BIBLIOTECA DIGITAL GREENSTONE

GUÍA DEL PROGRAMADOR

David Bainbridge, Dana McKay e Ian H. Witten

Departamento de Informática
Universidad de Waikato, Nueva Zelandia

Greenstone es un conjunto de programas informáticos destinado a la creación y difusión de colecciones documentales digitales que ofrece un nuevo procedimiento para organizar la información y publicarla en Internet o en forma de CD-ROM. Elaborado dentro del proyecto de Biblioteca Digital de Nueva Zelandia de la Universidad de Waikato, este producto se distribuye en colaboración con la UNESCO y el Proyecto de Bibliotecas sobre Aspectos Humanitarios y de Desarrollo. Es un programa informático de código fuente abierto (open-source software), que puede descargarse en la dirección http://greenstone.org según las condiciones estipuladas en la Licencia Pública General de GNU

Nuestro deseo es garantizar el correcto funcionamiento de este programa, por lo que alentamos a sus usuarios a notificar cualquier problema que detecten a: greenstone@cs.waikato.ac.nz

Greenstone gsdl-2.50  Marzo de 2004


Acerca de este manual

En este manual se explica cómo funciona Greenstone. Se dirige a aquellos que desean personalizar las colecciones y desarrollar y mantener al día el programa.

En la Sección 1 se da una idea general del proceso de creación de colecciones, que comprende la estructura de los directorios, el formato de documento interno y el archivo de configuración por el que se rige la estructura de cada colección. En la Sección 2 se describen las partes de Greenstone que tratan los documentos de origen (y los metadatos) y se muestra cómo se accede a la información mediante la interfaz de usuario. Se definen asimismo los componentes “externos” del programa distribuidos con Greenstone. En la Sección 3 se explica la estructura del sistema de ejecución de Greenstone y se proporciona información sobre el programa que permite comprender su funcionamiento y el modo de modificar el sistema para adaptarlo a las distintas necesidades. En la Sección 4 se exponen los archivos de configuración, y en el Apéndice se presenta la biblioteca estándar de plantillas C++ ( SLT).

Es posible que cuando utilice el programa Greenstone aparezcan referencias a características que no figuran en este manual, ya que Greenstone se encuentra en constante evolución. Para estar al tanto de las modificaciones, inscríbase a la lista de correo electrónico de Greenstone (siga las instrucciones en greenstone.org).

Conjunto de documentos

La serie completa de documentos Greenstone comprende cinco volúmenes:

  • La Guía del Instalador de la Biblioteca Digital Greenstone
  • La Guía del Usuario de la Biblioteca Digital Greenstone
  • La Guía del Programador de la Biblioteca Digital Greenstone (el presente documento)
  • La Biblioteca Digital Greenstone: del Papel a la Colección
  • La Biblioteca Digital Greenstone: uso del Organizador

Agradecimientos

El programa Greenstone es fruto de la colaboración de muchas personas. Rodger McNab y Stefan Boddie son los principales arquitectos y programadores. También han contribuido David Bainbridge, George Buchanan, Hong Chen, Michael Dewsnip, Katherine Don, Elke Duncker, Carl Gutwin, Geoff Holmes, Dana McKay, John McPherson, Craig Nevill-Manning, Dynal Patel, Gordon Paynter, Bernhard Pfahringer, Todd Reed, Bill Rogers, John Thompson y Stuart Yeates. Otros miembros del proyecto Biblioteca Digital de Nueva Zelanda que proporcionaron asesoría y valiosas ideas para la concepción del sistema son: Mark Apperley, Sally Jo Cunningham, Matt Jones, Steve Jones, Te Taka Keegan, Michel Loots, Malika Mahoui, Gary Marsden, Dave Nichols y Lloyd Smith. También queremos dar las gracias a todos aquellos que contribuyeron a los paquetes de programas con licencias GNU incluidos en esta distribución: MG, GDBM, PDFTOHTML, PERL, WGET, WVWARE y XLHTML.

Contents

FUNCIONAMIENTO DEL PROCESO DE CREACIÓN DE UNA COLECCIÓN
Creación de colecciones desde la línea de comandos
Directorios de Greenstone
Procesos de importación y de creación
Documentos en el Formato de Archivo Greenstone
Archivo de configuración de la colección
EXPLOTACIÓN ÓPTIMA DE SUS DOCUMENTOS
Conectores (plugins)
Clasificadores
Formateo de la salida de Greenstone
Control de la interfaz de usuario de Greenstone
El directorio packages
EL SISTEMA DE EJECUCIÓN DE GREENSTONE
Estructura de los procesos
Marco conceptual
Ajuste del marco conceptual
El código fuente
Tipos básicos de Greenstone
El servidor de colecciones
Protocolo
El recepcionista
Inicialización
CONFIGURACIÓN DEL SITIO GREENSTONE
Archivo de configuración principal
Archivo de configuración de sitio
APÉNDICE A: LA BIBLIOTECA ESTÁNDAR DE PLANTILLAS C++ (STL)
Listas (Lists)
Correspondencias (Maps)
BIBLIOGRAFÍA

1 FUNCIONAMIENTO DEL PROCESO DE CREACIÓN DE UNA COLECCIÓN

Los usuarios de Greenstone pueden crear colecciones utilizando el Colector, cuyo funcionamiento se explica en la Guía del Usuario de la Biblioteca Digital Greenstone (Sección 3 ). Este procedimiento permite crear colecciones muy fácilmente basándose en los modelos ya existentes pero con un contenido nuevo. Sin embargo, el Colector no permite realmente crear colecciones con estructuras completamente nuevas. Le invita a modificar el archivo de configuración de la colección por el que se rige la estructura de la colección, pero usted necesita tener sólidos conocimientos de Greenstone para efectuar cambios radicales pero efectivos. En esta sección se le indica lo que necesita saber para hacerlo. También se explica la estructura de directorios de Greenstone y el formato en el que se almacenan internamente los documentos.

En este manual suponemos que usted ha instalado Greenstone en su computadora, bien con Windows o bien con Unix. Si aún no lo ha hecho, debería consultar la Guía de Instalación de la Biblioteca Digital Greenstone. Utilizamos el nombre GSDLHOME a lo largo de este manual para referirnos al directorio principal de Greenstone, que se denomina %GSDLHOME% en los sistemas Windows y $GSDLHOME en los sistemas Unix. Este directorio se estableció durante el procedimiento de instalación.

1.1 Creación de colecciones desde la línea de comandos

A fin de comprender mejor este proceso, empecemos por recorrer las operaciones necesarias para crear una colección a partir de la línea de comandos. Por supuesto, el método más fácil es utilizar el Colector. La colección que tomamos como ejemplo es la que se incluye en el CD-ROM de distribución del programa Greenstone, que contiene las páginas Web de muchas de las personas que han colaborado en el proyecto de Biblioteca Digital de Nueva Zelandia y el programa Greenstone.

En las siguientes subsecciones se explica la creación de una colección con Windows y con Unix. De hecho, las dos subsecciones son casi idénticas, sólo tiene que leer la que corresponda a su sistema. Algunas de las instrucciones le podrán parecer misteriosas e indescifrables, pero sígalas atentamente, su significado se explicará más adelante. Tras las instrucciones se resumen las diferencias entre la creación de una colección con cada uno de los sistemas.

Creación de colecciones bajo Windows

El primer desafío para crear una colección de Greenstone a partir de la línea de comandos en el sistema Windows es llegar al “indicador de comandos”, el lugar en el que se teclean los comandos. Trate de buscar en el menú Inicio, o en el submenú Programas, una entrada como indicador MS-DOSindicador DOS o indicador de comandos. Si no logra encontrarla, abra la función Ejecutar y teclee command ( o cmd) en la ventana de diálogo. Si todo esto falla, pida ayuda a algún entendido, como su administrador de sistema.

Vaya al directorio en el que está instalado Greenstone. Si Greenstone está instalado en su ubicación por defecto, puede acceder tecleando:

cd “C:\Program Files\gsdl”

(Son necesarias las comillas debido a los espacios existentes en Program Files.) A continuación, teclee en el indicador:

setup.bat

Este archivo de ejecución por lotes (que puede usted leer si lo desea) indica al sistema dónde encontrar los programas Greenstone [1]. Si, más adelante durante su sesión interactiva en el indicador de DOS, desea volver al directorio principal de Greenstone, puede hacerlo tecleando cd “%GSDLHOME%” (una vez más, son necesarias las comillas debido a los espacios existentes en el nombre de archivo). Si cierra su ventana DOS y abre otra, tendrá que volver a teclear setup.bat.

Ahora está en condiciones de constituir, crear y recrear colecciones. El primer programa que examinaremos es el programa Perl mkcol.pl, cuyo nombre corresponde a “ make a collection ” (constituir una colección). En primer lugar, active el programa tecleando perl -S mkcol.pl para obtener en pantalla una descripción de la sintaxis y una lista de argumentos. Si su entorno Windows está programado para asociar la aplicación Perl con archivos terminados en .pl, puede expresarlo de manera más concisa tecleando mkcol.pl. Como puede comprobarlo en el mensaje que aparece, el único argumento necesario es creator, que se utiliza para especificar quién ha creado la colección.

Utilicemos ahora este comando para crear los archivos y subdirectorios iniciales necesarios para nuestra colección de las páginas personales de los miembros del proyecto de Biblioteca Digital Greenstone. Para asignar a la colección el nombre dlpeople (abreviación en inglés de “personas de la biblioteca digital”), esto fue lo que escribí:

perl –S mkcol.pl –creator me@cs.waikato.ac.nz dlpeople

(o mkcol.pl –creator me@cs.waikato.ac.nz dlpeople, si Perl está asociado con la extensión de archivos .pl). ¡No olvide sustituir mi dirección de correo electrónico por la suya!

Para poder visualizar los archivos recién creados, vaya al directorio recién creado de la colección tecleando:

cd “%GSDLHOME%\collect\dlpeople”

Figure 1  Archivo de configuración de la colección creado por mkcol.pl
creator       me@cs.waikato.ac.nz
maintainer    me@cs.waikato.ac.nz
public        true
beta          true
indexes        document:text
defaultindex   document:text
plugin         ZIPPlug
plugin         GAPlug
plugin         TEXTPlug
plugin         HTMLPlug
plugin         EMAILPlug
plugin         ArcPlug
plugin         RecPlug
classify       AZList -metadata "Title"
collectionmeta collectionname    "dlpeople"
collectionmeta iconcollection    ""
collectionmeta collectionextra   ""
collectionmeta .document:text    "documents"

Puede acceder al contenido de este directorio tecleando dir. Debería haber siete subdirectorios: archives, building, etc, images, import, index y perllib.

Ahora debemos introducir documentos de muestra en la colección. Los documentos de origen para la colección dlpeople pueden encontrarse en el directorio collect\dlpeople del CD-ROM de distribución Greenstone. En primer lugar, inserte el CD-ROM en el lector (por ejemplo en la unidad D:\). A continuación, copie el contenido del directorio D:\collect\dlpeople en el directorio import de la colección dlpeople. Para ello, proceda de la manera siguiente:

seleccione el contenido del directorio dlpeople y arrástrelo al directorio import de la colección dlpeople.

Como alternativa, puede teclear el comando

xcopy  /s  d:\collect\dlpeople\* import

En el directorio etc de la colección hay un archivo denominado collect.cfg. Ábralo con el editor de texto que prefiera; uno básico pero que es fácil de conseguir se llama edit. El resultado debería parecerse a la Figura , que muestra el archivo de configuración de la colección creado mediante el comando perl  –S mkcol.pl –creatorme@cs.waikato.ac.nz dlpeople.

Ahora puede “importar” la colección. Se trata del proceso por el que se traen los documentos al sistema Greenstone, normalizando el formato de los documentos, el modo en que se especifican los metadatos y la estructura de los archivos en que se almacenan los documentos. Teclee perl –S import.pl en el indicador para obtener una lista de todas las opciones del programa de importación. Para simplificar, limítese al comando básico

perl –S import.pl dlpeople

No se preocupe por el texto que desfila rápidamente en la pantalla: es sólo un informe de la progresión de la importación. Tenga en cuenta que importar esta colección lleva unos cinco minutos en una computadora de 1 GHz y, por consiguiente, más tiempo en máquinas más lentas. Obsérvese que no es necesario encontrarse en los directorios collect o dlpeople cuando se selecciona este comando, porque ya se ha introducido la variable GSDLHOME y el programa Greenstone puede encontrar todos los archivos necesarios.

Ahora vamos a introducir algunas modificaciones en el archivo de configuración de la colección para personalizar su apariencia. En primer lugar, demos un nombre a la colección. Será el que utilicen los navegadores Web como título de página de la portada de la colección, y servirá como icono de la colección si no se proporciona ninguna otra imagen. Sustituya la línea que dice collectionmeta collectionname “dlpeople” por algo como collectionmeta collectionname “Los miembros del proyecto NZDL”.

Añada una descripción de su colección entre las comillas de la línea collectionmeta collectionextra “”, la cual servirá como texto del Acerca de esta colección en la página principal de la colección. Yo escribí “Esta colección comprende las páginas personales de algunas de las personas que han colaborado en el proyecto NZDL”. Es importante escribir este texto en el editor en una sola línea: si el cursor llega al margen derecho de la ventana del editor no pulse la tecla “Intro” aunque tenga que añadir más texto; siga escribiendo de continuo, de lo contrario el archivo de configuración no podrá ser analizado correctamente. Si desea que su colección pueda utilizarse con diferentes interfaces de lenguas, existe una opción para que este texto aparezca de manera diferente según la interfaz lingüística elegida, que se describe más adelante en la Sección 1.3.

Puede utilizar cualquier imagen que pueda visualizarse en un navegador como icono de la colección; la imagen que yo creé se muestra en la Figura 2. Escriba la ubicación de la imagen entre las comillas de la línea collectionmeta iconcollection “” en el archivo de configuración. Como abreviación, y para contribuir a la portabilidad, puede utilizarse _httpprefix_ como inicio de una dirección URL que remite a una imagen situada en la zona de archivos de Greenstone. Por ejemplo, puede usted escribir: _ httpprefix_/collect/dlpeople/images/icon.gif si ha introducido una imagen adecuada en el directorio images de la colección ( collect\dlpeople\images en nuestro ejemplo).

Guarde el archivo de configuración de la colección y ciérrelo; no lo necesitará de nuevo en este manual de instrucciones.

La siguiente fase consiste en “crear” la colección, es decir, elaborar todos los índices y archivos que permiten su funcionamiento. Teclee perl –S buildcol.pl en el indicador de comandos para acceder a una lista de opciones de creación de colección, que se explican más detalladamente en la Sección 1.3. Por ahora, cíñase a los valores por defecto y teclee:

perl –S buildcol.pl dlpeople

Una vez más, no se preocupe por los textos de “informe de progresión” que desfilan por la pantalla.

Active la colección como sigue:

seleccione el contenido del directorio building de la colección dlpeople y arrástrelo hasta el directorio index.

Como alternativa, puede suprimir el directorio index (y todo su contenido) con el comando:

rd /s index         # con Windows NT/2000
deltree /Y index    # con Windows 95/98

y luego cambiar el nombre del directorio building por el de index tecleando:

ren building index

Por último, teclee:

mkdir building

en preparación para cualquier recreación futura. Es importante que estos comandos se efectúen en el directorio correcto (a diferencia de los comandos mkcol.plimport.pl y buildcol.pl de Greenstone). Si el directorio que se encuentra en uso no es dlpeople, teclee cd “%GSDLHOME%\collect\dlpeople” antes de proceder a la secuencia de operaciones rdren y mkdir antes expuestas.

Debería poder acceder a la colección recién creada desde la página principal de Greenstone. Tendrá que volver a cargar la página si ya la había abierto en su navegador, o tal vez incluso tenga que cerrar el navegador y arrancarlo de nuevo (para evitar problemas de “ cache ”). En cambio, si está utilizando la versión “Biblioteca Local” de Greenstone tendrá que volver a arrancar el programa library. Para visualizar la nueva colección, haga clic en la imagen. El resultado debería parecerse a la Figura 3.

Figure 2  Icono de la colección


En resumen, los comandos que se han de teclear para general la colección dlpeople son los siguientes:

cd “C:\Program Files\gsdl” # se supone la ubicación por defecto
setup.bat
perl –S mkcol.pl –creator me@cs.waikato.ac.nz dlpeople
cd “%GSDLHOME%\collect\dlpeople”
xcopy /s d:\collect\dlpeople\* import # se supone la unidad D
perl –S import.pl dlpeople
perl –S buildcol.pl dlpeople
rd  /s index               # con Windows NT/2000
deltree  /Y index          # con Windows 95/98
ren building index
mkdir building

Creación de colecciones bajo Unix

En primer lugar vaya al directorio donde está instalado Greenstone. Por ejemplo, si Greenstone está instalado en vuestro directorio de inicio de sesión, con su nombre por defecto, puede dirigirse allí tecleando

cd ~/gsdl

Luego en el indicador, teclee

source setup.bash   # si está utilizando el shell BASH
source setup.csh    # si está utilizando el shell C

Estos archivos de ejecución por lotes (que puede usted leer si lo desea) indican al sistema dónde buscar los programas Greenstone. Si más adelante, durante su sesión de introducción de líneas de comando en Greenstone, desea volver al directorio principal de Greenstone, puede hacerlo escribiendo cd $GSDLHOME.

Si no está seguro del tipo de intérprete de comandos (shell) que está utilizando, teclee echo $0 en su indicador de línea de comandos y obtendrá la información buscada. Si utiliza un intérprete de comandos diferente, contacte a su administrador de sistema para que le asesore.

Una vez localizado el archivo de instalación adecuado, estamos en condiciones de constituir, crear y recrear colecciones. El primer programa que examinaremos es el programa Perl mkcol.pl, cuyo nombre corresponde a “make a collection” (constituir una colección). En primer lugar, active el programa escribiendo sólo mkcol.pl para obtener en pantalla una descripción de la sintaxis y una lista de argumentos. Como puede comprobarlo en el mensaje que aparece, el único argumento necesario es creator, que se utiliza para especificar quién ha creado la colección.

Figure 3  Página “Acerca de” de la nueva colección


Utilicemos ahora este comando para crear los archivos y subdirectorios iniciales necesarios para nuestra colección de las páginas personales de los miembros del proyecto de Biblioteca Digital Greenstone. Para asignar a la colección el nombre dlpeople, esto fue lo que escribí:

mkcol.pl –creatorme@cs.waikato.ac.nzdlpeople

¡No olvide sustituir mi dirección de correo electrónico por la suya!

Para poder visualizar los archivos recién creados, vaya al directorio recién creado de la colección tecleando:

cd $GSDLHOME/collect/dlpeople

Puede acceder al contenido de este directorio tecleando ls. Debería haber siete subdirectorios: archives, building, etc, images, import, index y perllib.

Ahora debemos introducir documentos de muestra en la colección. Los documentos de origen para la colección dlpeople pueden encontrarse en el directorio collect\dlpeople del CD-ROM de distribución Greenstone. Para leer la información de un CD-ROM con Linux, inserte el disco en el lector y teclee:

mount /cdrom

en el indicador (este comando puede cambiar de un sistema a otro). Una vez montado, el CD-ROM puede usarse como cualquier otro directorio, por consiguiente puede teclear ls /cdrom/collect. Esto debería darle acceso a un directorio denominado dlpeople en el CD-ROM.

A continuación, copie el contenido del directorio /cdrom/collect/dlpeople en el directorio GSDLHOME/collect/dlpeople/import. Para ello, teclee el comando:

cp –r /cdrom/collect/dlpeople/*  import/

Luego teclee:

umount /cdrom

para cerrar la unidad del CD-ROM.

En el directorio etc de la colección hay un archivo denominado collect.cfg. Ábralo con el editor de texto que prefiera; emacs es un editor muy utilizado en Linux. El resultado debería parecerse a la Figura , que muestra el archivo de configuración de la colección creado mediante el comando mkcol.pl –creatorme@cs.waikato.ac.nz dlpeople.

Ahora puede “importar” la colección. Se trata del proceso por el que se traen los documentos al sistema Greenstone, normalizando el formato de los documentos, el modo en que se especifican los metadatos y la estructura de los archivos en que se almacenan los documentos. Teclee import.pl en el indicador para obtener una lista de todas las opciones del programa de importación. Para simplificar, limítese al comando básico

import.pl dlpeople

No se preocupe por el texto que desfila rápidamente en la pantalla: es sólo un informe de la progresión de la importación. Tenga en cuenta que importar esta colección lleva unos cinco minutos en una computadora de 1 GHz y, por consiguiente, más tiempo en máquinas más lentas. Obsérvese que no es necesario encontrarse en los directorios collect o dlpeople cuando se selecciona este comando, porque ya se ha introducido la variable GSDLHOME y el programa Greenstone puede encontrar todos los archivos necesarios.

Ahora vamos a introducir algunas modificaciones en el archivo de configuración de la colección para personalizar su apariencia. En primer lugar, demos un nombre a la colección. Será el que utilicen los navegadores Web como título de página de la portada de la colección, y servirá como icono de la colección si no se proporciona ninguna otra imagen. Sustituya la línea que dice collectionmeta collectionname “dlpeople” por algo como collectionmeta collectionname “Los miembro+s del proyecto NZDL”.

Añada una descripción de su colección entre las comillas de la línea collectionmeta collectionextra “”, la cual servirá como texto del Acerca de esta colección en la página principal de la colección. Yo escribí “Esta colección comprende las páginas personales de algunas de las personas que han colaborado en el proyecto NZDL”. Es importante escribir este texto en el editor en una sola línea: si el cursor llega al margen derecho de la ventana del editor no pulse la tecla “Intro” aunque tenga que añadir más texto; siga escribiendo de continuo, de lo contrario el archivo de configuración no podrá ser analizado correctamente. Si desea que su colección pueda utilizarse con diferentes interfaces de lenguas, existe una opción para que este texto aparezca de manera diferente según la interfaz lingüística elegida, que se describe más adelante en la Sección 1.3.

Puede utilizar cualquier imagen que pueda visualizarse en un navegador como icono de la colección; la imagen que yo creé se muestra en la Figura 2. Escriba la ubicación de la imagen entre las comillas de la línea collectionmeta iconcollection “” en el archivo de configuración. Como abreviación, y para contribuir a la portabilidad, puede utilizarse _ httpprefix_ como inicio de una dirección URL que remite a una imagen situada en la zona de archivos de Greenstone. Por ejemplo, puede usted escribir: _ httpprefix_/collect/dlpeople/images/icon.gif si ha introducido una imagen adecuada en el directorio images de la colección ( collect\dlpeople\images en nuestro ejemplo).

Guarde el archivo de configuración de la colección y ciérrelo; no lo necesitará de nuevo en este manual de instrucciones.

La siguiente fase consiste en “crear” la colección, es decir, elaborar todos los índices y archivos que permiten su funcionamiento. Teclee buildcol.pl en el indicador de comandos para acceder a una lista de opciones de creación de colección, que se explican más detalladamente en la Sección 1.3. Por ahora, cíñase a los valores por defecto por defecto y teclee:

buildcol.pl dlpeople

Una vez más, no se preocupe por los textos de “informe de progresión” que desfilan por la pantalla.

Active la colección trasladando al directorio index todos los datos que acaba de introducir en el directorio building de la colección. Si ya ha creado esta colección anteriormente, en primer lugar suprima el antiguo índice tecleando:

rm –r index/*

(suponiendo que se encuentre en el directorio dlpeople) en el indicador. A continuación teclee:

mv building/*  index/


Table 1  Diferencias entre Windows y Linux para la creación de colecciones

Windows

Linux

Ejecutar setup.bat para poder acceder a los programas Greenstone

Cargar setup.bash o setup.csh para poder acceder a los programas

Copiar los archivos del CD-ROM utilizando el administrador gráfico de archivos o los comandos de Windows

Copiar los archivos del CD-ROM utilizando mount y los comandos de Unix

El directorio index de la antigua colección se sustituye tecleando rd /s index, luego ren building index seguido de mkdir building, o utilizando el administrador de archivos gráficos.

 

El directorio index de la antigua colección se sustituye tecleando rm –r index/ * luego mv building/* index


Debería poder acceder a la colección recién creada desde la página principal de Greenstone. Tendrá que volver a cargar la página si ya la había abierto en su navegador, o tal vez incluso tenga que cerrar el navegador y arrancarlo de nuevo (para evitar problemas de “ cache ”). Para visualizar la nueva colección, haga clic en la imagen. El resultado debería parecerse a la Figura 3.

En resumen, los comandos que se han de teclear para generar la colección dlpeople son los siguientes:

cd ~/gsdl           # suponiendo que Greenstone está por defecto
# en vuestro directorio de inicio de sesión
source setup.bash   # si está utilizando el shell BASH
source setup.csh    # si está utilizando el shell C
mkcol.pl –creatorme@cs.waikato.ac.nzdlpeople
cd $GSDLHOME/collect/dlpeople
mount /cdrom        # suponiendo que el CD-ROM se asigna ahí
cp –r /cdrom/collect/dlpeople/ * import/
umount /cdrom
import.pl dlpeople
buildcol.pl dlpeople
rm –r index/*
mv building/* index

Diferencias entre Windows y Unix

El proceso de creación de una colección con Unix es muy parecido al de Windows, pero hay algunas pequeñas diferencias que se resumen en el Cuadro 1.

