bin/parsedb.pl

   1 #! /usr/bin/perl
   2 #
   3 # parsedb.pl
   4 #
   5 # This script will parse a database with raw header information
   6 # from a INN feed to a structured database.
   7 #
   8 # It is part of the NewsStats package.
   9 #
  10 # Copyright (c) 2013 Thomas Hochstein <thh@inter.net>
  11 #
  12 # It can be redistributed and/or modified under the same terms under
  13 # which Perl itself is published.
  14
  15 BEGIN {
  16   our $VERSION = "0.01";
  17   use File::Basename;
  18   # we're in .../bin, so our module is in ../lib
  19   push(@INC, dirname($0).'/../lib');
  20 }
  21 use strict;
  22 use warnings;
  23
  24 use NewsStats qw(:DEFAULT :TimePeriods :SQLHelper);
  25
  26 use DBI;
  27 use Getopt::Long qw(GetOptions);
  28 Getopt::Long::config ('bundling');
  29
  30 use Encode qw/decode/;
  31 use Mail::Address;
  32
  33 ################################# Definitions ##################################
  34
  35 # define header names with separate database fields
  36 my %DBFields = ('date'                      => 'date',
  37                 'references'                => 'refs',
  38                 'followup-to'               => 'fupto',
  39                 'from'                      => 'from_',
  40                 'sender'                    => 'sender',
  41                 'reply-to'                  => 'replyto',
  42                 'subject'                   => 'subject',
  43                 'organization'              => 'organization',
  44                 'lines'                     => 'linecount',
  45                 'approved'                  => 'approved',
  46                 'supersedes'                => 'supersedes',
  47                 'expires'                   => 'expires',
  48                 'user-agent'                => 'useragent',
  49                 'x-newsreader'              => 'xnewsreader',
  50                 'x-mailer'                  => 'xmailer',
  51                 'x-no-archive'              => 'xnoarchive',
  52                 'content-type'              => 'contenttype',
  53                 'content-transfer-encoding' => 'contentencoding',
  54                 'cancel-lock'               => 'cancellock',
  55                 'injection-info'            => 'injectioninfo',
  56                 'x-trace'                   => 'xtrace',
  57                 'nntp-posting-host'         => 'postinghost');
  58
  59 # define field list for database
  60 my @DBFields = qw/day mid refs date path newsgroups fupto from_ from_parsed
  61                  from_name from_address sender sender_parsed sender_name
  62                  sender_address replyto replyto_parsed replyto_name
  63                  replyto_address subject subject_parsed organization linecount
  64                  approved supersedes expires useragent xnewsreader xmailer
  65                  xnoarchive contenttype contentencoding cancellock injectioninfo
  66                  xtrace postinghost headers disregard/;
  67
  68 ################################# Main program #################################
  69
  70 ### read commandline options
  71 my ($OptDay,$OptDebug,$OptParseDB,$OptRawDB,$OptTest,$OptConfFile);
  72 GetOptions ('d|day=s'         => \$OptDay,
  73             'debug!'          => \$OptDebug,
  74             'parsedb=s'       => \$OptParseDB,
  75             'rawdb=s'         => \$OptRawDB,
  76             't|test!'         => \$OptTest,
  77             'conffile=s'      => \$OptConfFile,
  78             'h|help'          => \&ShowPOD,
  79             'V|version'       => \&ShowVersion) or exit 1;
  80
  81 ### read configuration
  82 my %Conf = %{ReadConfig($OptConfFile)};
  83
  84 ### override configuration via commandline options
  85 my %ConfOverride;
  86 $ConfOverride{'DBTableRaw'}   = $OptRawDB if $OptRawDB;
  87 $ConfOverride{'DBTableParse'} = $OptParseDB if $OptParseDB;
  88 &OverrideConfig(\%Conf,\%ConfOverride);
  89
  90 ### get time period
  91 ### and set $Period for output and expression for SQL 'WHERE' clause
  92 my ($Period,$SQLWherePeriod) = &GetTimePeriod($OptDay,'day');
  93 # bail out if --month is invalid or "all"
  94 &Bleat(2,"--day option has an invalid format - please use 'YYYY-MM-DD' or ".
  95          "'YYYY-MM-DD:YYYY-MM-DD'!") if (!$Period or $Period eq 'all time');
  96
  97 ### init database
  98 my $DBHandle = InitDB(\%Conf,1);
  99
 100 ### get & write data
 101 &Bleat(1,'Test mode. Database is not updated.') if $OptTest;
 102
 103 # create $SQLWhereClause
 104 my $SQLWhereClause = SQLBuildClause('where',$SQLWherePeriod,'NOT disregard');
 105
 106 # delete old data for current period
 107 if (!$OptTest) {
 108   print "----------- Deleting old data ... -----------\n" if $OptDebug;
 109   my $DBQuery = $DBHandle->do(sprintf("DELETE FROM %s.%s %s",
 110                                      $Conf{'DBDatabase'},$Conf{'DBTableParse'},
 111                                      $SQLWhereClause))
 112       or &Bleat(2,sprintf("Can't delete old parsed data for %s from %s.%s: ".
