
      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: 3335 # 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)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/vorverarbeitung.json
        > {{.LOG}}
      - > # Entfernen von HTML-Tags und Transformation von subscript und superscript in Unicode (betrifft dc:description, dc:source und dc:title)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/html.json
        > {{.LOG}}
      - > # DDC einheitlich auf drei Ziffern vereinheitlichen (betrifft dc:subjects und oai:setSpec)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/ddc.json
        > {{.LOG}}
      - > # dc:publisher setzen
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/publisher.json
        > {{.LOG}}
      - > # URNs, DOIs und PDF-Links aus dc:identifier extrahieren
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/identifier.json
        > {{.LOG}}
      - > # Direktlinks generieren durch Abgleich der URNs mit nbn-resolving und Datensätze ohne Direktlink auf ein PDF löschen
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/nbn.json
        > {{.LOG}}
      - > # Aufteilung dc:subject in ioo und topic
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/subjects.json
        > {{.LOG}}
      - > # Standardisierte Rechteangaben Teil 1 (Links zu CC-Lizenzen)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/rights.json
        > {{.LOG}}
      - > # Datenstruktur für Templating vorbereiten: Pro Zeile ein Datensatz und leere Zeilen löschen
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/join.json
        > {{.LOG}}
      - > # Zusammenführung gleichsprachiger Titelangaben zu Title/Subtitle
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/subtitle.json
        > {{.LOG}}
      - > # Sprachangaben nach ISO-639-2b (betrifft dc:language sowie die xml:lang Attribute für dc:coverage, dc:description und dc:title)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/language.json
        > {{.LOG}}
      - > # Standardisierte Rechteangaben Teil 2 (Canonical Name für CC-Lizenzen)
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/rights-cc.json
        > {{.LOG}}
      - > # Anreicherung HT-Nummer via lobid-resources
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/hbz.json
        > {{.LOG}}
      - > # Sortierung mods:nonSort für das erste Element in dc:title
        "$CLIENT" -P {{.PORT}} "{{.PROJECT}}"
        --apply config/nonsort.json
        > {{.LOG}}
      - | # 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: Elpub Wuppertal links überprüfen
    vars:
      PROJECT: '{{splitList ":" .TASK | first}}'
    cmds:
      - task: :linkcheck
        vars: {PROJECT: '{{.PROJECT}}'}

  delete:
    desc: Elpub Wuppertal 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"