1.2 Directorios de Greenstone

En la Figura 4 se muestra la estructura del directorio GSDLHOME. En el Cuadro 2 se presenta una breve descripción del contenido de cada uno de los directorios que aparecen en el diagrama. En una sección ulterior del manual se detallan más algunos directorios; utilice la guía de secciones del Cuadro 2 para saber dónde hallar más información.

Figure 4  Estructura del directorio GSDLHOME



Table 2  Dónde encontrar información sobre los directorios

Contenido

Sección

bin

Código ejecutable, que incluye binarios en el directorio que lleva el nombre de su sistema operativo.

-

bin/script

Guiones Perl utilizados para crear y constituir colecciones (por ejemplo, import.pl y buildcol.pl). Para obtener una descripción de cualquiera de estos programas, teclee su nombre en el indicador de comandos.

1.3

perllib

Módulos Perl utilizados durante la importación y la creación (conectores, por ejemplo).

2.1

perllib/plugins

Código Perl para los conectores de tratamiento de documentos.

2.1

perllib/classify

Código Perl para clasificadores (por ejemplo, el código AZList que elabora una lista de documentos basada en el orden alfabético de un atributo).

2.2

cgi-bin

Todos los guiones CGI de Greenstone que se trasladan al directorio cgi-bin del sistema.

-

tmp

Directorio utilizado por Greenstone para almacenar archivos temporales.

-

etc

Archivos de configuración, registros de inicialización y de errores, bases de datos de autorización de usuarios.

-

src

Código C++ utilizado para suministrar colecciones a través de un servidor Web.

3

src/colservr

Código C++ para suministrar colecciones, responder a consultas y demás.

3.7

src/recpt

Código C++ para obtener consultas desde la interfaz de usuario y formatear las respuestas para esta interfaz.

3.8

packages

Códigos fuente para paquetes de programas informáticos ajenos a Greenstone pero utilizados por éste.

2.5

packages/mg

El código fuente de MG, programa de compresión e indización utilizado por Greenstone.

2.5

mappings

Cuadros de correspondencia Unicode (por ejemplo para los caracteres chinos GB).

-

macros

Los archivos de macros utilizados para la interfaz de usuario.

2.4

collect

Colecciones que se suministran a partir de este ejemplar de Greenstone.

1.1

lib

Código fuente C++ utilizado por el servidor de colección y por el recepcionista.

3.1

images

Imágenes utilizadas en la interfaz de usuario.

-

docs

Documentación.

-


1.3 Procesos de importación y de creación

En el proceso de creación de la colección explicado en la Sección 1.1 se utiliza un comando, import.pl, para importar los documentos y otro, buildcol.pl, para crear la colección. En esta sección ampliamos la información sobre las funciones y opciones de estos programas. Empleamos la variable nombre_col para referirnos a la colección en proceso de creación o importación.

Los procesos de importación y creación guardan muchas semejanzas y, por consiguiente, muchas de sus opciones, expuestas en el Cuadro 3, son iguales. (Recuerde que para ver las opciones de cualquier guión de Greenstone sólo tiene que escribir su nombre sin opciones en el indicador de comandos).


Table 3  Opciones de los procesos de importación y de creación
 

Argumento

Función

-verbosity

Número 0-3

Controla la cantidad de información sobre el proceso que se visualiza como error estándar: 0 significa un poco, 3 mucho.

-archivedir

Nombre de directorio

Especifica dónde están almacenados los archivos en el Format de Archivo Greenstone (Greenstone Archive Files), esto es, dónde los guarda import.pl y donde los encuentra buildcol.pl. El valor por defecto es GSDLHOME/collect/nombre_col/archives.

-maxdocs

Número >0

Indica el número máximo de documentos que se pueden importar o crear. Esta opción es útil cuando se prueba el archivo de configuración de una nueva colección o se ensayan nuevos conectores.

-collectdir

Nombre de directorio

Especifica dónde se puede encontrar la colección. El valor por defecto es GSDLHOME/collect

-out

Nombre de archivo

Especifica un archivo en el que se escriben todos los mensajes producidos, que por defecto se visualizan como error estándar (esto es, en la pantalla). Opción útil cuando se trabaja con niveles de depuración.

-keepold

Ninguno

No suprime el resultado de la operación de importación o creación anterior. En caso de importación, no suprime el contenido del directorio archives ; en caso de creación, no suprime el contenido del directorio building.

-debug

Ninguno

Muestra la salida del conector en la salida estándar.


El proceso de importación

La principal función del proceso de importación es pasar los documentos de su formato original al Formato de Archivo Greenstone (Greenstone Archive Format), así como crear un archivo de resumen (denominado archives.inf) que se utilizará para crear la colección. import.pl necesita saber qué conectores se han de utilizar y dónde encontrar los archivos de los documentos originales. En el Cuadro 3 se muestran las opciones comunes de los procesos de importación y de creación; en el Cuadro 4 se presentan las opciones adicionales aplicables sólo al proceso de importación. La opción OIDtype requiere ciertas explicaciones. Cada documento tiene un identificador de objeto asociado ( Object Identifier) u OID. La mejor manera de calcularlo es que el programa desmenuce el contenido del documento ( hash). Sin embargo, este procedimiento es lento, por ello se propone una alternativa más sencilla ( incremental) que simplemente numera los documentos secuencialmente en el orden de importación (método por incremento gradual). Puede usted utilizar el método incremental para ir más rápido, pero debe emplear hash si quiere añadir documentos a su colección en una fecha ulterior (sin volver a importar).


Table 4  Opciones adicionales del proceso de importación
 

Argumento

Función

-importdir

Nombre de directorio

Indica dónde se puede encontrar el material que se ha de importar. El valor por defecto es GSDLHOME/collect/nombre_col/archives.

-removeold

Ninguno

Suprime el contenido del directorio archives antes de importar.

-gzip

Ninguno

Comprime los documentos de archivos de Greenstone producidos por import (ZIPPlug debe formar parte de la lista de conectores y gzip ha de estar instalado en su computadora).

-groupsize

Número >0

Número de documentos que se pueden reunir en un archivo en el Format de Archivo de Greenstone. El valor por defecto es 1 (esto es, un documento por archivo).

-sortmeta

Nombre de etiqueta de metadatos

Clasifica alfabéticamente los documentos según el contenido de la etiqueta de metadatos. Sin embargo, esta función queda invalidada si la colección tiene más de un grupo en la colección (por ejemplo, groupsize >1).

-OIDtype

hasho incremental

Método de creación de las OID para los documentos: hash desmenuza el contenido pero es lento; incremental simplemente asigna números de manera secuencial a los documentos y es más rápido.


Figure 5  Etapas del proceso de importación


La Figura 5 representa el proceso de importación efectuado por el programa import.pl. Cada óvalo representa un módulo utilizado para llevar a cabo tareas relacionadas con una parte específica del sistema Greenstone. Todos estos módulos pueden encontrarse en el directorio GSDLHOME/perllib.

En la etapa 3, nótese que las variables de importación como importdir y archivedir pueden definirse en el archivo de configuración de la colección o desde la línea de comandos. Si se definen desde la línea de comandos, se ignorarán todos los valores especificados en el archivo de configuración.

En la etapa 6 se crea el archivo de información de los archivos (archives.inf).

En la etapa 7 se crea un objeto que sabrá dónde guardar los documentos y obedecerá a todas las instrucciones especiales de memorización (tales como sortmeta, que clasifica los documentos según una etiqueta de metadatos especificada).

De hecho, la mayoría de las tareas del proceso de importación corren a cargo de conectores, que se activan mediante el módulo plugin. Dicho módulo establece una secuencia de los conectores especificados en el archivo de configuración de la colección y maneja asimismo la escritura de los documentos en el Formato de Archivo Greenstone (utilizando un objeto document).

El proceso de creación

Durante el proceso de creación de la colección se comprime el texto y se crean los índices de texto completo especificados en el archivo de configuración de la colección. Además, se calculan con antelación y se incorporan a la colección los datos relativos a la apariencia de la colección en Internet, por ejemplo las informaciones sobre los iconos y los títulos, así como la información producida por los clasificadores. buildcol.pl comparte numerosas opciones con import.pl, como se muestra en el Cuadro 3. En el Cuadro 5 se muestran otras que le son propias.


Table 5  Opciones adicionales del proceso de creación
 

Argumento

Función

-builddir

Nombre de directorio

Especifica dónde se ha de almacenar el resultado de la creación. (El valor por defecto es GSDLHOME/collect/nombre_col/building).

-index

Nombre del índice (por ejemplo, section:Title)

Especifica qué índices crear. El valor por defecto es la totalidad de los índices indicados en el archivo de configuración de la colección.

-allclassifications

Ninguno

Evita que el proceso de creación elimine las clasificaciones que no contienen documentos (por ejemplo, la clasificación “X” en los títulos, si no hay documentos cuyo título empiece por la letra X).

-create_images

Ninguno

Crea automáticamente los iconos de colección (para ello es necesario haber instalado GIMP y el módulo Gimp Perl).

-mode

all, compress_text, infodb, o build_index

Determina lo que debe hacer el proceso de creación. (El valor por defecto es all). all lleva a cabo una creación completa, compress_text sólo comprime el texto del documento, infodb crea una base de datos de informaciones sobre la colección (nombres, archivos, archivos asociados, información sobre la clasificación y otros) y build_index crea los índices especificados en el archivo de configuración de la colección o en la línea de comandos.

-no_text

 

No almacena texto comprimido. Esta opción es útil para minimizar el tamaño de los índices creados si desea visualizar siempre los documentos originales en el momento de la ejecución.


Figure 6  Etapas del proceso de creación


El diagrama de la Figura 6 representa la ejecución del programa buildcol.pl. Muchas de las etapas son iguales a las del proceso de importación. La primera que no coincide es la etapa 4 (a la izquierda), que sólo se ejecuta si se ha activado la opción create_images. A continuación, las imágenes se crean y se registran en el archivo de configuración de la colección mediante una función del guión buildcol.pl. Para que todo esto funcione adecuadamente, deben haberse instalado y configurado apropiadamente GIMP ( GNU Image Manipulation Program, o Programa de manipulación de imágenes de GNU) y el módulo Gimp Perl. Debe existir asimismo un permiso de escritura (así como de lectura) al archivo de configuración de la colección.

En la etapa 5 se comprueba primero si existe un proceso de creación específico de la colección. Algunas colecciones requieren un tratamiento especial durante la creación, en cuyo caso se debe escribir un creador específico de la colección y colocarlo en su directorio perllib, que lleva el nombre de la colección seguido de “ builder ” (creador). Los creadores específicos de colección provienen de mgbuilder. En la etapa 5, se inicializa el creador (ya sea el instalado por defecto o uno específico de la colección) con información sobre el número de documentos que se va a incluir, el mantenimiento o no de la antigua versión de la colección y la ubicación de los directorios building y archive.

La etapa 6 es la de la creación. El texto de los documentos se comprime y se indiza, los títulos y los iconos se almacenan en una base de datos de informaciones de la colección y se crean las estructuras de datos para apoyar los clasificadores activados por los conectores de la colección. El archivo mgbuilder (o el creador específico de la colección) maneja todas esas etapas y utiliza el programa MG (“ Managing Gigabytes ”, o gestión de gigabytes; véase Witten et al., 1999) para comprimir e indizar.

La opción mode permite especificar las partes de la colección que se crean, pero por defecto se crea todo: el texto comprimido, los índices y las bases de datos de informaciones de colección.

Una vez concluido el proceso de creación, si desea que la colección pueda consultarse en Internet, es preciso trasladarla del directorio building de la colección al directorio index. Las colecciones no se crean directamente en el directorio index porque la creación de las colecciones voluminosas puede tardar horas o días. Es importante que el proceso de creación no afecte una copia existente de la colección hasta que la operación no haya concluido.

1.4 Documentos en el Formato de Archivo Greenstone

Todos los documentos de origen se importan al sistema Greenstone después de su conversión en el Formato de Archivo Greenstone, que es un estilo XML que divide los documentos en secciones y puede contener metadatos para cada documento o sección. No tendrá que crear manualmente los archivos en el Format de Archivo Greenstone, ya que los conectores que tratan los documentos cumplen esta función, tal como se explica en el capítulo siguiente. Sin embargo, puede resultar útil comprender el formato de los archivos Greenstone, que describimos a continuación.

En XML, las etiquetas van entre corchetes angulares para el marcado. El Formato de Archivo Greenstone codifica los documentos que ya están en HTML, y todos los signos <, > o “ incluidos en el texto original se eluden mediante la convención estándar &lt;, &gt; y &quot;.

Figure 7 (a) Definición de tipo de documento (DTD);   Formato de Archivo Greenstone:
<!DOCTYPE GreenstoneArchive [
  <!ELEMENT Section (Description,Content,Section*)>
  <!ELEMENT Description (Metadata*)>
  <!ELEMENT Content (#PCDATA)>
  <!ELEMENT Metadata (#PCDATA)>
  <!ATTLIST Metadata name CDATA #REQUIRED>
]>

Figure 7 (b) Documento de ejemplo.  
<?xml version="1.0" ?>
<!DOCTYPE GreenstoneArchive SYSTEM
"http://greenstone.org/dtd/GreenstoneArchive/1.0/GreenstoneArchive.dtd">
<Section>
  <Description>
    <Metadata name="gsdlsourcefilename">ec158e.txt</Metadata>
    <Metadata name="Title">Freshwater Resources in Arid Lands</Metadata>
    <Metadata name="Identifier">HASH0158f56086efffe592636058</Metadata>
    <Metadata name="gsdlassocfile">cover.jpg:image/jpeg:</Metadata>
    <Metadata name="gsdlassocfile">p07a.png:image/png:</Metadata>
  </Description>
  <Section>
    <Description>
      <Metadata name="Title">Prólogo</Metadata>
    </Description>
    <Content>
      Eso es el texto del prólogo
    </Content>
  </Section>
  <Section>
    <Description>
      <Metadata name="Title">Primer y único capítulo</Metadata>
    </Description>
    <Section>
      <Description>
        <Metadata name="Title">Parte 1</Metadata>
      </Description>
      <Content>
        Eso es la primera parte del primer y único capítulo
      </Content>
    </Section>
    <Section>
      <Description>
        <Metadata name="Title">Parte 2</Metadata>
      </Description>
      <Content>
        Eso es la segunda parte del primer y único capítulo
      </Content>
    </Section>
  </Section>
</Section>

En la Figura 7a se muestra la definición de tipo de documento (DTD) XML para el Formato de Archivo Greenstone. Básicamente, un documento se divide en Sections (Secciones), que pueden a su vez subdividirse. Cada Section tiene una Description (descripción) que comprende cero o varios elementos Metadata (metadatos) y una parte Content (contenido) (que puede estar vacía), donde se guardan los datos propiamente dichos del documento. Cada elemento Metadata va asociado con un atributo de nombre (puede ser cualquier nombre) y algunos datos textuales. En XML, PCDATA corresponde a “ parsed character data ” (datos de caracteres analizados), es decir, básicamente texto.

En la Figura 7b se muestra un documento simple escrito en este formato, que es un pequeño libro con dos imágenes asociadas. El libro tiene dos secciones denominadas Prólogo y Primer y único capítulo respectivamente; la segunda sección se divide en dos subsecciones. Obsérvese que no existe noción de “capítulo” como tal: se lo representa simplemente como una sección de nivel superior.


Table 6  Formato de Archivo Greenstone: Valores del atributo name de la etiqueta Metadata.

gsdlsourcefilename

Archivo original a partir del cual se generó el archivo de archivo de Greenstone

gsdlassocfile

Archivo asociado con el documento (un archivo gráfico, por ejemplo)


La etiqueta <Section> indica el principio de cada sección del documento y la correspondiente etiqueta de cierre </Section> señala el final de dicha sección. Tras cada etiqueta <Section> hay una sección <Description> que incluye una serie cualquiera de elementos <Metadata>. De este modo, se pueden asociar diferentes metadatos con las distintas secciones de un documento. En su mayoría son tipos particulares de metadatos, como “Title” (título), por ejemplo. Los dos valores del atributo name (nombre) que se muestran en el Cuadro 6 reciben un tratamiento especial por parte de Greenstone; todos los demás se consideran metadatos vinculados a esa sección.

En algunas colecciones, los documentos están divididos en páginas que se tratan como secciones. Por ejemplo, un libro puede contener secciones de primer nivel que corresponden a los capítulos, en los que se definen una serie de “secciones” que, en realidad, corresponden a las diferentes páginas del capítulo.

Metadatos del documento

Los metadatos son información descriptiva asociada a un documento, como por ejemplo, autor, título, fecha, palabras clave, etc. Ya se ha mencionado que los metadatos se almacenan con los documentos. En la Figura 7a se puede ver que las etiquetas <Metadata> especifican el nombre del tipo de metadatos y les asignan un valor. Un ejemplo es la línea < Metadata name=“Title” > Primer y único capítulo</Metadata > de la Figura 7b: el título de un documento es un elemento de metadato asociado a él. Se utiliza la norma de metadatos Dublin Core para definir los tipos de metadatos (Dublin Core, 2001; Weibel, 1999; Thiele, 1997)

En el Cuadro 7 se muestran los tipos de metadatos disponibles en la norma; los que van señalados con un asterisco se utilizan en las colecciones que se pueden consultar actualmente en el sitio Web de la Biblioteca Digital de Nueva Zelandia. Si ninguno de estos tipos corresponde exactamente a una clase determinada de metadatos, se pueden utilizar también otros tipos de metadatos que no figuran en la norma Dublin Core. Por ejemplo, la colección de demostración contiene los metadatos how to (Cómo...) y Magazine (Revista).


Table 7  Norma de metadatos Dublin Core

Nombre

Subetiqueta de metadato

Definición

*Título

Title

Nombre que se da al recurso

*Creador

Creator

Entidad encargada principalmente de crear el contenido del recurso

*Tema y palabras clave

Subject

Tema del contenido del recurso

*Descripción

Description

Explicación del contenido del recurso

*Editor

Publisher

Entidad encargada de publicar el recurso

Contribuidor

Contributor

Entidad encargada de aportar contribuciones al contenido del recurso

*Fecha

Date

Fecha en que se publicó el recurso o cualquier otra fecha importante asociada con el recurso.

Tipo de recurso

Type

Índole o tipo del contenido del recurso

Formato

Format

Representación física o digital del recurso

*Identificador de recurso

Identifier

Referencia inequívoca al recurso en un contexto determinado: se trata del identificador de objeto u OID

*Fuente

Source

Referencia a un recurso del que deriva el presente recurso

*Lengua

Language

Lengua del contenido intelectual del recurso

Relación

Relation

Referencia a un recurso conexo

*Cobertura

Coverage

Extensión o alcance del contenido del recurso

Gestión de los derechos

Rights

Información sobre los derechos relacionados con el recurso o atinentes a éste


Los documentos en el Format de Archivo de Greenstone vistos por dentro

El Formato de Archivo de Greenstone impone poca estructura a los documentos individuales. Los documentos se dividen en párrafos. Pueden subdividirse jerárquicamente en secciones y subsecciones que pueden a su vez subdividirse indefinidamente. Cada documento va asociado con un identificador de objeto u OID que también sirve para identificar las secciones y subsecciones mediante números separados por puntos en los OID de los documentos. Por ejemplo, el OID HASHa7.2.3 se referirá a la subsección 3 de la sección 2 del documento HASHa7.

Cuando se lee un libro en una colección de Greenstone, la jerarquía de las secciones figura en el índice del libro. Por ejemplo, los libros de la colección de demostración disponen de un índice jerárquico compuesto de capítulos, secciones y subsecciones como se muestra en la Figura 8a. Los documentos de la colección Computer Science Technical Reports no presentan una estructura jerárquica en subsecciones, pero cada documento está dividido en páginas y se puede navegar por las páginas de un documento recuperado. Los capítulos, las secciones, las subsecciones y las páginas se consideran simplemente “secciones” del documento.

Figure 8 (a)   Estructura jerárquica de la colección de demostración


Figure 8 (b)   Estructura jerárquica de la colección de demostración


La estructura del documento sirve también para los índices de búsqueda. Existen tres niveles posibles de índices: documentosección y párrafo, aunque la mayoría de las colecciones no utilizan los tres niveles. Un índice de documento contiene el documento completo; se lo utiliza para encontrar todos los documentos en los que figura un conjunto determinado de palabras (los términos pueden estar repartidos por todo el documento, lejos unos de otros). Cuando se crea un índice de sección, cada porción de texto que se indiza se extiende desde una etiqueta <Section> hasta la siguiente etiqueta <Section>; por consiguiente, un capítulo que empieza directamente con una nueva sección producirá un documento vacío en el índice. Las secciones y subsecciones se tratan de la misma manera: la estructura jerárquica del documento se allana con objeto de crear índices de búsqueda. Para los índices de párrafos, útiles para búsquedas más específicas, cada párrafo se considera un documento aparte.

En el menú desplegable de la Figura 8b se muestran los índices de búsqueda de la colección de demostración. Los “capítulos” y los “títulos de las secciones” son índices de nivel de la sección, mientras que los “libros enteros” son índices de nivel del documento. Al igual que los índices de texto, se pueden crear índices de cualquier tipo de metadatos. Por ejemplo, algunas colecciones proponen índices de búsqueda de títulos de sección, como se muestra en la Figura 8b.

1.5 Archivo de configuración de la colección

El archivo de configuración de la colección rige la estructura de una colección tal como la ve el usuario, lo que permite personalizar su aspecto y estilo, así como el modo en que se tratan y presentan los documentos. Cuando usted ejecuta mkcol.pl, se crea un simple archivo de configuración de colección en el que queda registrada su dirección electrónica como creador y responsable de la actualización. Recuérdese que el argumento creator es obligatorio, y a menos que se especifique por separado, se registra la misma información para el elemento maintainer (actualizador).


Table 8  Elementos del archivo de configuración de la colección
creator

Dirección electrónica del creador de la colección

maintainer

Dirección electrónica del actualizador de la colección

public

Determina si la colección va a ponerse a disposición del público o no

beta

Determina si la colección es una versión beta o no

indexes

Lista de índices por crear

defaultindex

Índice por defecto

subcollection

Define una subcolección basada en metadatos

indexsubcollections

Especifica qué subcolecciones indizar

defaultsubcollection

Índice de subcolección por defecto

languages

Lista de lenguas en las que hay que crear los índices

defaultlanguage

Índice de lengua por defecto

collectionmeta

Define los metadatos al nivel de la colección

plugin

Especifica un conector que habrá de utilizarse durante la creación

format

Cadena de formato (se explica más adelante)

classify

Especifica un clasificador que habrá de utilizarse durante la creación


Cada línea del archivo de configuración de colección es básicamente un par “atributo, valor”. Cada atributo aporta una parte de información sobre la colección que determina su apariencia y el modo en que se van a tratar los documentos. En el Cuadro 8 se muestran los elementos que se pueden incluir en un archivo de configuración de colección y su utilización. Además, se pueden especificar todas las opciones de línea de comandos de los programas import.pl y buildcol.pl en un archivo de configuración de colección; por ejemplo, una línea que diga no_text true propondrá la opción no_text de buildcol.pl.

El archivo de configuración de la colección creado por la secuencia de comandos mkcol.pl, que se muestra en el Cuadro 9, es muy simple y no contiene sino la información estrictamente necesaria. Las líneas 1 y 2, que proceden del valor creator suministrado al programa mkcol.pl, contienen las direcciones electrónicas de la persona encargada de la creación de la colección y de la persona encargada de actualizarla (no es necesariamente la misma).


Table 9  Archivo de configuración de colección creado mediante mkcol.pl

Atributo

Valor

1
creator

nombre_del_usuario@email.com

2
maintainer

nombre_del_usuario@email.com

3
public

True

4
beta

True

5
indexes

document:text

6
defaultindex

document:text

7
plugin

ZIPPlug

8
plugin

GAPlug

9
plugin

TextPlug

10
plugin

HTMLPlug

11
plugin

EMAILPlug

12
plugin

ArcPlug

13
plugin

RecPlug

14
classify

AZList metadata Title

15
collectionmeta

collectioname “colección de muestras”

16
collectionmeta

iconcollection ""

17
collectionmeta

collectionextra ""

18
collectionmeta

.document:text "documents"


La línea 3 indica si la colección se pondrá a disposición del público una vez creada, mediante los valores true (el parámetro por defecto, que significa que la colección se podrá consultar públicamente) o false (que significa lo contrario). Esta última opción es útil cuando se crean colecciones para probar programas o para uso personal. La línea 4 indica si la colección es beta o no (el valor por defecto también es true (verdadero), lo que significa que la colección es una versión beta).