 113                           "$DBI::errstr\n",$Period,
 114                           $Conf{'DBDatabase'},$Conf{'DBTableParse'}));
 115 };
 116
 117 # read from DBTableRaw
 118 print "-------------- Reading data ... -------------\n" if $OptDebug;
 119 my $DBQuery = $DBHandle->prepare(sprintf("SELECT id, day, mid, peer, path, ".
 120                                          "newsgroups, headers, disregard ".
 121                                          "FROM %s.%s %s", $Conf{'DBDatabase'},
 122                                          $Conf{'DBTableRaw'}, $SQLWhereClause));
 123 $DBQuery->execute()
 124   or &Bleat(2,sprintf("Can't get data for %s from %s.%s: ".
 125                       "$DBI::errstr\n",$Period,
 126                       $Conf{'DBDatabase'},$Conf{'DBTableRaw'}));
 127
 128 # set output and database connection to UTF-8
 129 # as we're going to write decoded header contents containing UTF-8 chars
 130 binmode(STDOUT, ":utf8");
 131 $DBHandle->do("SET NAMES 'utf8'");
 132
 133 # parse data in a loop and write it out
 134 print "-------------- Parsing data ... -------------\n" if $OptDebug;
 135 while (my $HeadersR = $DBQuery->fetchrow_hashref) {
 136   my %Headers = %{$HeadersR};
 137
 138   # parse $Headers{'headers'} ('headers' from DBTableRaw)
 139   # merge continuation lines
 140   # from Perl Cookbook, 1st German ed. 1999, pg. 91
 141   $Headers{'headers'} =~ s/\n\s+/ /g;
 142   # split headers in single lines
 143   my $OtherHeaders;
 144   for (split(/\n/,$Headers{'headers'})) {
 145     # split header lines in header name and header content
 146     my ($key,$value) = split(/:/,$_,2);
 147     $key =~ s/\s*//;
 148     $value =~ s/^\s*(.+)\s*$/$1/;
 149     # save each header, separate database fields in %Headers,
 150     # the rest in $OtherHeaders (but not Message-ID, Path, Peer
 151     # and Newsgroups as those do already exist)
 152     if (defined($DBFields{lc($key)})) {
 153       $Headers{$DBFields{lc($key)}} = $value;
 154     } else {
 155       $OtherHeaders .= sprintf("%s: %s\n",$key,$value)
 156         if lc($key) !~ /^(message-id|path|peer|newsgroups)$/;
 157     }
 158   }
 159   # replace old (now parsed) $Headers{'headers'} with remanining $OtherHeaders
 160   chomp($OtherHeaders);
 161   $Headers{'headers'} = $OtherHeaders;
 162
 163   foreach ('from_','sender', 'replyto', 'subject') {
 164     if ($Headers{$_}) {
 165       my $HeaderName = $_;
 166       $HeaderName  =~ s/_$//;
 167       # decode From: / Sender: / Reply-To: / Subject:
 168       if ($Headers{$_} =~ /\?(B|Q)\?/) {
 169         $Headers{$HeaderName.'_parsed'} = decode('MIME-Header',$Headers{$_});
 170       }
 171       # extract name(s) and mail(s) from From: / Sender: / Reply-To:
 172       # in parsed form, if available
 173       if ($_ ne 'subject') {
 174         my @Address;
 175         # start parser on header or parsed header
 176         # @Address will have an array of Mail::Address objects, one for
 177         # each name/mail (you can have more than one person in From:!)
 178         if (defined($Headers{$HeaderName.'_parsed'})) {
 179           @Address = Mail::Address->parse($Headers{$HeaderName.'_parsed'});
 180         } else {
 181           @Address = Mail::Address->parse($Headers{$_});
 182         }
 183         # split each Mail::Address object
 184         foreach (@Address) {
 185           # take address part
 186           $Headers{$HeaderName.'_address'} = $_->address();
 187           # take name part form "phrase", if there is one:
 188           # From: My Name <addr@ess> (Comment)
 189           # otherwise, take it from "comment":
 190           # From: addr@ess (Comment)
 191           $Headers{$HeaderName.'_name'} = $_->comment()
 192             unless $Headers{$HeaderName.'_name'}= $_->phrase;
 193           $Headers{$HeaderName.'_name'} =~ s/^\((.+)\)$/$1/;
 194           # FIMXE - handle more than one Mail::Address object!