La línea 5 determina los índices de colección que han de constituirse en el momento de la creación: en este ejemplo sólo se indizará el texto del documento. Existen tres niveles posibles de índices: document ( documento )section ( sección ) y paragraph ( párrafo ). Pueden contener datos en formato text (texto) o en cualquier tipo de metadatos, por lo general Title (título). La forma que se utiliza para especificar el tipo de índice es nivel:datos. Por ejemplo, para incluir también un índice de títulos de sección, habría que sustituir la línea 5 por indexes document:text section:Title. Se puede incluir más de un tipo de datos en el mismo índice separando los tipos de datos por comas. Por ejemplo, para crear un índice en el nivel de sección que incluya títulos, texto y datos, la línea debería rezar indexes section:text,Title,Date. El índice por defecto que se define en la línea 6 es el valor por defecto que se utiliza en la página de búsqueda de la colección.

Las líneas 7-13 especifican los conectores que se han de utilizar para convertir los documentos en el Formato de Archivo Greenstone y para crear colecciones a partir de archivos en el Formato de Archivo Greenstone. En la Sección 2.1 se proporciona información sobre los conectores disponibles. Los conectores se prueban en cada documento siguiendo el orden de su enumeración y cuando se encuentra un conector capaz de tratar un documento, no se prueba ninguno más.

La línea 14 especifica que se va a crear una lista alfabética de títulos para facilitar la consulta. Las estructuras de consulta están compuestas por “clasificadores”. En la Sección 2.2 se proporciona información sobre los clasificadores y sus funciones.

Las líneas 15-18 sirven para especificar los metadatos de nivel de colección. Se utiliza la forma larga del collectionname como “título” de la colección para el navegador de Internet. El atributo collectionicon proporciona la URL del icono de la colección. Si se especifica un índice (como en la línea 18), la cadena siguiente aparece en la página de búsqueda de la colección como el nombre de ese índice. Un metadato de nivel de colección particularmente importante es collectionextra, que suministra un texto entrecomillado en que se describe la colección. Este atributo aparecerá como texto en “Acerca de esta colección”. Se pueden introducir distintas versiones de collectionextra para las diferentes interfaces lingüísticas añadiendo la especificación de la lengua entre corchetes. Por ejemplo:

collectionmeta collectionextra “descripción de la coleción”

collectionmeta collectionextra [l=fr] “descripción en francés”

collectionmeta collectionextra [l=mi] “descripción en maorí”

Si se introduce “fr” o “mi” como idioma de la interfaz, aparecerá en pantalla la correspondiente versión lingüística de la descripción. Para otras lenguas aparecerá la versión por defecto.

Este archivo simple de configuración de colección no incluye ningún ejemplo de cadenas de formato, ni de las posibilidades de subcolección o de idiomas que ofrece el archivo de configuración. Las cadenas de formato se examinan más en detalle en la Sección 2.3, pero las subcolecciones y las posibilidades lingüísticas se abordarán en este capítulo.

Las subcolecciones

Greenstone le permite definir subcolecciones y crear índices separados para cada una. Por ejemplo, en una colección hay un amplio subconjunto de documentos denominado Food and Nutrition Bulletin (boletín de los alimentos y la nutrición). Utilizaremos esta colección como ejemplo.

Esta colección posee tres índices, todos de nivel de sección: el primero para toda la colección, el segundo para el Food and Nutrition Bulletin y el tercero para el resto de los documentos. A continuación se presentan las correspondientes líneas del archivo de configuración de la colección:

indexes                    section:text
subcollection       fn “Title/^Food and Nutrition Bulletin/i”
subcollection       other “!Title/^Food and Nutrition Bulletin/i”
indexsubcollections        fn     other  fn,other

La segunda y la tercera líneas definen las subcolecciones denominadas fn, que contendrá los documentos de Food and Nutrition Bulletin, y other, que contendrá el resto de los documentos. El tercer campo de estas definiciones es una expresión regular en Perl que identifica estos subconjuntos mediante el metadato Title : en el primer caso, buscamos títulos que empiecen por Food and Nutrition Bulletin y, en el segundo, otros títulos que no empiezan así (obsérvese el “!”). La i final permite que la búsqueda se haga sin distinción entre mayúsculas y minúsculas. El campo de metadatos, en este caso Title, puede ser cualquier campo válido, o Filename (nombre de archivo) que coincida con el nombre de archivo original del documento. La cuarta línea, indexsubcollections, especifica tres índices: uno para la subcolección fn, otro para la subcolección other, y el tercero para ambas subcolecciones (esto es, para todos los documentos). Obsérvese que si se hubiesen especificado dos entradas en la línea indexes, el número total de índices generado hubiese sido seis en lugar de tres.

Si una colección contiene documentos en distintas lenguas, se pueden crear índices separados para cada lengua. La lengua es una instrucción de metadato; los valores se especifican a través de la norma ISO 639 que consta de un código de dos letras para representar los idiomas, por ejemplo, en para inglés, zh para chino y mi para maorí. Puesto que los valores de los metadatos pueden especificarse en el nivel de la sección, las diferentes partes de un documento pueden estar en distintos idiomas.

Por ejemplo, si el archivo de configuración incluyese:

indexes section:text section:Title document:text paragraph:text
languages en zh mi

los índices correspondientes al texto de la sección, al título de la sección, al texto del documento y al texto de los párrafos se crearían en inglés, chino y maorí: doce índices en total. Si se añaden un par de subcolecciones se multiplica de nuevo el número de índices. Es preciso tener cuidado a fin de evitar recargar el índice.

(Esta especificación del índice podría definirse mediante la función subcollection en vez de la función languages. Sin embargo, como la sintaxis impide crear subcolecciones de subcolecciones, sería imposible indizar cada lengua por separado en las subcolecciones.)

Búsqueda transversal en las colecciones

Greenstone tiene una función de “búsqueda transversal en las colecciones” que permite buscar en varias colecciones a la vez y combinar los resultados “entre bastidores” como si se estuviera buscando en una sola colección unificada. Se puede buscar en cualquier subconjunto de colecciones: la página de Preferencias le permite elegir las colecciones que se han de incluir en las búsquedas.

La búsqueda transversal en las colecciones se activa mediante la línea siguiente:

supercollection col_1 col_2 ...

en que las colecciones en cuestión se denominan col_1col_2, ... La misma línea debe figurar en el archivo de configuración de cada una de las colecciones en cuestión.

2 EXPLOTACIÓN ÓPTIMA DE SUS DOCUMENTOS

Las colecciones pueden personalizarse para que la información que contienen sea accesible de distintas maneras. En este capítulo se explica la manera en que Greenstone extrae la información de los documentos y la presenta al usuario: el tratamiento de los documentos (Sección 2.1), las estructuras de clasificación (Sección 2.2) y las herramientas de la interfaz de usuario (Secciones 2.3 y 2.4).

2.1 Conectores (plugins)

Los conectores analizan los documentos importados y extraen los metadatos. El conector HTML, por ejemplo, convierte las páginas HTML en el Formato de Archivo Greenstone y extrae los metadatos que están explícitos en el formato del documento, como los títulos entre etiquetas <title> </title>.

Los conectores se escriben en lenguaje Perl. Todos proceden de un conector básico denominado BasPlug, que realiza todas las operaciones necesarias como crear un nuevo documento en el Formato de Archivo Greenstone con que trabajar, asignar un identificador de objeto (OID) y manejar las secciones de un documento. Los conectores se guardan en el directorio perllib/plugins.

Para saber más sobre un conector cualquiera, escriba pluginfo.pl nombre-de-conector en la línea de comandos. (Es preciso que active primero el guión de configuración – setup --adecuado, si aún no lo ha hecho, y en Windows ha de teclear perl  –S pluginfo.pl nombre de conector si su sistema no está configurado para reconocer los archivos que terminan en .pl como ejecutables de Perl). Aparece entonces en la pantalla la información sobre el conector: qué opciones específicas admite y qué opciones generales se autorizan.

Puede usted escribir fácilmente nuevos conectores para tratar formatos de documentos que los conectores existentes no manejan, formatear documentos de determinada manera o extraer un nuevo tipo de metadatos.

Opciones generales

En el Cuadro 10 se muestran las opciones que admite cualquier conector derivado de BasPlug.


Table 10  Opciones válidas para todos los conectores
input_encoding

Codificación de los caracteres utilizados en los documentos de origen. Por defecto Greenstone averigua automáticamente la codificación de cada documento. Sin embargo, algunas veces conviene definir este valor. Por ejemplo, si se sabe con certeza que todos los documentos están en ASCII, el hecho de establecer la codificación de los datos de entrada en ascii incrementa considerablemente la velocidad de importación y creación de la colección. Hay muchos valores posibles: teclee pluginfo.pl BasPlug para obtener una lista completa.

default_encoding

Codificación utilizada si input_encoding está en auto y falla la detección automática de la codificación.

process_exp

Expresión regular en Perl para detectar los nombres de archivo (por ejemplo, para localizar un tipo determinado de extensión de archivo). Esto determina qué archivos debe tratar un conector. Todo conector tiene una extensión por defecto (el valor por defecto de HTMLPlug es (?i).html?, o sea, cualquier archivo con la extensión .htm o .html).

block_exp

Una expresión regular para detectar los nombres de archivo que no van a pasarse a otros conectores. Esta operación puede evitar la aparición de mensajes de error molestos sobre archivos que no interesan. Algunos conectores tienen expresiones de bloqueo por defecto, por ejemplo, HTMLPlug bloquea los archivos con extensiones .gif.jpg.jpeg.png.rtf y .css.

cover_image

Busca un archivo .jpg (con el mismo nombre que el archivo en curso de tratamiento) y lo asocia con el documento como imagen de portada.

extract_acronyms

Extrae siglas de los documentos y las añade como metadatos a los correspondientes documentos en el Formato de Archivo Greenstone.

markup_acronyms

Añade información sobre las siglas al texto del documento.

extract_language

Identifica la lengua de cada documento y la asocia como metadato. Obsérvese que esto se hace de forma automática si la opción input_encoding está en posición auto.

default_language

Si falla la extracción automática de la lengua, el metadato de lengua adopta este valor.

first

Extrae una lista separada por comas de la primera porción de texto y la incorpora como metadato FirstNNN (se utiliza a menudo como sustituto del Title).

extract_email

Extrae las direcciones electrónicas y las añade como metadatos del documento.

extract_date

Extrae las fechas relacionadas con el contenido de documentos históricos y los incluye como metadatos de tipo Coverage.


Conectores de tratamiento de documentos


Table 11  Conectores de Greenstone

Objetivo

Tipos de archivo

Ignora archivos

Generales

ArcPlug

Trata los archivos mencionados en el archivo archives.inf, que se utiliza como vector de comunicación entre los procesos de importación y de creación. Debe incluirse (a menos que no se vaya a utilizar import.pl)

-

-

RecPlug

Explora recursivamente una estructura de directorios para comprobar si un nombre de archivo corresponde a un directorio y, de ser así, insertar todos los archivos del directorio en la secuencia de los conectores. Asigna metadatos si la opción –use_metadata_files está activada y los archivos metadata.xml están presentes.

-

-

GAPlug

Trata los archivos en el Formato de Archivo Greenstone generados por import.pl. Debe incluirse (a menos que no se vaya a utilizar import.pl).

.xml

-

TEXTPlug

Trata texto sin formato colocándolo entre etiquetas <pre> </pre> (tratándolo como si estuviera previamente formateado).

.txt, .text

-

HTMLPlug

Trata el HTML, sustituyendo adecuadamente los hipervínculos. Si el documento al que apunta el hipervínculo no se encuentra en la colección, se inserta una página intermedia que avisa al usuario de que está saliendo de la colección. Extrae los metadatos ya disponibles, como Title.

.htm, .html, .cgi, .php, .asp, .shm, .shtml

.gif, .jpeg, .jpg, .png, .css, .rtf

WordPlug

Trata los documentos en formato Word de Microsoft, extrae el autor y el título cuando están disponibles y mantiene los diagramas e imágenes en sus lugares adecuados. Las aplicaciones de conversión utilizadas por este conector generan algunas veces HTML mal formateados y, por consiguiente, le recomendamos que proporcione los documentos originales para su visualización cuando cree colecciones de archivos WORD. Sin embargo, el texto que se extrae de los documentos es apropiado a efectos de búsqueda e indización.

.doc

.gif, .jpeg, .jpg, .png, .css, .rtf

PDFPlug

Trata documentos PDF y extrae la primera línea del texto como título. El programa pdftohtml no logra tratar algunos archivos PDF. Lo que ocurre es que el proceso de conversión lleva un tiempo excesivo y a menudo aparece en pantalla un mensaje de error al respecto. Si esto ocurre, la única solución que podemos proponerle es suprimir de la colección el documento problemático y volverla a importar.

.pdf

.gif, .jpeg, .jpg, .png, .css, .rtf

PSPlug

Trata documentos PostScript y opcionalmente extrae los metadatos de fecha, título y número de página.

.ps

.eps

EMAILPlug

Trata los mensajes de correo electrónico y reconoce el autor, el asunto, la fecha, etc. Este conector aún no maneja adecuadamente los correos electrónicos codificados con MIME; aunque son legibles, suelen tener un aspecto bastante extraño.

Debe terminar por dígitos o por dígitos seguidos de .Email

-

BibTexPlug

Trata los archivos bibliográficos en formato BibTeX

.bib

-

ReferPlug

Trata los archivos bibliográficos en formato refer

.bib

-

SRCPlug

Trata los archivos de código fuente

Makefile, Readme, .c, .cc, .cpp, .h, .hpp, .pl, .pm, .sh

.o, .obj, .a, .so, .dll

ImagePlug

Trata los archivos de imágenes para crear una biblioteca de imágenes. Sólo funciona con UNIX.

.jpeg, .jpg, .gif, .png, .bmp, .xbm, .tif, .tiff

-

SplitPlug

Como BasPlug y ConvertToPlug, este conector no debe activarse directamente; en cambio, puede ser heredado por conectores que necesiten tratar archivos que contengan varios documentos

-

-

FOXPlug

Trata los archivos dbt de FoxBASE

.dbt, .dbf,

-

ZIPPlug

Descomprime archivos gzipbzipzip y tar siempre que se disponga de las herramientas GNU adecuadas

.gzip, .bzip, .zip, .tar, .gz, .bz, .tgz, .taz

-

Específicos de una colección

PrePlug

Trata la salida HTML utilizando PRESCRIPT y divide los documentos en páginas para la colección Computer Science Tecnical Reports

.html, .html.gz

-

GBPlug

Trata el texto electrónico del Proyecto Gutenberg, que incluye información sobre títulos introducida manualmente.

.txt.gz, .html, .htm

-

TCCPlug

Trata los documentos de correo electrónico procedentes de Computists´ Weekly (el semanario de los informáticos)

Debe empezar por tcc o cw

-


Los programas de creación de colección utilizan conectores de tratamiento de documentos para analizar los documentos de origen en función de su formato. En el archivo de configuración de colección se enumeran todos los conectores utilizados durante el proceso de creación. Durante la operación de importación, cada archivo o directorio pasa uno a uno por todos los conectores, siguiendo el orden establecido, hasta que encuentra uno que puede tratarlo; así pues, los primeros conectores de la lista tienen prioridad sobre los últimos. Si ningún conector puede tratar el archivo, aparece un aviso (en error estándar) y el tratamiento pasa al archivo siguiente. (En este caso la opción block_exp puede resultar útil a fin de evitar estos mensajes de error para los archivos que pueden estar presentes pero no necesitan tratamiento.) Durante la etapa de creación de la colección se aplica el mismo procedimiento, pero se trata el directorio archives en lugar del directorio import.

Los conectores estándar de Greenstone se enumeran en el Cuadro . Es preciso utilizar un procedimiento recursivo para recorrer transversalmente jerarquías de directorios. Aunque los programas de importación y creación no efectúan una recursión explícita, algunos conectores provocan una recursión indirecta al introducir nombres de archivos o de directorios en la secuencia de los conectores. Por ejemplo, el modo estándar de recursión a través de una jerarquía de directorio consiste en especificar RecPlug, que realiza exactamente esta operación. Si está presente, debería ser el último elemento en la secuencia. Sólo los dos primeros conectores del Cuadro provocan una recursión indirecta.

Algunos conectores están escritos para colecciones específicas que tienen un formato de documento que no se encuentra en ninguna otra parte, como el texto electrónico utilizado en la colección Gutenberg. Estos conectores específicos de una colección se encuentran en el directorio perllib/plugins de la colección. Los conectores específicos de colección pueden utilizarse para invalidar los conectores generales que llevan el mismo nombre.

Algunos conectores de tratamiento de documentos utilizan programas externos que analizan determinados formatos patentados, como por ejemplo Word de Microsoft, y los transforman en texto normal o en HTML. Un conector general denominado ConvertToPlug activa el programa de conversión correspondiente y pasa el resultado a TEXTPlug o a HTMLPlug. Más adelante se explicará más detalladamente esta operación.

Algunos conectores disponen de opciones específicas que permiten controlar sus operaciones de manera más precisa que las opciones generales. Véase al respecto el Cuadro 12.


Table 12  Opciones específicas de los conectores

Opción

Objetivo

HTMLPlug

nolinks

No guarda enlaces dentro de la colección. Esto acelera el proceso de importación/creación, pero se pierden todos los enlaces de la colección.

 

description_tags

Interpreta los archivos de documentos etiquetados como se explica en la subsección siguiente.

 

keep_head

No quita los encabezados HTML.

 

no_metadata

No busca ningún metadato (esto puede acelerar el proceso de importación/creación).

 

metadata_fields

Toma una lista separada por comas de tipos de metadatos (cuyo valor por defecto es Title) que se han de extraer. Para cambiar el nombre de los metadatos en el archivo en el Formato de Archivo Greenstone, utilice tag<nuevo_nombre>, en que tag es la etiqueta HTML buscada y nuevo_nombre su nuevo nombre.

 

hunt_creator_metadata

Encuentra el mayor número posible de metadatos sobre la autoría del documento y los consigna en el documento en el Formato de Archivo Greenstone como metadatos Creator. Se debe incluir también Creator mediante la opción metadata_fields.

 

file_is_url

Utilice esta opción si se ha usado un programa de duplicación o espejo Web para crear la estructura de los documentos por importar.

 

assoc_files

Asigna una expresión regular de Perl que define los tipos de archivos que se han de tratar como archivos asociados. Los tipos por defecto son: .jpg.jpeg.gif.png.css.

 

rename_assoc_files

Cambia el nombre de los archivos asociados con los documentos. Durante este proceso, la estructura de directorio de todo archivo asociado reducirá mucho su volumen (opción útil si se ha de almacenar la colección en un espacio limitado).

HTMLPlug y
TEXTPlug

title_sub

Expresión de sustitución Perl para modificar los títulos.

PSPlug

extract_date

Extrae la fecha de creación del encabezado PostScript y la almacena como metadato.

 

extract_title

Extrae el título del documento del encabezado PostScript y lo almacena como metadato de título.

 

extract_pages

Extrae los números de página del documento PostScript y los incluye en las secciones adecuadas como metadatos con la etiqueta Pages.

RecPlug

use_metadata_files

Asigna metadatos desde un archivo, como se explica en la subsección siguiente.

ImagePlug

Diversas opciones

Véase ImagePlug.pm.

SRCPlug

remove_prefix

Especifica en forma de expresión regular de Perl, un patrón inicial que debe eliminarse del nombre del archivo. El comportamiento por defecto es suprimir toda la ruta.


Conectores de importación de formatos patentados

Los formatos patentados plantean serias dificultades para cualquier sistema de biblioteca digital. Aunque se disponga de documentación sobre su funcionamiento, pueden ser modificados sin aviso y resulta difícil mantenerse al tanto de los cambios. Greenstone ha optado por utilizar las aplicaciones de conversión publicadas según los términos de la GPL (Licencia Pública General de GNU) y elaboradas por personas dedicadas a esta tarea. Los instrumentos para convertir formatos Word y PDF se encuentran en el directorio packages. Estos convierten los documentos en texto normal o en HTML. Se utilizan posteriormente HTMLPlug y TEXTPlug para convertirlos en el Formato de Archivo Greenstone. ConvertToPlug sirve para incluir los instrumentos de conversión y, al igual que BasPlug, nunca se activa directamente, sino que los conectores de tratamiento de formatos específicos derivan o heredan de él, como se ilustra en la Figura 9ConvertToPlug emplea el sistema de herencia dinámico de Perl para heredar de TEXTPlug o de HTMLPlug, según el formato en el que se ha convertido el documento de origen.

Figure 9  Jerarquía de herencia de los conectores


Cuando ConvertToPlug recibe un documento, acude a gsConvert.pl (que se encuentra en GSDLHOME/bin/script) para activar el instrumento de conversión adecuado. Una vez convertido, el documento es devuelto a ConvertToPlug, que aplica el conector texto o HTML, según convenga. Todo conector derivado de ConvertToPlug dispone de una opción convert_to (convertir en), cuyo argumento es text o html, para especificar el formato intermedio que se prefiere. El formato texto es más rápido, pero HTML suele tener una mejor presentación e incluye imágenes.

Existen a veces varios instrumentos de conversión para un formato particular y gsConvert puede probar varios de ellos en un documento. Por ejemplo, el instrumento de conversión más común de Word, wvWare, sólo funciona con Word 6, y para convertir los documentos Word 5 se utiliza un programa denominado AnyToHTML, cuya principal función es extraer todas las cadenas de texto que puede encontrar.

Las etapas necesarias para agregar un nuevo programa de conversión de documentos externos son las siguientes:

  1. Instale el nuevo programa de conversión para que sea accesible por Greenstone (colóquelo en el directorio packages).
  2. Modifique gsConvert.pl para utilizar el nuevo programa de conversión. Esto implica añadir una nueva cláusula a la instrucción if de la función main, y agregar una función que active el programa de conversión.
  3. Escriba un conector de nivel superior que herede de ConvertToPlug para interceptar el formato y luego dejarlo “pasar adelante”.

Asignar metadatos desde un archivo

El conector estándar RecPlug incorpora asimismo la posibilidad de asignar metadatos a los documentos a partir de archivos XML creados manual o automáticamente. Vamos a explicar detalladamente el proceso para que pueda usted crear archivos de metadatos en el formato adecuado. Si se especifica la opción use_metadata_filesRecPlug utiliza un archivo de metadatos auxiliar llamado metadata.xml. En la Figura 10DTD se muestra la Definición de Tipo de Documento (DTD) XML para el formato de archivo de metadatos, mientras que la figura 10 muestra un ejemplo de archivo metadata.xml.

Figure 10 a) Definición de Tipo de Documento (DTD);   Formato XML:
<!DOCTYPE GreenstoneDirectoryMetadata   [
<!ELEMENT DirectoryMetadata (FileSet*)>
<!ELEMENT FileSet (FileName+,Description)>
<!ELEMENT FileName (#PCDATA)>
<!ELEMENT Description (Metadata*)>
<!ELEMENT Metadata (#PCDATA)>
<!ATTLIST Metadata name CDATA #REQUIRED>
<!ATTLIST Metadata mode (accumulate | override) “override”>
]>

Figure 10 b) Ejemplo de archivo de metadatos  
<?xml version="1.0" ?>
<!DOCTYPE GreenstoneDirectoryMetadata SYSTEM
"http://greenstone.org/dtd/GreenstoneDirectoryMetadata/1.0/GreenstoneDirectoryMetadata.dtd”>
<DirectoryMetadata>
         <FileSet>
                   <FileName>nugget.*</FileName>
                   <Description>
                   <Metadata name=“Title”>Nugget Point Lighthouse</Metadata>
                   <Metadata name=“Place” mode=“accumulate”>Nugget Point</Metadata>
         </Description>
         </FileSet>
         <FileSet>
                   <FileName>nugget-point-1.jpg</FileName>
                   <Description>
                          <Metadata name=“Title”>Nugget Point Lighthouse, The Catlins</Metadata>
                          <Metadata name=“Subject”>Lighthouse</Metadata>
                   </Description>
         <FileSet>
</DirectoryMetadata>

El archivo de ejemplo contiene dos estructuras de metadatos. En cada una de ellas, el elemento filename describe los archivos a los que se aplican los metadatos en forma de expresión regular. Así pues, <FileName>nugget.*</FileName>  indica que el primer registro de metadatos se aplica a todos los archivos cuyo nombre empieza por “ nugget ” [2]. Para estos archivos, el metadato Title se aplica a “Nugget Point Lighthouse”.

Los elementos de metadatos se tratan en el orden en que aparecen. La segunda estructura establece que el metadato Title para el archivo nugget-point-1.jpg se aplica a “Nugget Point Lighthouse, The Catlins” e invalida la especificación anterior. Añade asimismo un campo de metadatos Subject.

Algunas veces los metadatos poseen varios valores y los nuevos valores deben acumularse en vez de invalidar los anteriores. El atributo mode=accumulate activa esta opción. Se aplica al metadato Place en la primera especificación que, por consiguiente, podrá adoptar múltiples valores. Para volver a un metadato simple, teclee <Metadata name=“Place” mode=“override”>New Zealand</Metadata> . De hecho, se podría omitir esta especificación de modo porque todo elemento invalida el anterior, salvo si se indica lo contrario. Para acumular metadatos en un campo particular, se debe especificar mode=accumulate en cada aparición.