 195         }
 196       }
 197     }
 198   }
 199
 200   # order output for database entry: fill @SQLBindVars
 201   print "-------------- Next entry:\n" if $OptDebug;
 202   my @SQLBindVars;
 203   foreach (@DBFields) {
 204     if (defined($Headers{$_}) and $Headers{$_} ne '') {
 205       push (@SQLBindVars,$Headers{$_});
 206       printf ("FOUND: %s -> %s\n",$_,$Headers{$_}) if $OptDebug;
 207     } else {
 208       push (@SQLBindVars,undef);
 209     }
 210   }
 211
 212   # write data to DBTableParse
 213   if (!$OptTest) {
 214     print "-------------- Writing data ... -------------\n" if $OptDebug;
 215     my $DBWrite =
 216        $DBHandle->prepare(sprintf("INSERT INTO %s.%s (%s) VALUES (%s)",
 217                                   $Conf{'DBDatabase'},
 218                                   $Conf{'DBTableParse'},
 219                                   # get field names from @DBFields
 220                                   join(', ',@DBFields),
 221                                   # create a list of '?' for each DBField
 222                                   join(', ',
 223                                        split(/ /,'? ' x scalar(@DBFields)))
 224                                 ));
 225   $DBWrite->execute(@SQLBindVars)
 226       or &Bleat(2,sprintf("Can't write parsed data for %s to %s.%s: ".
 227                           "$DBI::errstr\n",$Period,
 228                           $Conf{'DBDatabase'},$Conf{'DBTableParse'}));
 229     $DBWrite->finish;
 230   }
 231 };
 232 $DBQuery->finish;
 233
 234 ### close handles
 235 $DBHandle->disconnect;
 236
 237 print "------------------- DONE! -------------------\n" if $OptDebug;
 238 __END__
 239
 240 ################################ Documentation #################################
 241
 242 =head1 NAME
 243
 244 parsedb - parse raw data and save it to a database
 245
 246 =head1 SYNOPSIS
 247
 248 B<parsedb> [B<-Vht>] [B<--day> I<YYYY-MM-DD> | I<YYYY-MM-DD:YYYY-MM-DD>] [B<--rawdb> I<database table>] [B<--parsedb> I<database table>] [B<--conffile> I<filename>] [B<--debug>]
 249
 250 =head1 REQUIREMENTS
 251
 252 See L<doc/README>.
 253
 254 =head1 DESCRIPTION
 255
 256 ...
 257
 258 =head2 Configuration
 259
 260 ...
 261
 262 =head1 OPTIONS
 263
 264 =over 3
 265
 266 =item B<-V>, B<--version>
 267
 268 Print out version and copyright information and exit.
 269
 270 =item B<-h>, B<--help>
 271
 272 Print this man page and exit.
 273
 274 =item B<--debug>
 275
 276 Output (rather much) debugging information to STDOUT while processing.
 277
 278 =item B<-t>, B<--test>
 279
 280 Do not write results to database. You should use B<--debug> in
 281 conjunction with B<--test> ... everything else seems a bit pointless.
 282
 283 =item B<-d>, B<--day> I<YYYY-MM-DD[:YYYY-MM-DD]>
 284
 285 Set processing period to a single day in YYYY-MM-DD format or to a time
 286 period between two days in YYYY-MM-DD:YYYY-MM-DD format (two days, separated
 287 by a colon).
 288
 289 Defaults to yesterday.
 290
 291 =item B<--rawdb> I<table> (raw data table)
 292
 293 Override I<DBTableRaw> from F<newsstats.conf>.
 294
 295 =item B<--parsedb> I<table> (parsed data table)
 296
 297 Override I<DBTableParse> from F<newsstats.conf>.
 298
 299 =item B<--conffile> I<filename>
 300
 301 Load configuration from I<filename> instead of F<newsstats.conf>.
 302
 303 =back
 304
 305 =head1 INSTALLATION
 306
 307 See L<doc/INSTALL>.
 308
 309 =head1 EXAMPLES
 310
 311 ...
 312
 313 =head1 FILES
 314
 315 =over 4
 316
 317 =item F<bin/parsedb.pl>
 318
 319 The script itself.
 320
 321 =item F<lib/NewsStats.pm>
 322
 323 Library functions for the NewsStats package.
 324
 325 =item F<etc/newsstats.conf>
 326
 327 Runtime configuration file.
 328
 329 =back
 330
 331 =head1 BUGS
 332
 333 Please report any bugs or feature requests to the author or use the
 334 bug tracker at L<http://bugs.th-h.de/>!
 335
 336 =head1 SEE ALSO
 337
 338 =over 2
 339
 340 =item -
 341
 342 L<doc/README>
 343
 344 =item -
 345
 346 L<doc/INSTALL>
 347
 348 =back
 349
 350 This script is part of the B<NewsStats> package.
 351
 352 =head1 AUTHOR
 353
 354 Thomas Hochstein <thh@inter.net>
 355
 356 =head1 COPYRIGHT AND LICENSE
 357
 358 Copyright (c) 2013 Thomas Hochstein <thh@inter.net>
 359
 360 This program is free software; you may redistribute it and/or modify it
 361 under the same terms as Perl itself.
 362
 363 =cut