Cuando se activa la opción use_metadata_filesRecPlug comprueba en cada directorio de entrada la presencia de un archivo XML denominado metadata.xml y aplica su contenido a todos los archivos y subdirectorios del directorio.

El mecanismo metadata.xml incorporado a RecPlug es sólo un modo de especificar los metadatos para los documentos. Es fácil escribir diferentes conectores que aceptan especificaciones de metadatos con formatos completamente diferentes.

Etiquetado de los archivos de documentos

Los documentos de origen necesitan a menudo estructurarse en secciones y subsecciones, y es preciso comunicar esta información a Greenstone a fin de que pueda mantener la estructura jerárquica. Asimismo, se pueden asociar metadatos –en particular el título– con cada sección y subsección.

La manera más sencilla de efectuar esta operación suele ser modificando los archivos de origen. El conector HTML dispone de una opción description_tags que trata las etiquetas en el texto como sigue:

<!--
<Section>
<Description>
         <Metadata name=“Title”> Realizing human rights for poor people: Strategies for achieving the international development targets </Metadata>
</Description>
-->

(el texto de la sección va aquí)

<!--
</Section>
-->

Se utilizan los marcadores <!-- ... --> porque indican comentarios en formato HTML; en consecuencia, estas etiquetas de sección no afectarán al formateo del documento. En la parte Description se pueden especificar otros tipos de metadatos, pero esto no ocurre para el estilo de colección que mencionamos aquí. Asimismo, las etiquetas pueden subdividirse, de tal modo que la línea anterior señalada por marcadores el texto de la sección va aquí pueda incluir a su vez otras subsecciones, como por ejemplo:

(el texto de la primera parte de la sección va aquí)

<!--
<Section>
<Description>
         <Metadata name=“Title”> The international development targets </Metadata>
<Description>
-->

(el texto de la subsección va aquí)

<!--
</Section>
-->

(el texto de la última parte de la sección va aquí)

Cualquier conector que utilice HTMLPlug hereda esta función. El conector Word, en particular, convierte en formato HTML los datos que recibe y por ello se pueden especificar los metadatos exactamente de la misma manera en los archivos Word (y RTF). (Esto supone un poco de trabajo “entre bastidores”, porque cuando los documentos Word se convierten en HTML, el programa por lo general procura neutralizar la interpretación especial que suele hacer HTML de los signos sueltos “<” y “>”; nos las hemos arreglado para invalidar esto en el caso de las especificaciones antes mencionadas.) Obsérvese que se utiliza exactamente el mismo formato que antes, incluso en los archivos Word, así como los signos de comentarios “<!--” y “-->”. El tipo de letra y el espaciado no se tienen en cuenta.

2.2 Clasificadores

Los clasificadores sirven para crear los índices de consulta de la colección. Valgan como ejemplos el índice títulos A-Z de la colección dlpeople, así como los índices temacómo...organizaciones y títulos A-Z de la Biblioteca sobre Aspectos Humanitarios y de Desarrollo, de la que la colección de demostración es un subconjunto. La barra de desplazamiento que aparece en la parte superior de la pantalla en las Figuras 3 y 8a incluye la función búsqueda, que siempre está disponible, seguida de botones correspondientes a todos los clasificadores que se han definido. La información utilizada para facilitar la consulta se encuentra en la base de datos de informaciones de la colección, donde es colocada por los clasificadores activados durante la fase final del programa buildcol.pl.

Figure 11  Clasificador AZList


Los clasificadores, al igual que los conectores, se especifican en el archivo de configuración de la colección. Todos tienen una línea que empieza por la palabra clave classify seguida del nombre del clasificador y las opciones que admite. El archivo básico de configuración de la colección mencionado en la Sección 1.3 comprende la línea classify AZList –metadata Title, que crea una lista alfabética de títulos reuniendo todos aquéllos que están provistos del campo de metadatos Title, y los clasifica y divide por orden alfabético. En la Figura 11 se muestra un ejemplo.

Figure 12  Clasificador List


Un clasificador más simple, llamado List, que se muestra en la Figura 12, crea una lista clasificada de un elemento de metadato determinado y lo presenta sin ninguna subsección alfabética. Un ejemplo es el metadato cómo de la colección de demostración, que es generado por la línea classify List –metadata Howto en el archivo de configuración de la colección. Otro clasificador general es DateList, ilustrado en la Figura 13, que genera una lista de selección de intervalos de fechas. (El clasificador DateList se utiliza también en la colección “Archivos de Greenstone”.)

Figure 13  Clasificador DateList


Otros clasificadores generan estructuras de consulta que son explícitamente jerárquicas. Las clasificaciones jerárquicas son útiles para las clasificaciones y subclasificaciones temáticas, así como para las jerarquías relativas a organizaciones. El archivo de configuración de la colección de demostración incluye la línea classify Hierarchy –hfile sub.txt –metadata Subject –sort Title, y en la Figura 14 se muestra la jerarquía de temas que esta línea produce. El estante que lleva un título en negrita es el que se está examinando en este momento; encima de él se puede ver la clasificación temática a la que pertenece. En este ejemplo la jerarquía de clasificación se guarda en un formato de texto sencillo que lleva el nombre de sub.txt.

Figure 14  Clasificador Hierarchy


Todos los clasificadores generan una estructura jerárquica que se utiliza para mostrar un índice de consulta. Normalmente, los niveles inferiores de la jerarquía (esto es, las hojas) son los documentos, pero en algunos clasificadores son las secciones. Los nodos internos de la jerarquía son VlistHlist o Datelist. Una Vlist es una lista de elementos dispuestos verticalmente en la página, como el índice “ cómo... ” de la colección de demostración (véase la Figura 12). Una Hlist tiene una presentación horizontal. Por ejemplo, la AZList de la Figura 11 es una jerarquía de nodos internos de dos niveles compuesta por una Hlist (que da el selector A-Z) cuyos elementos secundarios son nodos Vlists ; los documentos son a su vez elementos secundarios de esta última lista. Un nodo Datelist (Figura 13) es un tipo especial del nodo Vlist que permite efectuar selecciones por año y por mes.

Las líneas que se utilizan para especificar los clasificadores en los archivos de configuración de colección contienen un argumento metadata que identifica los metadatos mediante los cuales se clasifican y seleccionan los documentos. El clasificador omitirá todo documento de la colección para el que no se haya definido este metadato (pero se lo indizará y, por consiguiente, la función búsqueda lo tendrá en cuenta). Si no se especifica un argumento metadata, todos los documentos se incluyen en el clasificador, en el orden en que aparecieron durante el proceso de creación. Esto es útil si desea obtener una lista de todos los documentos de su colección.


Table 13  Clasificadores de Greenstone

Argumento

Finalidad

Hierarchy

Clasificación jerárquica

hfile

Archivo de clasificación

metadata

Elemento de metadato para cotejar con el identificador hfile

sort

Elemento de metadato utilizado para clasificar los documentos en las hojas (el valor por defecto es Title)

buttonname

Nombre del botón utilizado para acceder a este clasificador (el valor por defecto es el valor del argumento metadata)

List

Lista alfabética de los documentos

metadata

Incluye los documentos que contienen este elemento de metadato

buttonname

Nombre del botón utilizado para acceder a este clasificador (el valor por defecto es el valor del argumento metadata)

SectionList

Lista de las secciones en los documentos

AZList

Lista de documentos dividida por intervalos alfabéticos

metadata

Incluye todos los documentos que contienen este elemento de metadato

buttonname

Nombre del botón utilizado para acceder a este clasificador (el valor por defecto es el valor del argumento metadata)

AZSectionList

Como AZList pero incluye cada sección del documento

DateList

Similar a AZList pero ordenada por fechas


La lista de los clasificadores actualmente disponibles aparece en el Cuadro 13. Al igual que se puede utilizar el programa pluginfo.pl para obtener información sobre cualquier conector, el programa classinfo.pl le facilita información sobre cualquier clasificador y las opciones que ofrece.

Todos los clasificadores aceptan el argumento buttonname, que define el contenido del botón de consulta de Greenstone que activa el clasificador (el valor por defecto es el nombre del argumento metadata). Existen botones para cada tipo de metadato del sistema Dublin Core y para algunos otros tipos de metadatos.

Cada clasificador recibe un nombre implícito con arreglo a su posición en el archivo de configuración. Por ejemplo, el tercer clasificador especificado en el archivo se denomina CL3. Esos nombres se emplean para nombrar los campos de la base de datos de informaciones de la colección que definen la jerarquía de los clasificadores.

Se pueden escribir clasificadores específicos para una colección, que se almacenan en el directorio perllib/classify de la colección. La Biblioteca sobre Aspectos Humanitarios y de Desarrollo tiene un clasificador específico de colección que se llama HDLList, que es una variante menor de AZList.

Clasificadores de listas

A continuación figuran los diversos tipos de clasificadores de listas:

  • SectionList : es como List pero las hojas son secciones y no documentos. Se incluyen todas las secciones del documento excepto las del nivel superior. Este clasificador sirve para crear listas de secciones (o de artículos, capítulos, etc.), como en la colección Computists’ Weekly (el semanario de los informáticos, disponible en el sitio Web nzdl.org), en la que cada número es un solo documento que comprende varios artículos independientes, cada uno en su propia sección.
  • AZList : genera una jerarquía de dos niveles que comprende un nodo Hlist cuyos elementos secundarios son nodos Vlists, cuyos elementos secundarios, a su vez, son documentos. El nodo Hlist es un selector A-Z que divide los documentos en intervalos alfabéticos.
  • AZSectionList : es como AZList pero las hojas son secciones y no documentos.
  • DateList : es como AZList excepto que el nodo Hlist de nivel superior permite seleccionar por año y sus elementos secundarios son nodos de tipo DateList y no de tipo Vlist. El valor por defecto del argumento metadata es Date.

El clasificador hierarchy

Todos los clasificadores son jerárquicos. Sin embargo, los clasificadores de listas antes mencionados disponen de un número fijo de niveles, mientras que los clasificadores “ hierarchy ” (jerárquicos) tratados en esta sección pueden crear una serie arbitraria de niveles y son más complejos de especificar que los clasificadores de listas.

Figure 15  Parte del archivo sub.txt
1      1      "General reference"
1.2    1.2    "Dictionaries, glossaries, language courses, terminology
2      2      "Sustainable Development, International cooperation, Pro
2.1    2.1    "Development policy and theory, international cooperatio
2.2    2.2    "Development, national planning, national plans"
2.3    2.3    "Project planning and evaluation (incl. project managem
2.4    2.4    "Regional development and planning incl. regional profil
2.5    2.5    "Nongovernmental organisations (NGOs) in general, self-
2.6    2.6    "Organisations, institutions, United Nations (general, d
2.6.1  2.6.1  "United Nations"
2.6.2  2.6.2  "International organisations"
2.6.3  2.6.3  "Regional organisations"
2.6.5  2.6.5  "European Community - European Union"
2.7    2.7    "Sustainable Development, Development models and example
2.8    2.8    "Basic Human Needs"
2.9    2.9    "Hunger and Poverty Alleviation"

El argumento hfile da el nombre de un archivo, como el de la Figura 15, que define la jerarquía de metadatos. Cada línea describe una clasificación y las descripciones constan de tres partes:

  • Un identificador, que hace corresponder el valor del metadato (proporcionado por el argumento metadata) con la clasificación.
  • Un marcador de posición en la jerarquía, con forma numérica en varias partes, por ejemplo, 2, 2.12, 2.12.6.
  • El nombre de la clasificación. (Si contiene espacios, deberá ponerse entre comillas)

La Figura 15 forma parte del archivo sub.txt utilizado para crear la jerarquía temática en la Biblioteca sobre Aspectos Humanitarios y de Desarrollo (y en la colección de demostración). Este ejemplo es un poco confuso porque el número que representa la jerarquía aparece dos veces en cada línea. El tipo de metadato Hierarchy se representa en los documentos con valores que adoptan una forma numérica jerárquica, lo que corresponde a su primera aparición. La segunda aparición se utiliza para determinar la jerarquía que se aplica en el navegador.

El clasificador hierarchy tiene un argumento opcional, sort, que determina el modo en que se ordenan los documentos en las hojas. Se puede especificar cualquier metadato como criterio de ordenación. La lista se crea por defecto siguiendo el orden en que se encuentran los documentos durante el proceso de creación. El orden de los nodos internos viene determinado por el orden en que se especifican los elementos en el argumento hfile.

Funcionamiento de los clasificadores

Los clasificadores son objetos Perl, derivados de BasClas.pm, y se almacenan en el directorio perllib/classify. Se utilizan durante la creación de la colección. Su ejecución se hace en cuatro etapas:

  1. El método new crea el objeto Clasificador.
  2. El método init inicializa el objeto con parámetros como el tipo de metadato, el nombre del botón y el criterio de clasificación.
  3. El método classify interviene una vez para cada documento, y guarda la información sobre la clasificación efectuada dentro del objeto de clasificador.
  4. El método get_classify_info transmite la información de la clasificación localmente almacenada hacia el proceso de creación, que entonces la incluye en la base de datos de informaciones de la colección para su uso cuando la colección se visualiza en el momento de la ejecución.

El método classify recupera el OID de cada documento, el valor de metadato con el que se va a clasificar el documento y, si es necesario, el valor de metadato con el que se van a ordenar los documentos. El método get_classify_info efectúa todas las funciones de ordenación y clasificación específicas del clasificador. Por ejemplo, en el caso del clasificador AZList divide la lista en intervalos alfabéticos.

El proceso de creación de la colección activa los clasificadores en cuanto se crea el objeto builder. Las clasificaciones se realizan durante la fase de creación, cuando se crea la base de datos de informaciones mediante classify.pm, que se encuentra en el directorio perllib de Greenstone.


Table 14  Elementos que aparecen en las cadenas de formato

[Text]

El texto del documento

[link]...[/link]

El HTML que debe enlazarse al propio documento

[icon]

Un icono apropiado (por ejemplo, el pequeño icono de texto en una cadena Resultados de la búsqueda)

[num]

El número del documento (útil para depurar)

[metadata-name]

El valor de este elemento de metadato para el documento, por ejemplo, [Title]


2.3 Formateo de la salida de Greenstone

Las páginas Web que usted ve cuando utiliza Greenstone no han sido almacenadas previamente sino que son generadas “al instante” a medida que se las necesita. La apariencia de numerosos aspectos de las páginas se controla a través de las “cadenas de formato”. Las cadenas de formato se encuentran en el archivo de configuración de la colección y se introducen con la palabra clave format seguida del nombre del elemento al que se aplica el formato. Las cadenas de formato controlan dos tipos diferentes de elementos de página. El primero comprende los elementos de la página que muestran documentos o partes de documentos. El segundo incluye las listas generadas por los clasificadores y las búsquedas. Todas las cadenas de formato se interpretan en el momento en que se visualizan las páginas. Es rápido y sencillo experimentar con las cadenas de formato ya que surten efecto en cuanto se guarda cualquier modificación en el archivo collect.cfg.

En el Cuadro 14 se muestran las instrucciones de formato que afectan la apariencia de los documentos. La opción DocumentButtons controla los botones que aparecen en una página de documento. En este caso, cadena es una lista de botones (separados por |) y sus valores posibles son Detach (separar), Highlight (resaltar), Expand Text (texto completo) y Expand contents (expandir índice). La modificación del orden de la lista modifica en consecuencia el orden de los botones.


Table 15  Las opciones de la palabra clave format

format DocumentImages true/false

Si el valor es true, muestra una imagen de portada en la parte superior izquierda de la página del documento (el valor por defecto es false).

format DocumentHeading cadena_de_formato

Si el valor de DocumentImages es false, la cadena de formato controla la apariencia del encabezado del documento que aparece en la parte superior izquierda de la página del documento (el valor por defecto es [Title]).

format DocumentContents true/false

Muestra el índice (si el documento tiene una estructura jerárquica), o flechas para ir a la sección siguiente/anterior y el texto “página k de n” (en caso contrario).

format DocumentButtons cadena

Controla los botones que figuran en una página de documento (el valor por defecto es Separar/Resaltar).

format DocumentText cadena_de_formato

Formato de texto que se muestra en una página de documento. El valor por defecto es:

<center><table width=537>
<tr><td>[Text]</td></tr>
</table></center>

format DocumentArrowsBottom true/false

Muestra las flechas para ir a la sección siguiente/anterior en la parte inferior de la página del documento (el valor por defecto es true).

format DocumentUseHTML true/false

Si el valor es true, cada documento aparece en un marco separado. La página de Preferencias cambia también ligeramente, ya que propone opciones aplicables a una colección de documentos HTML, como la posibilidad de acudir directamente al documento original (en cualquier sitio de la Web) en lugar de ir a la copia efectuada por Greenstone.


Formateo de las listas de Greenstone

Las cadenas de formato que controlan la apariencia de las listas pueden aplicarse a distintos niveles de la estructura de presentación. Pueden modificar todas las listas de determinado tipo dentro de una colección (por ejemplo, DateList) o todas las partes de una lista (por ejemplo, todas las entradas de la lista Search (búsqueda)) o determinadas partes de una lista particular (por ejemplo, la porción vertical de la lista de un clasificador AZList aplicado a títulos).

Después de la palabra clave format hay otra palabra clave en dos partes, de las que sólo una es obligatoria. La primera parte identifica la lista a la que se aplica el formato. La lista que se obtiene mediante una búsqueda se llama Search (búsqueda), mientras que las listas generadas por clasificadores se denominan CL1, CL2, CL3, etc., para el primer, segundo, tercer, etc., clasificador especificado en el archivo collect.cfg. La segunda parte de la palabra clave se refiere a la porción de la lista a la que se aplica el formateo, esto es, Hlist (para una lista horizontal, como el selector A-Z en un nodo AZList), Vlist (para una lista vertical, como la lista de títulos en un nodo AZList) o DateList. Por ejemplo:

format CL4Vlist ...               se aplica a todos los VLists de CL4

format CL2Hlist ...               se aplica a todos los HListsde CL2

format CL1DateList ...        se aplica a todos los DateListsde CL1

format SearchVList ...         se aplica a la lista de resultados de búsqueda

format CL3 ...                        se aplica a todos los nodos de CL3, a menos que se especifique lo contrario

format Vlist ...                       se aplica a todos los Vlistsde todos los clasificadores, a menos que se especifique lo contrario

En los ejemplos de la figura 16, las comillas (“...”) representan las especificaciones de formato HTML que controlan la información y su presentación, tal como aparecen en las páginas Web que muestran el clasificador. Al igual que las especificaciones HTML, cualquier metadato puede aparecer entre corchetes: su valor se interpola en el lugar indicado. Asimismo, cualquiera de los elementos del Cuadro 15 puede aparecer en las cadenas de formato. La sintaxis de las cadenas incluye también una instrucción condicional que se ilustra en un ejemplo más adelante.

Recuerde que todos los clasificadores producen jerarquías. Cada nivel de la jerarquía se visualiza en una de cuatro formas posibles. Ya hemos visto HlistVlist y DateList. Existe además Invisible, que es el modo en que se visualizan los niveles superiores de las jerarquías: en efecto, el nombre del clasificador aparece ya separadamente en la barra de desplazamiento de Greenstone.

Ejemplos de clasificadores y cadenas de formato

Figure 16  Extracto del archivo collect.cfg de la colección de demostración
1  
classify Hierarchy       –hfile sub.txt –metadata Subject –sort Title
2  
classify AZList -metadata Title
3  
classify Hierarchy       -hfile org.txt –metadata Organisation –sort Title
4  
classify List            -metadata Howto
5  
format SearchVList       “<td valign=top>     [link][icon][/link]</td><td>{If}
6  
                            {[parent (All’: ’):Title], [parent (All’:’):Title]:}
7  
                         [link][Title][/link]</td>”
8  
format CL4Vlist “<br>[link][Howto][/link]”
9  
format DocumentImages       true
10  
format DocumentText         “<h3> [Title] </h3>\\n\\n<p>[Text]”
11  
format DocumentButtons      “Expand Text|Expand contents|Detach|Highlight”

En la Figura 16 se muestra una parte del archivo de configuración de la colección de demostración. La utilizamos como ejemplo porque comprende varios clasificadores con un formato muy elaborado. Obsérvese que las instrucciones de los archivos de configuración no deben contener caracteres de nueva línea; en el Cuadro, hemos cortado las líneas más largas para facilitar su legibilidad.

La línea 4 especifica el clasificador How To (cómo...) de la colección de demostración. Es la cuarta en el archivo de configuración de la colección y, por consiguiente, se denomina CL4. La instrucción de formato correspondiente es la línea 7 de la Figura 16. La información “cómo” se genera a partir del clasificador List y su estructura es la lista completa de títulos que aparecen en la Figura 12. Los títulos tienen un enlace con los propios documentos: cuando se hace clic en un título se abre el documento correspondiente. Los elementos secundarios del primer nivel de la jerarquía se visualizan como Vlist (lista vertical), es decir, las secciones se muestran verticalmente. Como indica la instrucción format asociada, cada elemento de la lista está en una nueva línea (“<br>”) y contiene el texto del metadato Howto, vinculado por hipervínculo al documento en cuestión.

La línea 1 especifica la clasificación Subject (tema) de la colección de demostración, denominada CL1 (la primera en el archivo de configuración); la línea 3 especifica la clasificación Organisation y se denomina CL3. Ambas son generadas por el clasificador Hierarchy y, por consiguiente, comprenden una estructura jerárquica de objetos VList.

La línea 2 especifica el resto de la clasificación de la colección de demostración, Títulos A-Z (CL2). Obsérvese que no existen cadenas de formato asociadas a los clasificadores CL1 a CL3. Greenstone dispone de valores por defecto para cada tipo de cadena de formato y por lo tanto no es necesario configurar una cadena de formato a menos que se desee invalidar el valor por defecto.

Figure 17  Formateo del documento


Estas explicaciones corresponden a las cuatro líneas classify de la Figura 16. Hay también cuatro líneas format. Ya hemos explicado la línea CL4Vlist. Las otras tres pertenecen al primer tipo de cadena de formato, ilustrado en el Cuadro 14. La línea 8, por ejemplo, coloca la imagen de portada en la parte superior izquierda de cada página del documento. La línea 9 formatea el texto del documento propiamente dicho, y coloca el título del capítulo o sección correspondiente justo ante del texto. Todos estos efectos se ilustran en la Figura 17.

Figure 18  Formateo de los resultados de la búsqueda


La línea 5 de la Figura 16 es una especificación algo complicada que formatea la lista de resultados generada por una búsqueda, cuyas porciones se muestran en la Figura 18. Presentamos a continuación, una versión simplificada de la cadena de formato:

<td valign=top>[link][icon][/link]</td>
<td>[link][Title][/link]</td>

Está diseñada para aparecer como una línea en un cuadro, que es como se formatea la lista de resultados de una consulta. Va acompañada, como de costumbre, por un pequeño icono vinculado al texto, y por el título del documento que establece un hipervínculo con el documento en cuestión.

En esta colección, los documentos son jerárquicos. De hecho, el hipervínculo anterior remite al título de la sección obtenido por la consulta. Sin embargo, sería preferible que incluyese también el título de la sección que la contiene, del capítulo que contiene esta última y del libro en el que se encuentra. Existe un elemento de metadato especial, parent, que no se guarda en los documentos pero que está implícito en cualquier documento jerárquico y que genera este tipo de lista. Éste remite al documento principal, o si se utiliza con el calificador All, remite a la lista de documentos principales emparentados jerárquicamente, separada por una cadena de caracteres que se pueden precisar tras el calificador All. Así pues,

<td valign=top>[link][icon][/link]</td>
<td>{[parent(All´: ´):Title]: }[link][Title][/link]</td>

produce una lista que contiene el título del libro, el título del capítulo, etc. que encierra la sección buscada, separados por dos puntos, y más adelante por otro carácter de dos puntos seguido de un hipervínculo con el título de la sección buscada.

Lamentablemente, si el objetivo buscado es un libro, no hay documento emparentado y, por lo tanto, aparecerá una cadena vacía seguida de dos puntos. Para evitar tales problemas puede usted utilizar en una cadena de formato las instrucciones condicionales if y or ... else :

{If} {[metadato],acción-si-no-vacio, acción-si-vacio}
{Or} {acción,else otra-acción, else otra-acción, etc}

En cualquiera de los casos, se utilizan las llaves para señalar que las instrucciones deben interpretarse y no sólo considerarse como texto. La instrucción if comprueba si el metadato está vacío y elige la primera opción si no es así; de lo contrario pasa a la segunda (si es que existe). Se puede utilizar cualquier elemento de metadato, incluso el metadato especial parent. La instrucción Or evalúa todas las acciones por turno hasta que encuentra una que no esté vacía. La envía entonces a la lista de resultados e ignora el resto de la línea.

Volviendo a la línea 5 de la Figura 16, la cadena de formato completa es:

<td valign=top>[link][icon][/link]</td>
<td>{If}{[parent (All´: ´):Title],
         [parent (All´: ´):Title]:}
    [link][Title][/link]</td>

De este modo la especificación parent va precedida de un condicional que comprueba si el resultado está vacío y sólo muestra la cadena completa ( parent) cuando está presente. Algunas veces, parent puede ser calificado por Top en vez de All, lo cual da el nombre del documento de nivel superior que encierra una sección: en este caso, el nombre del libro. Con Top no es necesaria una cadena de separación.

Para concluir, presentamos algunos ejemplos que ilustran otras funciones. En la Figura 13DateList se utiliza en la clasificación Fechas de la colección Computists’ Weekly (el semanario de los informáticos) y resulta ser el segundo clasificador, esto es, CL2. El clasificador y las especificaciones de formato se muestran más adelante. El clasificador DateList difiere de AZList en que siempre clasifica por metadatos Date y en que las ramas inferiores de la jerarquía de consulta utilizan DateList en vez de Vlist, con lo que se agrega el año y el mes a la izquierda de las listas de documentos.

classify AZSectionList metadata=Creator
format CL2Vlist “<td>[link][icon][/link]</td>
                 <td>[Creator]</td>
                 <td>&nbsp;&nbsp;[Title]</td>
                 <td>[parent(Top):Date]</td>”

La especificación de formato muestra esos Vlists de manera apropiada.

El mecanismo de cadena de formato es flexible pero difícil de aprender. La mejor manera de proceder es estudiando los archivos de configuración de colecciones existentes.

Enlaces con diferentes versiones de documentos

El mecanismo [link] ... [/link] en una cadena de formato, se crea un enlace con el formato HTML del documento, donde el hipervínculo es el título del documento: cuando se hace clic en el enlace se abre la versión HTML del documento. En algunas colecciones es útil poder visualizar otras versiones del documento. En una colección de documentos con formato Word de Microsoft, por ejemplo, es bueno poder abrir una versión Word de cada documento en lugar de la HTML que se ha extraído de ella; lo mismo ocurre con los documentos PDF.

Para poder mostrar diferentes versiones de un documento, la solución es incorporar la información necesaria (es decir, dónde se encuentran las demás versiones) al formato de archivo de Greenstone del documento. Esta información se representa en forma de metadatos. Recuerde que al colocar:

[link][Title][/link]

en una cadena de formato, se crea un enlace con el formato HTML del documento, donde el  hipervínculo es el título del documento. Tanto los conectores de Word como los de PDF generan metadatos srclink, de modo que si se introduce:

[srclink][Title][/srclink]

en una cadena de formato, se crea un enlace con la versión Word o PDF del documento, donde el hipervínculo es también en este caso el título del documento. A fin de que aparezcan los iconos correspondientes a los documentos Word y PDF, estos conectores generan también metadatos srcicon de tal forma que:

[srclink][srcicon][/srclink]

crea un enlace etiquetado por el icono estándar de Word o PDF (según el caso) y no por el título del documento.

2.4 Control de la interfaz de usuario de Greenstone

El conjunto de la interfaz de usuario de Greenstone se controla mediante macros que se encuentran listados en el directorio GSDLHOME/macros . Estas macros están escritas en un lenguaje especialmente concebido para Greenstone y se utilizan en el momento de la ejecución para generar páginas Web. La traducción del lenguaje macro al formato HTML es la última etapa para mostrar una página. Así pues, las modificaciones de un archivo de macros afectan inmediatamente la presentación en pantalla y permiten experimentar rápida y fácilmente. Todos los archivos de macros que utiliza Greenstone se encuentran en GSDLHOME/etc/main.cfg y se cargan cada vez que se arranca el programa. La única excepción es cuando se utiliza la Biblioteca Local de Windows: en este caso es necesario reiniciar el proceso.

Las páginas Web se generan al instante por numerosas razones y el sistema de macros le permite a Greenstone funcionar con la flexibilidad necesaria. Las páginas pueden presentarse en diversos idiomas y existe un archivo de macros diferente para almacenar todo el texto de la interfaz en cada lengua. Cuando Greenstone presenta una página, el intérprete de macros comprueba la variable de idioma y carga la página en la lengua apropiada (aunque no llega a traducir el contenido del documento). Además, los valores de determinadas variables de visualización, como el número de documentos encontrados en una búsqueda, no se conocen de antemano, sino que se interpolan en el texto de la página mediante macros.

El formato de los archivos de macros

Los archivos de macros tienen la extensión .dm. Cada archivo define uno o más paquetes ( packages), cada uno de los cuales contiene una serie de macros utilizadas con un fin preciso y único. Al igual que los clasificadores y los conectores, hay una base a partir de la cual se elaboran las macros, que se llama base.dm ; este archivo define el contenido básico de una página.

Los nombres de las macros empiezan y terminan con una rayita de subrayado y su contenido se define mediante llaves. El contenido puede ser texto llano, HTML (incluidos los enlaces con pequeños programas ( applets) de Java y JavaScript), nombres de macros o cualquier combinación de estos elementos. La siguiente macro procedente de base.dm define el contenido de una página en ausencia de cualquier otra macro que la invalide:

_content_ {<p><h2>Oops</h2>_textdefaultcontent_}

En la parte superior de la página aparecerá el mensaje “Oops”, seguido de la macro _textdefaultcontent_, que en inglés equivale a  The requested page could not be found. Please use your browsers ‘back’ button or the above home button to return to the Greenstone Digital Library, y en otros idiomas aparecerá la correspondiente traducción de esta frase. En español, por ejemplo, se podrá leer: No se pudo encontrar la página solicitada. Pulse el botón “Atrás” o el botón de “Página principal” para volver a la Biblioteca Digital Greenstone.

Las macros _textdefaultcontent_ (contenido del texto por defecto) y _content_ (contenido) se encuentran en el paquete global porque son necesarias para todas las partes de la interfaz de usuario. Las macros pueden utilizar como contenido macros de otros paquetes, mas para ello deben anteponer sus nombres y el de su paquete. Por ejemplo, la macro:

_collectionextra_ {Esta colección contiene_about:numdocs_documentos. Se constituyó por última vez hace _about:builddate_ días.}

procede del archivo english.dm y se utiliza como descripción por defecto de una colección. Forma parte del paquete global, pero _numdocs_ y _ builddate _ pertenecen ambas al paquete about, por ello about: precede sus nombres.

Las macros suelen contener instrucciones condicionales que se parecen a las cadenas de formato condicionales antes mencionadas, aunque su apariencia difiere un poco. El formato básico es _ If _ (x,y,z), en que x es una condición, y es el contenido de la macro que se debe utilizar si esta condición se cumple, y z el contenido que se debe utilizar en caso contrario. Los operadores de comparación son los mismos que los operadores simples utilizados en Perl (menor que, mayor que, igual a, diferente de). El siguiente ejemplo procedente del archivo base.dm se utiliza para determinar cómo visualizar la parte superior de la página acerca de de una colección:

_imagecollection_ {
   _If_("_iconcollection_" ne "",
       <a href = "_httppageabout_">
           <img src = "_iconcollection_" border = 0>
       </a>,
       _imagecollectionv_)
}

Esto puede parecer un poco críptico. La macro _iconcollection _ desemboca en la cadena vacía si la colección carece de icono, o en el nombre del archivo de una imagen. Haciendo la paráfrasis del código antes mencionado: si existe una imagen de colección, presentar el encabezado de página acerca de esta colección (al que se remite mediante _httppageabout_) y luego esa imagen; de otro modo, utilizar la presentación alternativa _imagecollectionv_.

Las macros pueden incluir argumentos. Hay aquí una segunda definición de la macro _imagecollection_ que sigue inmediatamente la definición antes indicada en el archivo base.dm:

_imagecollection_[v=1]{_imagecollectionv_}

El argumento [v=1] especifica que la segunda definición se utiliza cuando Greenstone se ejecuta en modo “sólo texto”. Las macros de idiomas funcionan de la misma manera: todas especifican su lengua como argumento, salvo english.dm porque es el idioma por defecto. Por ejemplo:

_textimagehome_ {Home Page}

aparece en el archivo de macro de lengua inglesa, mientras que la versión alemana es:

_textimagehome_ [l=de] {Hauptaseite}

Las versiones inglesa y alemana se encuentran en el mismo paquete, aunque en archivos diferentes (las definiciones de paquetes pueden ocupar más de un archivo). Greenstone utiliza su argumento l en el momento de la ejecución para determinar qué idioma se debe visualizar.

Figure 19  Parte del archivo de macros about.dm
package about
############################################
# about page content
############################################
_pagetitle_ {_collectionname_}
_content_ {
<center>
_navigationbar_
</center>
_query:queryform_
<p>_iconblankbar_
<p>_textabout_
_textsubcollections_
<h3>_help:textsimplehelpheading_</h3>
_help:simplehelp_
}
_textabout_ {
<h3>_textabcol_</h3>
_Global:collectionextra_
}

Por último, en la Figura 19 se muestra un extracto del archivo de macros about.dm que se utiliza para configurar la página acerca de de cada colección. Este ejemplo muestra la definición de tres macros: _pagetitle_, _content_ y _textabout_.

Utilización de las macros

Las macros son instrumentos de alta potencia que pueden parecer un poco complicados y crípticos. Sin embargo, con unos buenos conocimientos de HTML y un poco de práctica pueden convertirse en una manera rápida y fácil de personalizar su sitio Greenstone.

Supongamos, por ejemplo, que usted quería crear una página estática parecida a su sitio Greenstone actual. Puede usted crear un nuevo paquete, que se llamará static por ejemplo, en un nuevo archivo, e invalidar la macro _ content_. Agregue el nuevo nombre de archivo a la lista de macros situadas en GSDLHOME/etc/main.cfg que Greenstone carga cada vez que arranca. Por último, acceda a la nueva página utilizando su URL Greenstone normal y añada los argumentos ?a=p&p=static (por ejemplo: http://servidor/cgi-bin/library?a=p&p=static).

Para cambiar el “aspecto y estilo” de Greenstone puede modificar los paquetes base y style (estilo). Para cambiar la página principal de Greenstone, modifique el paquete home (como se explica en la Guía de Instalación de la Biblioteca Digital Greenstone). Para cambiar la página de búsqueda, modifique query.dm.

Experimente sin miedo con las macros. Las modificaciones aparecen instantáneamente porque las macros se interpretan a medida que se visualizan las páginas. El lenguaje de macros es un instrumento útil que puede servirle para personalizar a su gusto el sitio Greenstone.

2.5 El directorio packages


Table 16  El directorio packages (paquetes)
 

Paquete

URL

mg

MG, abreviación inglesa de “Managing Gigabytes” (gestión de gigabytes). Programa de compresión, indización y búsqueda que se utiliza para administrar la información textual en las colecciones Greenstone.

www.citri.edu.au/mg

wget

Programa de duplicación de Web (espejo) utilizado por Greenstone. Escrito en C++.

www.tuwien.ac.at/~prikryl/wget.html

w3mir

Programa de duplicación de Web escrito en Perl. Este no es el programa de duplicación preferido por Greenstone porque se basa en una versión obsoleta de un módulo Perl (que se distribuye en el directorio w3mir).

www.math.uio.no/~janl/w3mir

windows

Paquetes que se utilizan cuando se funciona con Windows.

-

windows/gdbm

Versión del administrador de base de datos de GNU creada para Windows. GDBM viene con las versiones estándar de Linux.

-

windows/crypt

Programa de codificación utilizado para las contraseñas en las funciones administrativas de Greenstone.

-

windows/stlport

Biblioteca Estándar de Plantillas que se utiliza para compilar Greenstone con determinados compiladores de Windows.

-

wv

Convertidor del formato Word de Microsoft (para crear colecciones a partir de documentos Word), aligerado para Greenstone.

sourceforge.net/projects/wvware

pdftohtml

Convertidor del formato PDF que se utiliza para crear colecciones a partir de documentos PDF.

www.ra.informatik.uni-stuttgart.de/~gosho/pdftohtml

yaz

Programa cliente Z39.50 que se utiliza para lograr la compatibilidad de Greenstone con el protocolo Z39.50. El archivo README.gsdl. informa de los progresos al respecto.

www.indexdata.dk


El directorio packages (paquetes), cuyo contenido se muestra en el Cuadro 16, es donde se guardan todos los códigos utilizados por Greenstone pero elaborados por otros equipos de investigadores. Todos los programas informáticos distribuidos con Greenstone cumplen los requisitos de la Licencia Pública General de GNU. Los ejecutables producidos por esos paquetes se colocan en el directorio bin de Greenstone. Cada paquete se guarda en su propio directorio. Sus funciones varían considerablemente, desde indizar y comprimir hasta convertir documentos de Word de Microsoft en el formato HTML. Cada paquete tiene un archivo README (LÉAME) que proporciona informaciones complementarias sobre el mismo.

3 EL SISTEMA DE EJECUCIÓN DE GREENSTONE

En este capítulo se explica el sistema de ejecución de Greenstone a fin de que usted pueda comprender, aumentar y ampliar sus posibilidades. El programa está escrito en C++ y hace un uso importante de la “herencia virtual”. Si no conoce bien este lenguaje, es preferible que lo aprenda antes de seguir adelante. Deitel y Deitel (1994) propone un manual de introducción general, pero Stroustroup (1997) es la referencia de mayor autoridad.

Empezaremos explicando la filosofía conceptual que sustenta el sistema de ejecución, ya que influye considerablemente en su implementación. Luego pasaremos a examinar  detalladamente la implementación, que constituye la parte principal de este capítulo. La versión de Greenstone que se expone aquí es la versión CGI (Biblioteca Web para los usuarios de Windows). La versión Biblioteca Local de Windows utiliza el mismo código fuente pero tiene un servidor Web incorporado como interfaz de usuario. Además, la Biblioteca Local es un proceso de tipo persistente.

3.1 Estructura de los procesos

Figure 20  Resumen gráfico de un sistema Greenstone general


En la Figura 20 aparecen varios usuarios, representados por computadoras en la parte superior del diagrama, que acceden a tres colecciones de Greenstone. Antes de ser puestas en línea, estas colecciones pasan por los procesos de importación y creación expuestos en los capítulos anteriores. En primer lugar, los documentos, que aparecen en la parte inferior de la figura, se importan en el Formato de Archivo  Greenstone, que es un formato XML. A continuación, los archivos en el Formato de Archivo Greenstone se incorporan a varios índices de búsqueda y a una base de datos de informaciones de la colección que incluye las estructuras jerárquicas necesarias para las operaciones de consulta. Una vez hecho esto, la colección está lista para ser puesta en línea y responder a las solicitudes de información.

Los dos componentes fundamentales en la concepción del sistema de ejecución son los “recepcionistas” y los “servidores de colección”. Desde el punto de vista del usuario, un recepcionista es el punto de contacto con la biblioteca digital. Recibe los datos proporcionados por los usuarios mediante el teclado y los clics del ratón, los analiza y luego transmite una solicitud al correspondiente servidor (o servidores) de la colección. Este último localiza la información solicitada y la envía al recepcionista para que la presente al usuario. Los servidores de colección actúan como un mecanismo abstracto que administra el contenido de la colección, mientras que los recepcionistas se encargan de la interfaz de usuario.

Figure 21  Resumen gráfico de un sistema Greenstone general


Como se muestra en la Figura 20, los recepcionistas se comunican con los servidores de colección mediante un protocolo definido. La implementación de este protocolo depende de la configuración de la computadora en la que se ejecuta el sistema de biblioteca digital. El caso más común, y el más sencillo, es cuando hay un recepcionista y un servidor de colección y ambos operan en la misma computadora. Eso es lo que se obtiene con la instalación por defecto de Greenstone. En este caso, los dos procesos se combinan para formar un solo ejecutable (denominado library) y, por consiguiente, la utilización del protocolo se reduce a llamadas de función. A esto lo llamamos null protocol (protocolo nulo) y es la base del sistema estándar de biblioteca digital Greenstone en su estado original. Esta configuración simplificada aparece en la Figura 21, en la que el recepcionista, el protocolo y el servidor de colección están unidos en una sola entidad, el programa library (biblioteca). La finalidad de este capítulo es explicar cómo funciona.

Normalmente, un “servidor” es un proceso persistente que, una vez iniciado, funciona indefinidamente y responde a cualquier solicitud que le llegue. No obstante, a pesar de su nombre, el servidor de colección en la configuración de protocolo nulo no es un servidor en el sentido estricto. De hecho, cada vez que se solicita una página Web de Greenstone, se arranca el programa library (mediante el mecanismo CGI), éste responde a la solicitud y luego se cierra. Lo llamamos “servidor” porque también está diseñado para funcionar con una configuración más general como la de la Figura 20.

Por más sorprendente que parezca, este ciclo de arranque, tratamiento y cierre no es tan lento como se podría imaginar y el resultado es un servicio perfectamente utilizable. Sin embargo, el sistema es poco eficiente. Existe un mecanismo llamado Fast-CGI (www.fastcgi.com) que ofrece una buena solución de compromiso. Gracias a su utilización, el programa library puede permanecer en memoria después de la primera ejecución y recibir las subsiguientes series de argumentos CGI, con lo que se evita repetir la inicialización y su función se asemeja más a la de un servidor convencional. La utilización de Fast-CGI es una opción de Greenstone y se activa volviendo a compilar el código fuente con las bibliotecas adecuadas.

Como alternativa al protocolo nulo, hemos elaborado también el protocolo Greenstone utilizando el famoso sistema CORBA (Slama et al., 1999), que utiliza un paradigma unificado orientado a objetos, para permitir a distintos procesos ejecutándose en distintas plataformas informáticas e implementados en diferentes lenguajes de programación, acceder a la misma serie de objetos distribuidos por Internet (o cualquier otra red). Así pues, una situación como la de la Figura 20, en la que todos los recepcionistas y los servidores de colección operan en diferentes computadoras, es perfectamente viable.

Figure 22  Interfaz gráfica de consultas de Greenstone


Ello permite la instalación de interfaces mucho más complejas para distribuir exactamente las mismas colecciones de biblioteca digital. A modo de ejemplo, en la Figura 22 se muestra una interfaz gráfica de consultas, basada en los diagramas de Venn, que permite a los usuarios manipular directamente las consultas booleanas. Escrita en Java, la interfaz funciona localmente en la computadora del usuario. Con el sistema CORBA, se puede acceder a un servidor remoto de colección de Greenstone, escrito en C++.

No nos extenderemos más sobre este tema en el presente manual, ya que el protocolo distribuido sigue siendo objeto de perfeccionamiento y mejoras para su utilización (para obtener más información, véase Bainbridge et al., 2001).

3.2 Marco conceptual

Figure 23  Generación de la página “Acerca de esta colección”


En la Figura 23 se muestra la página “Acerca de esta colección” de una colección Greenstone particular (la colección del Proyecto Gutenberg). Fíjese en la dirección URL que aparece en la parte superior: esta página se obtiene activando el programa CGI library, que es el ejecutable anteriormente mencionado en que el recepcionista y el servidor de colección están conectados mediante el protocolo nulo. Los argumentos del programa library son c=gberga=pp=about y l=es. Pueden interpretarse del modo siguiente:

Para acceder a la colección del Proyecto Gutenberg (c=gberg), la acción consiste en crear una página (a=p) y la página que hay que generar se llama “about” (p=about), en español (l=es).

Figure 24  Sistema de ejecución de Greenstone


La Figura 24 ilustra las principales partes del sistema de ejecución de Greenstone. En la parte superior, el recepcionista inicializa primero sus componentes, luego analiza los argumentos CGI para decidir qué acción activar. Al ejecutar la acción (que incluye nuevos tratamientos de los argumentos CGI), el programa utiliza el protocolo para acceder al contenido de la colección. Se utiliza la respuesta para generar una página Web, con la asistencia del componente de formato y del lenguaje de macros.

El lenguaje de macros, que ya examinamos en la Sección 2.4, se utiliza para conferir al sistema de Biblioteca Digital Greenstone un estilo coherente y crear interfaces en diferentes lenguas. La interacción con la biblioteca genera la estructura básica de las páginas Web y las macros del directorio GSDLHOME/macros aportan el contenido.

El objeto Lenguaje de macros representado en la Figura 24 se encarga de leer estos archivos y de memorizar el resultado del análisis. Cualquier acción puede utilizar este objeto para ampliar una macro. Puede incluso crear nuevas definiciones de macro e invalidar las anteriores, aportando así una dimensión dinámica al uso de las macros.

La representación de la página “Acerca de esta colección” (Figura 23) se conoce antes de la ejecución y está codificada en el archivo de macros about.dm. Los encabezados, los pies de página y la imagen de fondo ni siquiera se mencionan porque se encuentran en el paquete de macros Global. Sin embargo, el texto específico de “acerca de” correspondiente a una colección particular no se conoce de antemano, sino que se guarda en la base de datos de informaciones de la colección durante el proceso de creación. Esta información se recupera mediante el protocolo y se guarda como macro _ collectionextra_ en el paquete de macros Global. Obsérvese que este nombre de macro es prácticamente el mismo que se empleó para expresar esta información en el archivo de configuración de colección mencionado en la Sección 1.3. Para generar el contenido de la página, se amplía la macro _ content _ en el paquete about (que se muestra en la Figura 19). Esta operación amplía a su vez _ textabout _, que accede a la macro _ collectionextra _ que acababa de colocarse allí de manera dinámica.

Otro componente importante es el objeto Formato. Las instrucciones de formato en el archivo de configuración de colección inciden en la presentación de determinados elementos de información, como se explica en la Sección 2.3. Su gestión corre a cargo del objeto Formato representado en la Figura 24. La principal tarea de este objeto es analizar y evaluar instrucciones como las cadenas de formato de la Figura 16. Tal como vimos en la Sección 2.3, éstas pueden comprender referencias a metadatos entre corchetes (por ejemplo, [Title]), que han de recuperarse del servidor de colección. Se producen interacciones entre el objeto Formato y el objeto Lenguaje de macros, ya que las instrucciones de formato pueden incluir macros, que cuando se amplían incluyen metadatos, y cuando éstos se amplían a su vez incluyen macros, y así sucesivamente.

El servidor de colección, visible en la parte inferior de la Figura 24, experimenta también un proceso de inicialización, en el que establece objetos Filtro y de fuente para responder a las solicitudes que recibe del protocolo, y un objeto Búsqueda para prestar asistencia en esta tarea. En última instancia, los objetos acceden a los índices y las bases de datos de informaciones de colección, ambos elaborados durante la creación de la colección.

Sin contar las líneas en blanco, el recepcionista contiene 15.000 líneas de código. El servidor de colección sólo contiene 5.000 líneas, el 75% de las cuales están ocupadas por archivos de encabezado. El servidor de colección es más compacto porque la recuperación de los datos se lleva a cabo mediante dos programas precompilados. Se utiliza MG, un sistema de recuperación de texto completo, para las búsquedas y GDBM, un sistema de gestión de bases de datos, para la gestión de la base de datos de informaciones de colección.

Para facilitar la extensibilidad y la flexibilidad, Greenstone utiliza considerablemente el método de herencia, en particular, en los objetos Acción, Filtro, Fuente y Búsqueda. Esto significa que, para manejar una simple biblioteca digital que sólo contenga colecciones de textos, usted tiene que aprender un poco más para programar el sistema. No obstante, esto también significa que MG y GDBM podrían sustituirse fácilmente si ello fuera necesario. Además, la arquitectura del programa es lo suficientemente rica para admitir todas las posibilidades multimedia, como el control de la interfaz por medio de sistemas de reconocimiento de voz o  consultas en forma de gráfica.

3.3 Ajuste del marco conceptual

En las Secciones 3.6 y 3.8 se explica más detalladamente el funcionamiento del servidor de colección y del recepcionista, se amplía la información sobre los módulos de la Figura 24 y se explica su implementación. Es conveniente, en primer lugar, ilustrar con ejemplos la interacción de un usuario con el programa Greenstone y luego explicar lo que sucede “entre bastidores”. De momento, supondremos que todos los objetos están inicializados correctamente. La inicialización es un procedimiento bastante complejo que reexaminaremos en la Sección 3.9.

Figure 25  Búsqueda de Darcy en el Proyecto Gutenberg


Cuando un usuario introduce una consulta y pulsa Iniciar la búsqueda en la página de búsqueda, se activa una acción Greenstone que culmina generando una nueva página HTML mediante el lenguaje de macros. En la Figura 25 se muestra el resultado de la búsqueda del nombre Darcy en la colección del Proyecto Gutenberg. La instrucción a=q se encuentra oculta en el HTML de la página original de búsqueda. Cuando se pulsa el botón de búsqueda se activa esta instrucción y se ejecuta la nueva acción queryaction. La ejecución de queryaction consiste en una llamada al objeto Filtro de la colección designada ( c=gberg) a través del protocolo.

Los filtros desempeñan una función básica importante en los servidores de colección. Adaptados a las actividades de búsqueda y consulta, los filtros permiten seleccionar un subconjunto de información en una colección. En este caso, queryaction inicia una solicitud de filtro:

  • estableciendo que el tipo de solicitud de filtro es QueryFilter (los distintos tipos de filtro se explican en la Sección 3.6);
  • memorizando las preferencias de búsqueda del usuario – reconocimiento de mayúsculas y minúsculas, truncamiento, etc.– en la solicitud de filtro;
  • activando la función filter( ) mediante el protocolo nulo.

Las llamadas al protocolo son síncronicas. El recepcionista queda efectivamente bloqueado hasta que el servidor de colección trata la solicitud de filtro y se envían los datos generados.

Cuando se hace una llamada de protocolo de tipo QueryFilter, el objeto de filtro (véase la Figura 24) descodifica las opciones y llama al objeto Búsqueda, que utiliza MG para efectuar la búsqueda propiamente dicha. La función del objeto Búsqueda es proporcionar una interfaz abstracta de programa que permita la búsqueda, independientemente de la herramienta de búsqueda subyacente que se utilice. El formato utilizado para enviar los resultados recurre también a la abstracción, lo cual obliga el objeto Búsqueda a traducir los datos generados por la herramienta de búsqueda a una forma normalizada.

Una vez enviados los resultados de búsqueda al recepcionista, se procede a formatearlos para su presentación utilizando los objetos Formato y Lenguaje de macros. Como se muestra en la Figura 25, esta operación supone: la creación del encabezado, el pie de página, la barra de desplazamiento y la imagen de fondo normalizados de Greenstone; la repetición de la parte principal de la página de consulta justo debajo de la barra de desplazamiento; y la presentación de un icono de libro, así como el título y el autor para cada uno de los resultados de la búsqueda. El formato de esta última parte depende de la instrucción format SearchVList que se encuentra en el archivo de configuración de la colección. Para poder mostrar los metadatos de título y autor, éstos han de recuperarse antes del servidor de colección, lo que requiere nuevas llamadas al protocolo, pero esta vez utilizando BrowseFilter (filtro de consulta).

Recuperación de un documento

Siguiendo con la búsqueda anterior de Darcy, obsérvese lo que sucede cuando visualiza un documento. En la Figura 26 se muestra el resultado de pulsar el icono que se encuentra junto a The Golf Course Mystery en la Figura 25.

Figure 26  The Golf Course Mystery


El texto de origen de la colección Gutenberg consiste en un extenso archivo por cada libro. Durante la creación de la colección, dichos archivos se dividen en páginas separadas cada 200 líneas aproximadamente, y las informaciones importantes de cada página se guardan en los índices y en la base de datos de informaciones de la colección. En la parte superior de la Figura 26 se indica que este libro tiene 104 páginas electrónicas, y justo debajo aparece el principio de la primera página: el nombre de la persona que introdujo el texto, el título, el autor y el principio de un índice (dicho índice forma parte del texto de origen del Proyecto Gutenberg y no ha sido generado por Greenstone). En la parte superior izquierda se ven los botones que controlan la presentación del documento: una sola página o la totalidad del documento, si se resalta o no el término de la consulta, y si se muestra o no el libro en su propia ventana, separado de la actividad principal de búsqueda y consulta. En la parte superior derecha hay un asistente de consulta que proporciona acceso directo a cualquier página del libro: basta con escribir el número de la página y pulsar el botón “ir a la página”. Asimismo, se pueden consultar las páginas anteriores y posteriores haciendo clic en los iconos de flecha situados de cada lado del dispositivo de selección de página.

La operación de recuperación de documentos, documentaction, se especifica mediante la configuración a=d y requiere varios argumentos suplementarios. Lo más importante es el documento por recuperar: éste se define mediante la variable d. En la Figura 26 su valor es d=HASH51e598821ed6cbbdf0942b.1 para recuperar la primera página del documento cuyo identificador es HASH51e598821ed6cbbdf0942b, y que en términos más convencionales se conoce como The Golf Course Mystery. Hay otras variables mediante las cuales se determina si el término de búsqueda ha de resaltarse o no ( hl) y qué página del libro se debe mostrar ( gt). Estas variables complementan las opciones propuestas por los botones de la página Web representados en la Figura 26 y antes mencionados. Se utilizan los valores por defecto cuando se omite cualquiera de estas variables.

Esta acción sigue un procedimiento similar a queryaction : examen de los argumentos CGI, acceso al servidor de colección mediante el protocolo y utilización del resultado para generar una página Web. Las opciones relativas al documento se descodifican a partir de los argumentos CGI y se guardan en el objeto para operaciones ulteriores. Para recuperar el documento desde el servidor de colección, sólo se necesita el identificador de documento para efectuar la llamada de protocolo get_document( ). Una vez enviado el documento, queda por hacer un trabajo considerable de formateo. Para ello, el código de documentaction accede a los argumentos almacenados y utiliza los objetos Formato y Lenguaje de macros.

Consulta de un clasificador jerárquico

En la Figura 27 se muestra un ejemplo de consulta, en que el usuario ha elegido títulos a-z y ha accedido al hipervínculo de la letra K. Esta operación se basa también en documentaction, función proporcionada por la especificación del argumento CGI a=d, como en el caso anterior. Sin embargo, la diferencia es que antes se incluyó la variable d y esta vez no. En su lugar, el nodo de la jerarquía de clasificación por visualizar se especifica con la variable cl, que en este caso representa los títulos agrupados bajo la letra K. Esta lista se constituyó durante el proceso de creación y está guardada en la base de datos de informaciones de la colección.

Figure 27  Consulta de los títulos de la colección Gutenberg


Los registros que representan nodos de clasificador en la base de datos utilizan el prefijo CL, seguido de números separados por puntos (.) para indicar dónde se encuentran dentro de la estructura de subdivisiones. Si se ignora el botón de búsqueda (visible en el extremo izquierdo de la barra de desplazamiento), los clasificadores se numeran secuencialmente por orden ascendente, de izquierda a derecha, empezando por 1. Así pues, el nodo de clasificador de primer nivel para los títulos en nuestro ejemplo es CL1, y la página buscada se obtiene indicando cl=CL1.11, como puede verse en la dirección URL que aparece en la parte superior de la Figura 27.

Para tratar una solicitud de documento de tipo cl, se utiliza el objeto Filtro para recuperar el nodo a través del protocolo. Según los datos enviados, se efectúan ulteriores llamadas de protocolo para recuperar los metadatos de los documentos. En este caso, se obtienen los títulos de los libros. Sin embargo, si se tratara de un nodo interno cuyos elementos secundarios fueran a su vez nodos, se recuperarían también los títulos de los nodos secundarios. Desde el punto de vista de la codificación es lo mismo y de ello se encarga el mismo mecanismo.

Por último, toda la información recuperada se interconecta mediante el lenguaje de macros a fin de crear la página Web que se muestra en la Figura 27.

Generación de la página principal

Figure 28  Página principal de Greenstone


Como último ejemplo, examinaremos el caso de la generación de la página principal de Greenstone. En la Figura 28 se muestra –en el caso de la instalación por defecto de Greenstone– su página principal tras la instalación de algunas colecciones de prueba. La dirección URL, que puede verse en la parte superior de la pantalla, incluye los argumentos a=p y p=home. Así pues, al igual que en el caso de la página “Acerca de esta colección”, ésta se genera mediante una pageaction (a=p), pero esta vez la página creada es home ( p=home). Por consiguiente, el lenguaje de macros accede al contenido del archivo home.dm. En este caso no es necesario especificar una colección (mediante la variable c).

La finalidad de la página principal es mostrar las colecciones disponibles. Cuando el usuario hace clic en un icono, aparece la página “Acerca de esta colección” de la colección correspondiente. Cada vez que se carga la página, se genera dinámicamente el menú de las colecciones basándose en las colecciones que se encuentran en el sistema de archivos en ese momento. Cuando una nueva colección se pone en línea, aparece automáticamente en la página principal cuando ésta se vuelve a cargar, siempre que se haya especificado que la colección es “pública”.

Para ello, el recepcionista utiliza, desde luego, el protocolo. Como parte de su función de evaluación de los argumentos CGI, la acción pageaction está programada para detectar el caso particular p=home. A continuación, la acción utiliza la llamada de protocolo get_collection_list() para establecer el conjunto de colecciones que se encuentran en línea y activa get_collectinfo() a fin de obtener información sobre cada una de ellas. Dicha información indica si la colección puede consultarse públicamente, cuál es la dirección URL del icono de la colección (si es que existe) y el nombre completo de la colección. Estos datos se utilizan para generar una entrada apropiada de la colección en la página principal.

3.4 El código fuente


Table 17  Programas autónomos incluidos en Greenstone

setpasswd/

Ayuda para las contraseñas bajo Windows.

getpw/

Ayuda para las contraseñas bajo Unix.

txt2db/

Convierte un formato de texto ASCII de tipo XML en formato de base de datos de GNU.

db2txt/

Convierte el formato de base de datos de GNU en formato de texto ASCII de tipo XML.

phind/

            

Herramienta de consulta jerárquica en los grupos de palabras.

hashfile/

        

Calcula un identificador de documento único, basándose en el contenido del archivo.

mgpp/

             

Versión reescrita y actualizada del paquete Managing Gigabytes en C++

w32server/

    

Servidor de Biblioteca Local para Windows.

checkis/

         

Ayuda específica para la instalación de Greenstone bajo Windows.


El código fuente del sistema de ejecución se encuentra en GSDLHOME/src. Ocupa dos subdirectorios, recpt para el código del recepcionista y colservr para el del servidor de colección. Greenstone funciona bajo Windows a partir de la versión Windows 3.1, lo cual impone desafortunadamente un máximo de ocho caracteres en los nombres de archivos y directorios. Esto explica la utilización de abreviaciones crípticas como recpt y colservr. Los demás subdirectorios incluyen programas independientes que se utilizan principalmente para reforzar el proceso de creación (véase el Cuadro 17).

Otro directorio, GSDLHOME/lib, incluye objetos de nivel inferior que el recepcionista y el servidor de colección utilizan. En la Sección 3.5 se explica este código.

Greenstone utiliza considerablemente la Biblioteca Estándar de Plantillas (STL), una biblioteca C++ de amplia difusión concebida por Silicon Graphics ( www.sgi.com), y que es el resultado de numerosos años de investigación y desarrollo. Como todas las bibliotecas de programación requiere un tiempo de aprendizaje. En el Apéndice A se presenta un breve resumen de las principales porciones que se utilizan en el código de Greenstone. Para una descripción más completa, consulte el manual oficial de referencia de STL disponible en la dirección Internet www.sgi.com, o alguno de los numerosos manuales sobre STL, como por ejemplo el de Josuttis (1999).

3.5 Tipos básicos de Greenstone

Los elementos definidos en el directorio GSDLHOME/lib son objetos Greenstone de nivel inferior, creados por encima de STL, y que se utilizan en todo el código fuente. En primer lugar, describimos con detalles text_t, un objeto utilizado para representar texto Unicode y luego resumimos la finalidad de cada uno de los archivos de biblioteca.

El objeto text_t

Greenstone funciona con múltiples idiomas, tanto en lo que se refiere al contenido de una colección como a la interfaz de usuario. Para ello, se utiliza Unicode a todo lo largo del código fuente. El objeto subyacente que realiza una cadena Unicode es text_t.

Figure 29  La API de text_t (abreviada)
1  
typedef vector<unsigned short> usvector;
2  
3  
class text_t {
4  
protected:
5  
usvector text;
6  
unsigned short encoding; // 0 = unicode, 1 = other
7  
8  
public:
9  
  // constructors
10  
  text_t ();
11  
  text_t (int i);
12  
  text_t (char *s); // assumed to be a normal c string
13  
14  
  void setencoding (unsigned short theencoding);
15  
  unsigned short getencoding ();
16  
17  
  // STL container support
18  
  iterator begin ();
19  
  iterator end ();
20  
21  
  void erase(iterator pos);
22  
  void push_back(unsigned short c);
23  
  void pop_back();
24  
25  
  void reserve (size_type n);
26  
27  
  bool empty () const {return text.empty();}
28  
  size_type size() const {return text.size();}
29  
30  
  // added functionality
31  
  void clear ();
32  
  void append (const text_t &t);
33  
34  
  // support for integers
35  
  void appendint (int i);
36  
  void setint (int i);
37  
  int getint () const;
38  
39  
  // support for arrays of chars
40  
  void appendcarr (char *s, size_type len);
41  
  void setcarr (char *s, size_type len);
42  
};

Unicode necesita dos bytes para almacenar cada carácter. En la Figura 29 se muestran las características principales de la interfaz para programas de aplicación (API, esto es, Application Program Interface) de text_t. El requisito de los dos bytes se cumple utilizando el tipo estándar C++ short, que se define como un número entero de dos bytes. El principal tipo de datos del objeto text_t es una matriz dinámica de unsigned shorts elaborada mediante la declaración STL vector<unsigned short> y que recibe el nombre abreviado de usvector.

Las funciones de creación (líneas 10-12) admiten explícitamente tres formas de inicialización: creación sin parámetros, que genera una cadena Unicode vacía; creación con un parámetro entero, que genera una versión de texto Unicode con el valor numérico proporcionado; y creación con un parámetro char*, que trata el argumento como una cadena C++ terminada en cero y genera una versión Unicode del mismo.

A continuación, la mayor parte del código (líneas 17-28) se ocupa de mantener un contenedor de tipo vector STL: begin( )end( )push_back( )empty( ), etc. Permite asimismo borrar y concatenar cadenas, así como convertir un número entero en una cadena de texto Unicode y remitir el correspondiente valor entero a un texto que representa un número.

Figure 30  Operadores sobrecargados para text_t
1  
class text_t{
2  
      // ...
3  
      public:
4  
      text_t &operator=(const text_t &x);
5  
      text_t &operator+=(const text_t &t);
6  
      reference operator[](size_type n);
7  
8  
      text_t &operator=(int i);
9  
      text_t &operator+= (int i);
10  
      text_t &operator= (char *s);
11  
      text_t &operator+= (char *s);
12  
13  
      friend inline bool operator!=(const text_t& x, const text_t& y);
14  
      friend inline bool operator==(const text_t& x, const text_t& y);
15  
      friend inline bool operator< (const text_t& x, const text_t& y);
16  
      friend inline bool operator> (const text_t& x, const text_t& y);
17  
      friend inline bool operator>=(const text_t& x, const text_t& y);
18  
      friend inline bool operator<=(const text_t& x, const text_t& y);
19  
      // ...
20  
};

Existen numerosos operadores sobrecargados que no aparecen en la Figura 29. La Figura 30 nos da una idea general de las operaciones posibles. La línea 4 permite asignar un objeto text_t a otro, y la línea 5 sobrecarga el operador += para poder concatenar de modo más natural un objeto text_t al final de otro. La línea 6 permite asimismo tener acceso a un carácter Unicode particular (representado como un short) utilizando subíndices de matriz [ ]. Se proporcionan asimismo operadores de asignación y concatenación para los números enteros y las cadenas C++. Las líneas 12-18 suministran operadores booleanos para comparar dos objetos text_t : igual a, diferente de, precede alfabéticamente, etc.

Existen asimismo funciones miembro que toman argumentos de tipo const en lugar de argumentos no -const, pero no se muestran aquí. Dicha repetición es habitual en los objetos C++: aumenta el volumen de la API pero sin incrementarla conceptualmente. En realidad, muchas de estas funciones se implementan como instrucciones individuales de una sola línea. Para mayor información, consulte el archivo fuente GSDLHOME/lib/text_t.h.

El código de biblioteca Greenstone

Los archivos de encabezados situados en el directorio GSDLHOME/lib comprenden una mezcla de funciones y objetos que contribuyen útilmente al sistema de ejecución de Greenstone. Cuando lo importante es la eficiencia, las funciones y las funciones miembro se especifican inline. En la mayoría de los casos, los detalles de implementación se incluyen en el archivo .cpp correspondiente al archivo de encabezados.


cfgread.h

Funciones de lectura y escritura de archivos de configuración. Por ejemplo, la función read_cfg_line( ) (leer archivo de configuración) toma como argumentos el flujo de entrada y la matriz text_tarray (abreviación de vector<text_t>) para rellenar con los datos leídos.

display.h

Objeto complejo utilizado por el recepcionista para definir, almacenar y ampliar macros, y para manejar tipos. En la Sección 3.8 se proporciona mayor información al respecto.

fileutil.h

Auxiliar para funciones de gestión de archivos independientes del sistema operativo. Por ejemplo, filename_cat( ) admite hasta seis argumentos text_t y devuelve un text_t que es el resultado de concatenar los elementos utilizando el separador de directorio adecuado para el sistema operativo en cuestión.

gsdlconf.h

Funciones específicas del sistema que contestan a preguntas como: ¿el sistema operativo que se está utilizando para la compilación necesita acceder al archivo  strings.h así como al archivo string.h ? ¿Se han definido correctamente todos los valores apropiados para el bloqueo de archivos?

gsdltimes.h

Función de apoyo para fechas y horas. Por ejemplo, time2text( ) toma la hora de la computadora, expresada como el número de segundos transcurridos desde el 1º de enero de 1970, y la convierte en el formato AAAA/MM/DD hh:mm:ss, que devuelve como tipo text_t.

gsdltools.h

Apoyo variado al sistema de ejecución de Greenstone: determina si se trata de littleEndian o bigEndian ; comprueba si Perl está disponible; ejecuta un comando del sistema (con “campaneos y silbidos”, esto es, con ciertas cualidades avanzadas y exageradas del programa); y elude los caracteres especiales de macro en una cadena text_t.

gsdlunicode.h

Serie de objetos heredados que admiten tratar las cadenas text_t de Unicode a través de flujos de entrada y salida, como las conversiones de Unicode en UTF-8 y viceversa; y la supresión de los espacios de ancho cero. Administra asimismo los archivos de correspondencia mediante el objeto mapconvert, y carga los cuadros de correspondencia en el directorio GSDLHOME/mappings.

text_t.h

Principalmente el objeto de texto de Unicode antes expuesto. Proporciona asimismo dos clases de conversión de flujos: inconvertclass y outconvertclass. Son las clases de base utilizadas en el archivo gsdlunicode.h.


3.6 El servidor de colecciones

Ahora pasaremos a explicar sistemáticamente todos los objetos del marco conceptual de la Figura 24. Empezaremos por la parte inferior del diagrama, que constituye además la base del sistema, con los objetos Búsqueda (Search), Fuente ( Source) y Filtro ( Filter), y recorreremos las capas del protocolo hasta llegar a los componentes centrales del Recepcionista, Acciones, Formato y Lenguaje de macros. Luego nos centraremos en la inicialización de los objetos, ya que es más fácil entender este proceso una vez que se conoce la función de los distintos objetos.

La mayoría de las clases fundamentales del marco conceptual se expresan mediante la herencia virtual para facilitar la extensibilidad. Mediante la herencia virtual, los objetos heredados se pueden transferir como su clase base, pero cuando se activa una función miembro, la versión definida en el objeto heredado es la que se ejecuta. Como el código fuente de Greenstone utiliza la clase base en todas partes, excepto donde se crean los objetos, esto significa que se pueden insertar fácilmente diferentes implementaciones, utilizando tal vez tecnologías subyacentes radicalmente diferentes.

Por ejemplo, supongamos que una clase de base denominada BaseCalc se encarga de la aritmética elemental: suma, resta, multiplicación y división. Si todas sus funciones se declaran virtuales, y todos los argumentos y tipos devueltos se declaran como cadenas, podemos implementar fácilmente las versiones heredadas del objeto. Una de ellas, llamada FixedPrecisionCalc, podría utilizar las funciones de la biblioteca C para las conversiones entre cadenas y números enteros e implementar los cálculos con los operadores aritméticos habituales: +, -, *,  y /. La otra, llamada InfinitePrecisionCalc, podría acceder a los argumentos de cadena carácter por carácter, efectuando operaciones aritméticas que en principio son de una precisión infinita. Escribiendo un programa principal que utiliza BaseCalc por doquier, la implementación puede pasar de la precisión finita a la precisión infinita modificando una sola línea: el lugar donde se crea el objeto de cálculo.

El objeto Búsqueda (Search)

Figure 31  API de la clase base Búsqueda (Search)
class searchclass {
public:
  searchclass ();
  virtual ~searchclass ();
  // the index directory must be set before any searching
  // is done
  virtual void setcollectdir (const text_t &thecollectdir);
  // the search results are returned in queryresults
  // search returns ’true’ if it was able to do a search
  virtual bool search(const queryparamclass &queryparams,
                   queryresultsclass &queryresults)=0;
  // the document text for ’docnum’ is placed in ’output’
  // docTargetDocument returns ’true’ if it was able to
  // try to get a document
  // collection is needed to see if an index from the
  // collection is loaded. If no index has been loaded
  // defaultindex is needed to load one
  virtual bool docTargetDocument(const text_t &defaultindex,
                        const text_t &defaultsubcollection,
                        const text_t &defaultlanguage,
                        const text_t &collection,
                        int docnum,
                        text_t &output)=0;
protected:
  querycache *cache;
  text_t collectdir; // the collection directory
};

En la Figura 31 se muestra el API de la clase de base para el objeto de búsqueda de la Figura 24. Define dos funciones miembro virtuales: search( ) y docTargetDocument( ). Tal como indica el =0 que sigue la declaración de argumento, se trata de funciones puras, lo que significa que una clase que hereda este objeto debe implementar ambas funciones (de otro modo el compilador se quejará).

La clase incluye asimismo dos campos de datos protegidos: collectdir y cache. Cuando se instancia un objeto de búsqueda para una colección particular, se utiliza el campo collectdir para determinar dónde está guardada esa colección (y, lo que es más importante, sus archivos de índice) en el sistema de archivos. El campo cache retiene el resultado de una consulta. Se utiliza para acelerar el tratamiento de consultas ulteriores que repiten la primera (y sus parámetros). Puede parecer improbable que se efectúen consultas idénticas, pero de hecho esto ocurre con bastante frecuencia. El protocolo de Greenstone es sin estado. A fin de generar una página de resultados como la de la Figura 25, pero con los resultados 11-20 de la misma consulta, se transmite de nuevo la búsqueda especificando, en este caso, que se presente la serie de documentos 11-20. El campo cache acelera esta operación, puesto que se comprueba que la búsqueda ya ha sido ejecutada y los resultados se sacan directamente de este campo.

Ambos campos de datos son aplicables a todos los objetos heredados que implementan un mecanismo de búsqueda. Por ello aparecen en la clase de base y se declaran dentro de una sección protegida de la clase, a fin de que las clases heredadas puedan acceder directamente a ellos.

Búsqueda y recuperación con MG

Greenstone utiliza MG (abreviación de Managing Gigabytes ; véase Witten et al., 1999) para indizar y recuperar documentos, y su código fuente se incluye en el directorio GSDLHOME/packages. MG emplea técnicas de compresión para optimizar la utilización del espacio de disco sin alterar la rapidez de ejecución. En el caso de una colección de documentos en inglés, el texto comprimido y los índices suelen ocupar un tercio del espacio que necesitaría el texto original sin comprimir. La búsqueda y recuperación suelen ser más rápidas que las operaciones equivalentes en la versión sin comprimir porque requieren menos operaciones en el disco duro.

Figure 32  API para acceder directamente a MG (abreviada)
enum result_kinds {
  result_docs,      // Return the documents found in last search
  result_docnums,   // Return document id numbers and weights
  result_termfreqs, // Return terms and frequencies
  result_terms      // Return matching query terms
};
int mgq_ask(char *line);
int mgq_results(enum result_kinds kind, int skip, int howmany,
                int (*sender)(char *, int, int, float, void *),
                void *ptr);
int mgq_numdocs(void);
int mgq_numterms(void);
int mgq_equivterms
             (unsigned char *wordstem,
              int (*sender)(char *, int, int, float, void *),
              void *ptr);
int mgq_docsretrieved (int *total_retrieved, int *is_approx);
int mgq_getmaxstemlen ();
void mgq_stemword (unsigned char *word);

MG se utiliza por lo general de manera interactiva tecleando las instrucciones desde la línea de comandos, y un modo de implementar mgsearchclass sería activando la llamada system( ) de la biblioteca C dentro del objeto para ejecutar los comandos MG apropiados. Sin embargo, un método más eficaz consiste en intervenir directamente en el código de MG utilizando las llamadas de función. Aunque esto requiere un mayor conocimiento del código de MG, una gran parte de la complejidad puede ocultarse tras una nueva API que pasará a ser el punto de contacto para el objeto mgsearchclass. Ésta es la función del archivo colserver/mgq.c, cuya API se muestra en la Figura 32.

Para proporcionar parámetros a MG, se usa mgq_ask( ), que admite opciones de texto en un formato idéntico al que se usa en la línea de comandos, como por ejemplo:

mgq_ask(“.set casefold off”);

Se utiliza asimismo para activar una consulta. Se accede a los resultados mediante la función mgq_results, que adopta como cuarto parámetro un puntero dirigido hacia una función. Ello proporciona un modo flexible de convertir la información devuelta en estructuras de datos de MG en el formato que requiere mgsearchclass. Las operaciones como mgq_numdocs( )mgq_numterms( ) y mgq_docsretrieved( ) también devuelven información, pero prescritas de manera más precisa. Las dos últimas contribuyen a la función de truncamiento.

El objeto Fuente (Source)

Figure 33  API de la clase base Fuente (Source)
class sourceclass {
public:
  sourceclass ();
  virtual ~sourceclass ();
  // configure should be called once for each configuration line
  virtual void configure (const text_t &key,
                          const text_tarray &cfgline);
  // init should be called after all the configuration is done but
  // before any other methods are called
  virtual bool init (ostream &logout);
  // translate_OID translates OIDs using ".pr", ."fc" etc.
  virtual bool translate_OID (const text_t &OIDin, text_t &OIDout,
                              comerror_t &err, ostream &logout);
  // get_metadata fills out the metadata if possible, if it is not
  // responsible for the given OID then it returns false.
  virtual bool get_metadata (const text_t &requestParams,
                             const text_t &refParams,
                             bool getParents,
                             const text_tset &fields,
                             const text_t &OID,
                             MetadataInfo_tmap &metadata,
                             comerror_t &err, ostream &logout);
  virtual bool get_document (const text_t &OID, text_t &doc,
                             comerror_t &err, ostream &logout);
};

La función del objeto Fuente (Source) de la Figura 24 es acceder a los metadatos y al texto del documento; la API de su clase de base se muestra en la Figura 33. Una función miembro se asigna a cada tarea: las funciones get_metadata( ) y get_document( ), respectivamente. Ambas se declaran virtual, por lo que la versión suministrada por una implementación particular de la clase de base se activa durante la ejecución. Una versión heredada de este objeto utiliza GDBM para implementar get_metadata( ) y MG para implementar get_document( ) : a continuación explicaremos en detalle esta versión.

Las otras funciones miembro que aparecen en la Figura 33 son configure( )init( ) y translate_OID( ). Las dos primeras se relacionan con el proceso de inicialización que se explica en la Sección 3.9.

La otra, translate_OID( ), maneja la sintaxis para expresar los identificadores de documento. En la Figura 26 vimos que el número de una página podía anexarse a un identificador de documento para recuperar únicamente esa página. Esto era posible porque, al crearse la colección, las páginas se almacenaban como “secciones”. Si se agrega “.1” a un OID, se recupera la primera sección del documento correspondiente. Las secciones pueden subdividirse y para acceder a ellas es preciso concatenar números de secciones separados por puntos.

Además de los números jerárquicos de secciones, la sintaxis del identificador de documento admite una forma de acceso relativo. En el caso de la sección en uso de un documento, se puede acceder al primer hijo anexando .fc (first child), al último niño anexando .lc (last child), al padre anexando .pr (parent), al hermano siguiente anexando .ns (next sibling) y al hermano anterior anexando .ps (previous sibling).

La función translate_OID utiliza los parámetros OIDin y OIDout para retener la fuente y el resultado de la conversión. Incluye otros dos parámetros: err y logout. Éstos comunican cualquier estado de error que se pueda producir durante la operación de traducción, y determina dónde enviar la información de registro ( logging information). Como veremos en la Sección 3.7, estos parámetros dependen estrechamente del protocolo.

Recuperación de base de datos con gdbm

GDBM es el programa de gestión de base de datos de GNU (www.gnu.org). Establece una estructura de registros planos de pares clave/datos, y es compatible con versiones anteriores de DBM y NDBM. Las operaciones incluyen el almacenamiento, la recuperación y la supresión de registros por clave, y un recorrido no ordenado de todas las claves.

Figure 34  La base de datos GDBM para la colección Gutenberg (extracto)
[HASH01d7b30d4827b51282919e9b]
<doctype> doc
<hastxt>           0
<Title>            The Winter’s Tale
<Creator> William Shakespeare
<archivedir>       HASH01d7/b30d4827.dir
<thistype>         Invisible
<childtype>        Paged
<contains>         ".1;".2;".3;".4;".5;".6;".7;".8;".9;".10;".11;".12; \
                 ".13;".14;".15;".16;".17;".18;".19;".20;".21;".22; \
                 ".23;".24;".25;".26;".27;".28;".29;".30;".31;".32; \
                 ".33;".34;".35
<docnum>           168483
------------------------
[CL1]
<doctype> classify
<hastxt>           0
<childtype>        HList
<Title>            Title
<numleafdocs>      1818
<thistype>         Invisible
<contains>         ".1;".2;".3;".4;".5;".6;".7;".8;".9;".10;".11;".12; \
                 ".13;".14;".15;".16;".17;".18;".19;".20;".21;".22; \
                 ".23;".24
------------------------
[CL1.1]
<doctype> classify
<hastxt>           0
<childtype>        VList
<Title>            A
<numleafdocs>      118
<contains>         HASH0130bc5f9f90089b3723431f;HASH9cba43bacdab5263c98545;\
                 HASH12c88a01da6e8379df86a7;HASH9c86579a83e1a2e4cf9736;  \
                 HASHdc2951a7ada1f36a6c3aca;HASHea4dda6bbc7cdeb4abfdee;  \
                 HASHce55006513c47235ac38ba;HASH012a33acaa077c0e612b9351;\
                 HASH010dd1e923a123826ae30e4b;HASHaf674616785679fed4b7ee;\
                 HASH0147eef4b9d1cb135e096619;HASHe69b9dbaa83ffb045d963b;\
                 HASH01abc61c646c8e7a8ce88b10;HASH5f9cd13678e21820e32f3a;\
                 HASHe8cbba1594c72c98f9aa1b;HASH01292a2b7b6b60dec96298bc;\
...

En la Figura 34 se muestra un extracto de la base de datos de informaciones de la colección elaborada durante la creación de la colección Gutenberg. El extracto se obtuvo utilizando la aplicación db2txt de Greenstone que convierte el formato binario de base de datos GDBM en forma textual. La Figura 34 contiene tres registros separados por líneas horizontales. El primero es una entrada de documento, los otros dos forman parte de la jerarquía creada por el clasificador AZList para los títulos de la colección. La primera línea de cada registro es su clave.

El registro del documento guarda el título del libro, el autor y cualquier otro metadato proporcionado (o extraído) durante la creación de la colección. Contiene asimismo valores para uso interno: dónde se encuentran los archivos asociados con ese documento (< archivedir >) y el número de documento utilizado internamente por MG (< docnum >).

En el campo < contains > se almacena una lista de elementos, separados por caracteres de punto y coma, que remiten a registros conexos en la base de datos. Para un registro de documento, el campo < contains > sirve para señalar las secciones subdivididas. Las subsiguientes claves de registro se forman concatenando la clave en curso con uno de los elementos secundarios (separado por un punto).

El segundo registro de la Figura 34 es el nodo principal de la jerarquía de clasificación de t ítulos a-z. Sus elementos secundarios, a los que se accede a través del campo < contains >, incluyen CL1.1CL1.2CL1.3 y así sucesivamente, y corresponden a las distintas páginas para las letras ABC, etc. Hay únicamente 24 elementos secundarios: el clasificador AZList fusionó las letras Q-R e Y-Z porque sólo incluían unos cuantos títulos.

Los elementos secundarios en el campo < contains > del tercer registro, CL1.1, son los documentos propiamente dichos. Es posible establecer estructuras más complicadas: el campo < contains > puede incluir una combinación de documentos y otros nodos CL. Las claves relacionadas con la clave en curso se distinguen de las claves absolutas porque llevan comillas (“) antepuestas.

El uso de MG y GDBM para implementar un objeto Fuente (Source)

Figure 35  API de la versión de sourceclass basada en MG y GDBM (abreviada)
class mggdbmsourceclass : public sourceclass {
protected:
  // Omitted, data fields that store:
  //   collection specific file information
  //   index substructure
  //   information about parent
  //   pointers to gdbm and mgsearch objects
public:
  mggdbmsourceclass ();
  virtual ~mggdbmsourceclass ();
  void set_gdbmptr (gdbmclass *thegdbmptr);
  void set_mgsearchptr (searchclass *themgsearchptr);
  void configure (const text_t &key, const text_tarray &cfgline);
  bool init (ostream &logout);
  bool translate_OID (const text_t &OIDin, text_t &OIDout,
                      comerror_t &err, ostream &logout);
  bool get_metadata (const text_t &requestParams,
                       const text_t &refParams,
                       bool getParents, const text_tset &fields,
                       const text_t &OID, MetadataInfo_tmap &metadata,
                       comerror_t &err, ostream &logout);
  bool get_document (const text_t &OID, text_t &doc,
                     comerror_t &err, ostream &logout);
};

El objeto que reúne MG y GDBM para efectuar una implementación de sourceclass se denomina mggdbmsourceclass. En la Figura 35 se presenta su API. Las dos nuevas funciones miembro set_gdbmptr( ) y set_mgsearchptr( ) almacenan punteros dirigidos hacia sus respectivos objetos, de modo que las implementaciones de get_metadata( ) y get_document( ) puedan acceder a las herramientas apropiadas para llevar a cabo su tarea.

El objeto Filtro (Filter)

Figure 36  API de la clase base de Filtro
class filterclass {
protected:
  text_t gsdlhome;
  text_t collection;
  text_t collectdir;
  FilterOption_tmap filterOptions;
public:
  filterclass ();
  virtual ~filterclass ();
  virtual void configure (const text_t &key,
                          const text_tarray &cfgline);
  virtual bool init (ostream &logout);
  // returns the name of this filter
  virtual text_t get_filter_name ();
  // returns the current filter options
  virtual void get_filteroptions
                                (InfoFilterOptionsResponse_t &response,
                                 comerror_t &err, ostream &logout);
  virtual void filter (const FilterRequest_t &request,
                       FilterResponse_t &response,
                       comerror_t &err, ostream &logout);
};

La API de la clase de base para el objeto Filtro de la Figura 24 se presenta en la Figura 36. Empieza con los campos de datos protegidos gsdlhomecollection y collectdir. Estos suelen emplearse en las clases que necesitan acceder a archivos de colecciones específicas:

  • gsdlhome es lo mismo que GSDLHOME, de modo que el objeto pueda localizar los archivos de Greenstone
  • collection es el nombre del directorio que corresponde a la colección
  • collectdir es el nombre de ruta completo del directorio de la colección (es necesario porque una colección no tiene por qué encontrarse necesariamente en la zona GSDLHOME).

mggdbsourceclass es otra clase que incluye estos tres campos de datos.

El proceso de inicialización utiliza las funciones miembro configure( ) e init( ) (que ya vimos en la función sourceclass). El propio objeto se alinea estrechamente con la porción de filtro que le corresponde en el protocolo; las funciones get_filteroptions( ) y filter( ), en particular, coinciden exactamente.

Figure 37  Manera en que se almacena una opción de filtro
struct FilterOption_t {
  void clear (); \ void check_defaultValue ();
  FilterOption_t () {clear();}
  text_t name;
  enum type_t {booleant=0, integert=1, enumeratedt=2, stringt=3};
  type_t type;
  enum repeatable_t {onePerQuery=0, onePerTerm=1, nPerTerm=2};
  repeatable_t repeatable;
  text_t defaultValue;
  text_tarray validValues;
};
struct OptionValue_t {
  void clear ();
  text_t name;
  text_t value;
};

Las dos clases que se muestran en la Figura 37 son fundamentales para las opciones de filtro. FilterOption_t almacena el nombre (name) de la opción, su tipo (type), y si se puede repetir o no ( repeatable). La interpretación de validValues depende del tipo de opción. Para un tipo booleano, el primer valor es false y el segundo true. Para un tipo entero, el primer valor es el número mínimo y el segundo el máximo. Para un tipo enumerado todos los valores están en la lista. Para un tipo de cadena se ignora el valor. Para las situaciones más simples, se emplea OptionValue_t que registra el nombre de la opción y su valor como text_t.

Los objetos de búsqueda y de respuesta transmitidos como parámetros a filterclass se crean a partir de estas dos clases, utilizando matrices asociativas para almacenar un conjunto de opciones como las que se requieren para InfoFilterOptionsResponse_t. Para obtener más detalles véase GSDLHOME/src/recpt/comtypes.h.

Objetos Filtro heredados (Inherited Filter)

Figure 38  Jerarquía de herencia para el objeto de filtro


Tal como se muestra en la Figura 38, los filtros utilizan dos niveles de herencia. En primer lugar, se establece una distinción entre filtros de búsqueda y consulta, y luego para los primeros se procede a una implementación específica basada en MG. Para que funcione correctamente, mgqueryfilterclass necesita acceder a MG a través de mgsearchclass y a GDBM a través de gdbmclassbrowsefilterclass sólo necesita tener acceso a GDBM. Los punteros de estos objetos se guardan como campos de datos protegidos dentro de las respectivas clases.

El código del servidor de colección

A continuación presentamos los archivos de encabezado del directorio GSDLHOME/src/colservr. El nombre del archivo coincide por lo general con el nombre del objeto que define.


browsefilter.h

Heredado de filterclass, este objeto proporciona acceso a GDBM (se explica más arriba).

collectserver.h

Este objeto enlaza los objetos Filtro y de Fuente de una colección a fin de formar el objeto Colección representado en la Figura 24.

colservrconfig.h

Función de apoyo para la lectura de los archivos específicos de una colección etc/collect.cfg e index/build.cfg. El primero es el archivo de configuración de la colección y el segundo es un archivo generado por el proceso de creación que registra la hora de la última creación llevada satisfactoriamente a cabo, una lista de las correspondencias de índice, el número de documentos indizados y su tamaño en bytes (sin comprimir).

filter.h

La clase de base del objeto de filtro filterclass antes mencionado.

maptools.h

Define una clase llamada stringmap que proporciona una correspondencia que recuerda el orden original de una correspondencia text_t, pero cuya consulta es rápida. Se utiliza en mggdbmsourceclass y queryfilterclass.

mggdbmsource.h

Heredado de sourceclass, este objeto proporciona acceso a MG y GDBM (se explica más arriba).

mgppqueryfilter.h

Heredado de queryfilterclass, este objeto proporciona una implementación de QueryFilter basada en MG++, una versión mejorada de MG escrita en C++. Obsérvese que Greenstone está configurado para utilizar MG por defecto, ya que MG++ se encuentra todavía en fase de desarollo.

mgppsearch.h

Heredado de searchclass, este objeto proporciona une implementación del objeto Búsqueda utilizando MG++. Como mgppqueryfilterclass, tampoco se utiliza por defecto.

mgq.h

Interfaz funcional para el paquete MG. Sus principales funciones son mg_ask( ) y mg_results( ).

mgqueryfilter.h

Heredado de queryfilterclass, este objeto proporciona una implementación de QueryFilter basada en MG.

mgsearch.h

Heredado de searchclass, este objeto proporciona una implementación de Search  (búsqueda) utilizando MG (se explica más arriba).

phrasequeryfilter.h

Heredado de mgqueryclass, este objeto proporciona una clase de consulta basada en frases. No se utiliza en la instalación por defecto. En su lugar mgqueryfilterclass ofrece esta posibilidad a través del apoyo funcional de phrasesearch.h.

phrasesearch.h

Función de apoyo para efectuar una búsqueda de grupos de palabras como operación posterior al tratamiento.

querycache.h

Utilizado por searchclass y sus clases heredadas para almacenar en el campo caché los resultados de una consulta, a fin de que la generación de las páginas resultantes de búsquedas posteriores resulte más eficaz (se explica más arriba).

queryfilter.h

Heredado de la clase base de filtro filterclass, este objeto establece una clase base para los objetos Filtro y Búsqueda (se explica más arriba).

queryinfo.h

Ayuda para la búsqueda: estructuras de datos y objetos para guardar los parámetros de consulta, los resultados de documentos y las frecuencias de términos.

search.h

La clase de base del objeto Búsqueda searchclass (se explica más arriba).

source.h

La clase de base del objeto Fuente sourceclass (se explica más arriba).


3.7 Protocolo


Table 18  Lista de llamadas del protocolo

get_protocol_name( )

Devuelve el nombre de este protocolo. Las opciones incluyen nullprotocorbaproto y z3950proto. Utilizado por las partes del sistema de ejecución que dependen del protocolo para decidir qué código ejecutar.

get_collection_list( )

Devuelve la lista de colecciones que este protocolo conoce.

has_collection( )

Devuelve el valor true ( verdadero) si el protocolo puede comunicar con la colección nombrada, es decir, si se encuentra en su lista de colecciones.

ping( )

Reenvía el valor true (verdadero) si se ha logrado establecer una conexión con la colección nombrada. En el caso del protocolo nulo, la implementación es idéntica a la de has_collection( ).

get_collectinfo( )

Obtiene información general sobre la colección nombrada: fecha de la última creación, número de documentos que contiene, etc. Incluye también metadatos del archivo de configuración de la colección: texto de “Acerca de esta colección”, el icono de la colección que ha de utilizarse, etc.

get_filterinfo( )

Obtiene una lista de todos los objetos Filtro para la colección nombrada.

get_filteroptions( )

Obtiene todas las opciones para un objeto Filtro particular en la colección nombrada.

filter( )

Permite la búsqueda y la consulta. Para un tipo de filtro determinado y unas configuraciones de opciones, accede al contenido de las colecciones nombradas para producir un conjunto de resultados que es filtrado según las configuraciones de opciones. Los campos de datos devueltos dependen también de las configuraciones de opciones, por ejemplo: la frecuencia de los términos de consulta y los metadatos de documento.

get_document( )

Obtiene un documento o sección de un documento.


En el Cuadro 20 se presenta una lista de las llamadas de función al protocolo, y un resumen de cada una de ellas. Los ejemplos de la Sección 3.3 ilustran la mayoría de esas llamadas. Las funciones no mencionadas anteriormente son has_collection( )ping( )get_protocol_name( ) y get_filteroptions( ). Las dos primeras responden afirmativa o negativamente a las preguntas “¿existe la colección en este servidor?” y “¿se encuentra en funcionamiento?”, respectivamente. La finalidad de las otras dos es admitir protocolos múltiples en una arquitectura repartida en diferentes computadoras, y no sólo el ejecutable individual basado en el protocolo nulo que se menciona aquí. Una de ellas detecta qué protocolo se encuentra en uso. La otra permite que un recepcionista consulte al servidor de una colección para averiguar qué opciones admite, a fin de configurarse dinámicamente y sacar el máximo provecho de los servicios ofrecidos por un servidor particular.

Figure 39  API del protocolo nulo (abreviado)
class nullproto : public recptproto {
public:
  virtual text_t get_protocol_name ();
  virtual void get_collection_list (text_tarray &collist,
                        comerror_t &err, ostream &logout);
  virtual void has_collection (const text_t &collection,
                        bool &hascollection,
                        comerror_t &err, ostream &logout);
  virtual void ping (const text_t &collection,
                        bool &wassuccess,
                        comerror_t &err, ostream &logout);
  virtual void get_collectinfo (const text_t &collection,
                        ColInfoResponse_t &collectinfo,
                        comerror_t &err, ostream &logout);
virtual void get_filterinfo (const text_t &collection,
                        InfoFiltersResponse_t &response,
                        comerror_t &err, ostream &logout);
virtual void get_filteroptions (const text_t &collection,
                        const InfoFilterOptionsRequest_t &request,
                        InfoFilterOptionsResponse_t &response,
                        comerror_t &err, ostream &logout);
  virtual void filter (const text_t &collection,
                       FilterRequest_t &request,
                       FilterResponse_t &response,
                       comerror_t &err, ostream &logout);
  virtual void get_document (const text_t &collection,
                             const DocumentRequest_t &request,
                             DocumentResponse_t &response,
                             comerror_t &err, ostream &logout);
};

En la Figura 39 se muestra la API para el protocolo nulo. Se han omitido los comentarios y determinados detalles de nivel inferior (véase el archivo fuente recpt/nullproto.h para obtener más información al respecto).

Este protocolo hereda de la clase de base recptproto. Se utiliza la herencia virtual a fin de poder admitir fácilmente más de un tipo de protocolo –incluso protocolos aún no concebidos– en el resto del código fuente. Ello es posible porque el objeto de clase de base recptproto se utiliza a lo largo de todo el código fuente, excepto en el punto de creación, donde especificamos la variedad concreta de protocolo que deseamos utilizar que, en este caso, es el protocolo nulo.

Con la excepción de get_protocol_name( ), que no toma parámetros y devuelve el nombre del protocolo como una cadena de texto codificada en Unicode, todas las funciones de protocolo incluyen un parámetro de error y un flujo de salida como argumentos finales. El parámetro de error registra cualquier error que se produce durante la ejecución de la llamada de protocolo y la secuencia de salida se utiliza a efectos de registro ( logging). Las funciones son del tipo void, esto es, no reenvían explícitamente la información en su instrucción final, sino que reenvían datos a través de parámetros designados como el parámetro de error antes mencionado. En algunos lenguajes de programación, estos subprogramas se definirían como “procedimientos” en vez de “funciones”, pero C++ no establece ninguna distinción sintáctica.

La mayoría de las funciones toman el nombre de la colección como argumento. Tres de las funciones miembro, get_filteroptions( )filter( ) y get_document( ) siguen el esquema de proporcionar un parámetro de consulta y de recibir los resultados en un parámetro de respuesta Response.

3.8 El recepcionista

La capa final del modelo conceptual es el recepcionista. Una vez analizados los argumentos CGI, la actividad principal es la ejecución de una acción con la asistencia de los objetos Formato y Lenguaje de macros, que se explican más adelante. Aunque se representen como objetos en el marco conceptual, los objetos Formato y Lenguaje de macros no son estrictamente objetos en el sentido de C++. En realidad, el objeto de formato es una colección de estructuras de datos con un conjunto de funciones que operan en aquéllas, y el objeto de lenguaje de macros se crea en torno a displayclass, definido en lib/display.h con un apoyo de conversión de flujo procedente de lib/gsdlunicode.h.

Acciones


Table 19  Las acciones en Greenstone

action

Clase base para la herencia virtual.

authenaction

Presta ayuda a la autenticación del usuario: pide al usuario una contraseña si no se ha introducido ninguna, comprueba su validez y obliga al usuario a introducir la contraseña de nuevo si transcurre demasiado tiempo entre dos accesos.

collectoraction

Genera las páginas para el Colector.

documentaction

Recupera documentos, secciones de documentos, porciones de la jerarquía de clasificación o información sobre formatos.

extlinkaction

Lleva un usuario directamente a una dirección URL que es externa a la colección, generando eventualmente antes una página de alerta (según las preferencias).

pageaction

Genera una página en conjunción con el lenguaje de macros.

pingaction

Comprueba si una colección está en línea.

queryaction

Efectúa una búsqueda.

statusaction

Genera las páginas de administración.

tipaction

Facilita de forma aleatoria una sugerencia al usuario.

usersaction

Administra la adición, la supresión y la gestión de los accesos de usuario.


Greenstone admite las once acciones que se resumen en el Cuadro 21.

Figure 40  Utilización de cgiargsinfoclass desde pageaction.cpp
1  
cgiarginfo arg_ainfo;
2  
arg_ainfo.shortname = "a";
3  
arg_ainfo.longname = "action";
4  
arg_ainfo.multiplechar = true;
5  
arg_ainfo.argdefault = "p";
6  
arg_ainfo.defaultstatus = cgiarginfo::weak;
7  
arg_ainfo.savedarginfo = cgiarginfo::must;
8  
argsinfo.addarginfo (NULL, arg_ainfo);
9  
10  
arg_ainfo.shortname = "p";
11  
arg_ainfo.longname = "page";
12  
arg_ainfo.multiplechar = true;
13  
arg_ainfo.argdefault = "home";
14  
arg_ainfo.defaultstatus = cgiarginfo::weak;
15  
arg_ainfo.savedarginfo = cgiarginfo::must;
16  
argsinfo.addarginfo (NULL, arg_ainfo);

Los argumentos CGI necesarios para una acción se declaran formalmente en la función constructora utilizando cgiarginfo (definida en recpt/cgiargs.h). En la Figura 40 se muestra un extracto de la función constructora pageaction, que define el tamaño y las propiedades de los argumentos CGI a y p.

Para cada argumento CGI, el constructor debe especificar su nombre corto (líneas 2 y 10), que es el nombre de la variable CGI propiamente dicha; un nombre largo (líneas 3 y 11) que se utiliza para proporcionar una descripción más elocuente de la acción; si representa un valor de carácter simple o múltiple (líneas 4 y 12); un posible valor por defecto (líneas 5 y 13); lo que ocurre cuando se proporcionan varios valores por defecto (líneas 6 y 14) (ya que pueden introducirse valores por defecto en los archivos de configuración); y si es preciso preservar o no el valor al final de esta acción (líneas 7 y 15).

Puesto que está integrada en el código, se pueden generar automáticamente páginas Web que detallan esta información. La acción statusaction produce esta información, que puede visualizarse introduciendo la dirección URL de la página de administración de Greenstone.

Las doce acciones heredadas se construyen en main( ), la función de alto nivel del ejecutable library, cuya definición figura en el archivo recpt/librarymain.cpp. Es aquí también donde se forma el objeto Recepcionista (definido en recpt/receptionist.cpp). La responsabilidad de todas las acciones recae en el objeto de recepcionista, que las trata manteniendo, como un campo de datos, una matriz asociativa de la clase base Acción, indizada por nombres de acción.

Figure 41  API de la clase base Acción
class action {
protected:
  cgiargsinfoclass argsinfo;
  text_t gsdlhome;
public:
  action ();
  virtual ~action ();
  virtual void configure (const text_t &key,
                          const text_tarray &cfgline);
  virtual bool init (ostream &logout);
  virtual text_t get_action_name ();
  cgiargsinfoclass getargsinfo ();
  virtual bool check_cgiargs (cgiargsinfoclass &argsinfo,
                              cgiargsclass &args,
                              ostream &logout);
virtual bool check_external_cgiargs (cgiargsinfoclass &argsinfo,
                              cgiargsclass &args,
                              outconvertclass &outconvert,
                              const text_t &saveconf,
                              ostream &logout);
virtual void get_cgihead_info (cgiargsclass &args,
                              recptprotolistclass *protos,
                              response_t &response,
                              text_t &response_data,
                              ostream &logout);
virtual bool uses_display (cgiargsclass &args);
virtual void define_internal_macros (displayclass &disp,
                              cgiargsclass &args,
                              recptprotolistclass *protos,
                              ostream &logout);
virtual void define_external_macros (displayclass &disp,
                              cgiargsclass &args,
                              recptprotolistclass *protos,
                              ostream &logout);
virtual bool do_action (cgiargsclass &args,
                        recptprotolistclass *protos,
                        browsermapclass *browsers,
                        displayclass &disp,
                        outconvertclass &outconvert,
                        ostream &textout,
                        ostream &logout);
};

En la Figura 41 se muestra la API de la clase base Acción. Cuando se ejecuta una acción, el objeto Recepcionista activa diversas funciones, empezando por check_cgiarsgs( ). La mayoría de estas funciones contribuyen a verificar, configurar y definir valores y macros, mientras que do_action( ) genera efectivamente la página resultante. Si un objeto heredado particular no dispone de una definición para una función miembro determinada, pasa a la definición de la clase base que implementa un comportamiento por defecto apropiado.

La explicación de las funciones miembro es la siguiente:

  • get_action_name( ) devuelve el valor del argumento CGI a que especifica esta acción. El nombre debería ser corto pero puede incluir más de un carácter.
  • check_cgiargs( ) es llamada antes que get_cgihead_info( )define_external_macros( ) y do_action( ). En caso de error aparece un mensaje escrito en logout ; si el error es importante, la función devuelve el valor false (falso) y no genera ningún contenido de página.
  • check_external_cgiargs( ) se activa después de check_cgiargs( ) para todas las acciones. Su uso se limita a invalidar otros comportamientos por defecto, como por ejemplo, mostrar una página de conexión cuando la página solicitada requiere una autenticación.
  • get_cgihead_info( ) establece la información del encabezado CGI. Si response tiene el valor de location, entonces response_data contiene la dirección de redirección. Si response equivale a content, entonces response_data contiene el tipo de contenido.
  • uses_display( ) devuelve true ( verdadero) si se necesita displayclass para mostrar el contenido de la página (comportamiento por defecto).
  • define_internal_macros( ) define todas las macros relacionadas con las páginas generadas por esta acción.
  • define_external_macros( ) define todas las macros que podrían ser utilizadas por otras acciones para producir páginas.
  • do_action( ) genera la página resultante, normalmente en un flujo a través del objeto Lenguaje de macros display y el objeto de conversión de salida textout. Reenvía el valor false si un error ha impedido que la acción produzca un resultado.

Situado en el principio de la definición de clase, argsinfo es el campo de datos protegidos (utilizado en el extracto de código que se muestra en la Figura 40) que almacena la información de argumento CGI especificada en una función constructora de acción heredada. El otro campo de datos, gsdlhome, registra GSDLHOME para facilitar el acceso [3]. El objeto incluye asimismo las funciones configure( ) e init( ) a efectos de inicialización.

Formateo

Figure 42  Estructuras de datos centrales de la clase Formato
enum command_t {comIf, comOr, comMeta, comText, comLink, comEndLink,
                comNum, comIcon, comDoc,
                comHighlight, comEndHighlight};
enum pcommand_t {pNone, pImmediate, pTop, pAll};
enum dcommand_t {dMeta, dText};
enum mcommand_t {mNone, mCgiSafe};
struct metadata_t {
  void clear();
  metadata_t () {clear();}
  text_t metaname;
  mcommand_t metacommand;
  pcommand_t parentcommand;
  text_t parentoptions;
};
// The decision component of an {If}{decision,true-text,false-text}
// formatstring. The decision can be based on metadata or on text;
// normally that text would be a macro like
// _cgiargmode_.
struct decision_t {
  void clear();
  decision_t () {clear();}
  dcommand_t command;
  metadata_t meta;
  text_t text;
};
struct format_t {
  void clear();
  format_t () {clear();}
  command_t command;
  decision_t decision;
  text_t text;
  metadata_t meta;
  format_t *nextptr;
  format_t *ifptr;
  format_t *elseptr;
  format_t *orptr;
};

Aunque en la Figura 24 el formateo se representa como una entidad única, en realidad está constituida por un conjunto de estructuras de datos y funciones, que se encuentran en el archivo de encabezado recpt/formattools.h. Las estructuras de datos centrales aparecen en la Figura 42.

Figure 43  Estructuras de datos creadas para el ejemplo de instrucción de formato


Es más fácil explicar la implementación con un ejemplo. Cuando la instrucción de formato:

       Format CL1Vlist

“[link][Title]{If}{[Creator], por [Creator]}[/link]}”

es leída desde un archivo de configuración de colección, las funciones de formattools.cpp la analizan y se forma la estructura de datos interconectados que se muestra en la Figura 43. Cuando es necesario que una acción evalúe la instrucción de formato, se recorre la estructura de datos. La ruta que se toma a nivel de los nodos comIf y comOr depende de los metadatos devueltos por una llamada al protocolo.

Al recuperar los metadatos, puede ocurrir que el resultado contenga otras macros y sintaxis de formato. Esto se resuelve avanzando y retrocediendo entre el análisis y la evaluación, según convenga.

El lenguaje de macros

La entidad de Lenguaje de macros de la Figura 24, al igual que la de Formato, no corresponde a una única clase C++. En este caso existe una clase principal, pero la implementación del lenguaje de macros depende también de funciones y clases de apoyo.

La mejor manera de explicarlo es, una vez más, mediante un ejemplo. En primer lugar presentaremos unos ejemplos de definiciones de macros que ilustran las prioridades de las macros, luego, mediante un diagrama, describiremos las estructuras de datos principales creadas para apoyar esta actividad. Por último, presentaremos y explicaremos las funciones miembro públicas de displayclass, el objeto de macro de primer nivel.

Figure 44  Ilustración de la prioridad entre las macros
package query
_header_ []                           {_querytitle_}
_header_ [l=en]                       {Search page}
_header_ [c=demo]           {<table
bgcolor=green><tr><td>_querytitle_</td></tr></table>}
_header_ [v=1]                        {_textquery_}
_header_ [l=fr,v=1,c=hdl]   {HDL Page de recherche}

En una colección Greenstone clásica, la prioridad entre las macros es normalmente: c (para la colección) tiene prioridad sobre v (para la interfaz gráfica o textual), que tiene prioridad sobre l (para el idioma). Esto se establece con la línea:

macroprecedence c, v, l

en el archivo de configuración principal main.cfg. Las instrucciones de macros de la Figura 44 definen ejemplos de macros para _ header _ en el paquete query para distintos valores de cv y l. Si los argumentos CGI proporcionados cuando se solicita una acción incluyen c=hdlv=1 y l=en, se seleccionaría entonces la presentación de la macro _ header _ [v=1]. Se seleccionaría antes que _ content _ [l=en] porque v tiene prioridad sobre l. La macro _ content _ [l=fr, v=1, c=hdl] no sería seleccionada porque el parámetro de página para l es diferente.

Figure 45  Estructuras de datos que representan las macros por defecto


En la Figura 45 se muestra la estructura de datos principales creada por la lectura de los archivos de macros especificados en etc/main.cfg. Se trata esencialmente de una matriz asociativa de matrices asociativas de matrices asociativas. El nivel superior (que aparece a la izquierda) indiza el paquete del que procede la macro, y el segundo nivel indiza el nombre de la macro. El último nivel indiza todos los parámetros especificados, guardando cada uno de ellos como tipo mvalue que registra el valor de la macro y el archivo del que procede. Por ejemplo, podemos ver el texto definido para _ header _ [l=en] de la Figura 44 almacenado en el más bajo de los dos registros mvalue de la Figura 45.

Figure 46  API de la clase displayclass (abreviada)
class displayclass
{
public:
  displayclass ();
  ~displayclass ();
  int isdefaultmacro (text_t package, const text_t &macroname);
  int setdefaultmacro (text_t package, const text_t &macroname,
                       text_t params, const text_t &macrovalue);
  int loaddefaultmacros (text_t thisfilename);
  void openpage (const text_t &thispageparams,
  const text_t &thisprecedence);
  void setpageparams (text_t thispageparams,
                      text_t thisprecedence);
  int setmacro (const text_t &macroname,
                text_t package,
                const text_t &macrovalue);
  void expandstring (const text_t &inputtext, text_t &outputtext);
  void expandstring (text_t package, const text_t &inputtext,
                     text_t &outputtext, int recursiondepth = 0);
  void setconvertclass (outconvertclass *theoutc) {outc = theoutc;}
                        outconvertclass *getconvertclass () {return outc;}
                        ostream *setlogout (ostream *thelogout);
};

El objeto principal de apoyo al lenguaje de macros es displayclass, definido en lib/display.h. Sus funciones miembro públicas aparecen en la Figura 46. La clase lee los archivos de macros especificados utilizando loaddefaultmacros( ) y guarda en una sección protegida de la clase (que no se muestra) el tipo de la estructura de datos que se muestra en la Figura 45. Es posible asimismo que el sistema de ejecución cree macros utilizando setmacro( ) (en el último ejemplo de la Sección 3.3pageaction establece que _ homeextra _ sea el cuadro generado dinámicamente para las colecciones disponibles que utilizan esta función). Todo ello con la ayuda de un conjunto de matrices asociativas semejantes a las que se utilizan para representar los archivos de macros (no es idéntico porque el primero no requiere la capa “parámetro”). En displayclass, las macros que se leen desde el archivo se denominan macros por defecto. Las macros locales que se especifican a través de setmacro( ) se denominan macros en curso, y son borradas de la memoria tras generarse la página.

Cuando se va a generar una página, se llama primero openpage( ) para comunicar las configuraciones en curso de los parámetros de la página en cuestión ( l=en, etc.). A continuación, el texto y las macros fluyen a través de la clase – normalmente desde una actionclass – utilizando el código:

cout << text_t2ascii << display << “_unamacro_”
                                << “_otramacro_”;

El resultado es que las macros se amplían siguiendo las configuraciones de los parámetros de la página. En caso necesario, estas configuraciones pueden modificarse durante el proceso mediante una acción que utiliza setpageparams( ). Las demás funciones miembro públicas proporcionan el apoyo de nivel inferior.

El código del recepcionista

Hemos explicado ya los objetos principales del recepcionista. A continuación, detallaremos las clases de apoyo que se encuentran en el directorio GSDLHOME/src/recpt. Excepto cuando la eficiencia es prioritaria, en cuyo caso las definiciones están inline (en línea), los detalles de la implementación se encuentran en el archivo .cpp correspondiente al archivo de encabezados. Los archivos de apoyo suelen incluir la palabra tool como parte del nombre del archivo, como en OIDtools.h y formattools.h.

Un segundo conjunto de archivos de alcance léxico comprenden el prefijo z3950. Los archivos proporcionan acceso remoto a las bases de datos y los catálogos en línea públicamente accesibles mediante el protocolo Z39.50.

Otro amplio grupo de archivos de apoyo comprende el término browserclass. Estos archivos están relacionados mediante una jerarquía de herencia virtual. Como grupo apoyan la noción abstracta de consulta: generación de páginas en serie que comportan contenidos de documentos compartimentados o metadatos. Las posibilidades de consulta incluyen el examen de documentos ordenados alfabéticamente por título o cronológicamente por fecha, la consulta de los resultados de una búsqueda por grupos de diez, y el acceso a las páginas individuales de un libro utilizando el mecanismo “ir a la página”. Todas las actividades de consulta heredan la clase de base browserclass :

  • datelistbrowserclass para apoyo para las listas cronológicas;
  • hlistbrowserclass para apoyo para las listas horizontales;
  • htmlbrowserclass para apoyo para las páginas HTML;
  • invbrowserclass para apoyo para las listas invisibles;
  • pagedbrowserclass para apoyo para ir a una página particular;
  • vlistbrowserclass para apoyo para las listas verticales.

Las acciones acceden a los objetos browserclass a través del archivo browsetools.h.


OIDtools.h

Función de apoyo para la evaluación de los identificadores de documento en el protocolo.

action.h

Clase de base para la entidad Acción expuesta en la Figura 24.

authenaction.h

Acción heredada para la gestión de la autenticación de un usuario.

browserclass.h

Clase de base para las actividades de consulta abstractas.

browsetools.h

Función de apoyo para el acceso a la jerarquía browserclass. Las funciones incluyen la ampliación y contracción de contenidos, la creación de un índice y la generación de controles como el mecanismo “ir a la página”.

cgiargs.h

Define cgiarginfo, utilizado en la Figura 40, así como el apoyo de otras estructuras de datos para los argumentos CGI.

cgiutils.h

Función de apoyo para los argumentos CGI que utilizan las estructuras de datos definidas en cgiargs.h.

cgiwrapper.h

Función de apoyo que hace todo lo necesario para generar una página utilizando el protocolo CGI. El acceso se hace mediante la función:

void cgiwrapper (receptionist &recpt,
  text_t collection);

que es la única función declarada en el archivo de encabezados. Todo el resto del archivo .cpp tiene un alcance léxico de carácter local en el archivo (utilizando la palabra clave C++ static). Si se utiliza la función para una colección particular, entonces se debe introducir collection, o si no la cadena vacía “”. El código incluye apoyo para Fast-CGI.

collectoraction.h

Acción heredada que facilita la creación de colecciones por parte del usuario final mediante el Colector. La página generada procede de collect.dm y es controlada por el argumento CGI p=page.

comtypes.h

Tipos centrales del protocolo.

converter.h

Objeto de apoyo para los convertidores de flujo.

datelistbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para la consulta de las listas cronológicas, como las que se ven en la colección Archivos Greenstone en “ dates ” (fechas) de la barra de desplazamiento.

documentaction.h

Acción heredada que se utiliza para recuperar un documento o porción de una jerarquía de clasificación.

extlinkaction.h

Acción heredada que controla si un usuario va directamente a un enlace externo o si debe pasar por una página de aviso que le informa de que se dispone a salir del sistema de biblioteca digital.

formattools.h

Función de apoyo para analizar y evaluar las instrucciones format de configuración de colección. Se explica con más detalles en la Sección 3.8.2 supra.

historydb.h

Estructuras de datos y función de apoyo para la gestión de una base de datos de búsquedas anteriores, de modo que un usuario pueda iniciar una nueva búsqueda que incluya términos de búsquedas anteriores.

hlistbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para la consulta de las listas horizontales.

htmlbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para la consulta de las páginas HTML.

htmlgen.h

Función de apoyo para resaltar los términos de búsqueda en una cadena text_t.

htmlutils.h

Función de apoyo que convierte una cadena text_t en el HTML equivalente. Los símbolos “, &, < y > se convierten respectivamente en &quot;&amp;&lt; y &gt;.

infodbclass.h

Define dos clases: gdbmclass e infodbclass. La primera proporciona la API de Greenstone para GDBM; la segunda es la clase de objeto utilizada para guardar una entrada de registro leída en una base de datos GDBM, y es esencialmente una matriz asociativa formada por matrices de cadenas text_t indizadas por números enteros.

invbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para la consulta de listas que no se presentarán en pantalla (invisibles).

nullproto.h

Heredada de recptproto, este clase realiza el protocolo nulo a través de las llamadas de funciones del recepcionista al servidor de colección.

pageaction.h

Acción heredada que, en combinación con el archivo de macros indicado en p=page, genera una página Web.

pagedbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para el mecanismo “ir a la página”, como vimos por ejemplo en la colección Gutenberg.

pingaction.h

Acción heredada que comprueba si una colección particular responde.

queryaction.h

Acción heredada que toma la búsqueda formulada, las configuraciones y las preferencias, efectúa la búsqueda y genera como resultado el subconjunto de documentos correspondientes o=num empezando en la posición r=num.

querytools.h

Función de apoyo para las búsquedas.

receptionist.h

Objeto de alto nivel del recepcionista. Mantiene un registro de las informaciones de argumentos CGI, las instancias de cada acción heredada, las instancias de cada objeto de consulta heredado, el objeto central de lenguaje de macros displayclass, así como todos los convertidores posibles.

recptconfig.h

Función de apoyo para la lectura de los principales archivos de configuración y de sitio.

recptproto.h

Clase de base para el protocolo.

statusaction.h

Acción heredada que genera, conjuntamente con status.dm, las diversas páginas de administración.

tipaction.h

Acción heredada que genera, conjuntamente con tip.dm, una página Web que contiene una sugerencia elegida de forma aleatoria a partir de una lista de sugerencias que se encuentra en tip.dm.

userdb.h

Estructura de datos y función de apoyo para mantener una base de datos GDBM de usuarios: su contraseña, sus grupos, etc.

usersaction.h

Una acción de administración heredada de la clase de base que permite añadir y suprimir usuarios, así como modificar los grupos a los que pertenecen.

vlistbrowserclass.h

Heredado de browserclass, este objeto presta apoyo para la consulta de las listas verticales, que constituyen la base de los clasificadores. Por ejemplo, los elementos secundarios del nodo de títulos que empiezan con la letra N forman una Vlist.

z3950cfg.h

Apoyo de estructura de datos para el protocolo Z39.50. Utilizado por z3950proto.cpp, que define la clase de protocolo principal (heredada de la clase de base recptproto) y el analizador del archivo de configuración zparse.y (escrito en YACC).

z3950proto.h

Heredado de recptproto, esta clase implementa el protocolo Z39.50 de tal modo que el recepcionista de Greenstone pueda acceder a los sitios de bibliotecas remotas que funcionan con servidores Z39.50.

z3950server.h

Apoyo complementario para el protocolo Z39.50.


3.9 Inicialización

En Greenstone, la inicialización es una operación compleja que trata archivos de configuración y asigna valores por defecto a los campos de datos. Además de las funciones de herencia y de creación, los objetos centrales definen las funciones init( ) y configure( ) para contribuir a normalizar la tarea. Aun así, el orden de ejecución puede ser difícil de seguir. En esta sección se explica lo que sucede.

Greenstone utiliza varios archivos de configuración con diferentes fines, pero todos respetan la misma sintaxis. A menos que una línea empiece por el símbolo “#” o sólo contenga espacios en blanco, la primera palabra define un término clave y las demás representan una configuración particular de dicho término clave.

Las líneas de los archivos de configuración se transmiten de una en una a la función configure( ) y contienen dos argumentos: el término clave y una matriz de las palabras restantes. Basándose en el término clave, una versión particular de configure( ) determina si la información es de interés, y si es así la guarda. Por ejemplo, collectserver (que corresponde al objeto Colección de la Figura 24) trata las instrucciones de formato del archivo de configuración de una colección. Cuando la función configure( ) recibe el término clave format, se activa una instrucción if que guarda en el objeto una copia del segundo argumento de la función.

Tras tratar el término clave y antes de que concluya la función, algunas versiones de configure( ) transmiten los datos a las funciones configure( ) de otros objetos. El objeto Recepcionista activa la función configure( ) de los objetos Acciones, Protocolos y Consulta. El objeto Protocolo nulo activa la función configure( ) de cada objeto Colección; el objeto Colección activa los objetos Filtro y Fuente.

En C++, los campos de datos se inicializan normalmente mediante la función de creación del objeto. Sin embargo, en Greenstone algunas inicializaciones dependen de los valores leídos en los archivos de configuración, por ello es preciso proceder a una segunda tanda de inicializaciones. Esta es la finalidad de las funciones miembro init( ), y en algunos casos requiere posteriores llamadas de la función configure( ).

Figure 47  Inicialización de Greenstone utilizando el protocolo nulo
============
Main program
============
Statically construct Receptionist
Statically construct NullProtocol
Establish the value for ’gsdlhome’ by reading gsdlsite.cfg
Foreach directory in GSDLHOME/collect that isn’t "modelcol":
  Add directory name (now treated as collection name) to NullProtocol:
    Dynamically construct Collection
    Dynamically construct Gdbm class
    Dynamically construct the Null Filter
    Dynamically construct the Browse Filter
    Dynamically construct MgSearch
    Dynamically construct the QueryFilter
    Dynamically construct the MgGdbmSource
    Configure Collection with ’collection’
      Passing ’collection’ value on to Filters and Sources:
Configure Receptionist with ’collectinfo’:
      Passing ’collectinfo’ value on to Actions, Protocols, and Browsers:
Add NullProtocol to Receptionist
Add in UTF-8 converter
Add in GB converter
Add in Arabic converter
Foreach Action:
  Statically construct Action
  Add Action to Receptionist
Foreach Browsers:
  Statically construct Browser
  Add Browser to Receptionist
Call function cgiwrapper:
  =================
  Configure objects
  =================
  Configure Receptionist with ’collection’
    Passing ’collection’ value on to Actions, Protocols, and Browsers:
    NullProtocol not interested in ’collection’
  Configure Receptionist with ’httpimg’
    Passing ’httpimg’ value on to Actions, Protocols, and Browsers:
    NullProtocol passing ’httpimg’ on to Collection
    Passing ’httpimg’ value on to Filters and Sources:
  Configure Receptionist with ’gwcgi’
    Passing ’gwcgi’ value on to Actions, Protocols, and Browsers:
    NullProtocol passing ’gwcgi’ on to Collection
    Passing ’gwcgi’ value on to Filters and Sources:
  Reading in site configuration file gsdlsite.cfg
    Configure Recptionist with ’gsdlhome’
      Passing ’gsdlhome’ value on to Actions, Protocols, and Browsers:
      NullProtocol passing ’gsdlhome’ on to Collection
        Passing ’gsdlhome’ value on to Filters and Sources:
    Configure Recptionist with ...
    ... and so on for all entries in gsdlsite.cfg
  Reading in main configuration file main.cfg
    Configure Recptionist with ...
    ... and so on for all entries in main.cfg
  ====================
  Initialising objects
  ====================
  Initialise the Receptionist
    Configure Receptionist with ’collectdir’
      Passing ’collectdir’ value on to Actions, Protocols, and Browsers:
      NullProtocol not interested in ’collectdir’
    Read in Macro files
    Foreach Actions
      Initialise Action
    Foreach Protocol
      Initialise Protocol
      When Protocol==NullProtocol:
        Foreach Collection
          Reading Collection’s build.cfg
          Reading Collection’s collect.cfg
            Configure Collection with ’creator’
              Passing ’creator’ value on to Filters and Sources:
            Configure Collection with ’maintainer’
              Passing ’maintainer’ value on to Filters and Sources:
            ... and so on for all entries in collect.cfg
    Foreach Browsers
      Initialise Browser
  =============
  Generate page
  =============
  Parse CGI arguments
  Execute designated Action to produce page
End.

En la Figura 47 se presentan los mensajes de diagnóstico generados por una versión de Greenstone configurada para resaltar el proceso de inicialización. El programa arranca con la función main( ) del archivo recpt/librarymain.cpp. Crea un objeto Recepcionista y un objeto Protocolo nulo, luego recorre el archivo gsdlsite.cfg (ubicado en el mismo directorio que el ejecutable library) en  busca de gsdlhome y guarda su valor en una variable. Para cada colección en línea –lista establecida leyendo los directorios de GSDLHOME/collect – el programa crea un objeto de colección mediante el objeto Protocolo nulo, que contiene objetos Filtro, Búsqueda y Fuente, así como algunas llamadas cableadas a configure( ).

A continuación, la función main( ) agrega el objeto Protocolo nulo al recepcionista, que mantiene una matriz de clase de base de protocolos en un campo de datos protegidos, y luego activa varios convertidores. La función main( ) crea todos los objetos Acción y Consulta que se utilizan en el ejecutable y los incorpora al recepcionista. La función concluye al activar la función cgiwrapper( ) ubicada en cgiwrapper.cpp, que efectúa a su vez un número importante de inicializaciones de objetos.

La función cgiwrapper( ) comprende tres partes: configuración, inicialización y generación de página. En primer lugar, se efectúan algunas llamadas cableadas a la función configure( ), luego se lee el archivo gsdlsite.cfg y se aplica configure a cada línea. Lo mismo ocurre con el archivo etc/main.cfg.

La segunda fase de cgiwrapper( ) activa init( ). El objeto Recepcionista sólo hace una llamada a su función init( ), pero esta acción invoca las funciones init( ) de los diferentes objetos que contiene. Primero una llamada cableada a configure( ) para instalar collectdir, y luego se leen los archivos de macros. Se activa la función init( ) de cada acción. Lo mismo ocurre con cada protocolo almacenado en el recepcionista, pero en el sistema que se describe aquí sólo se almacena el protocolo nulo. La activación de la función init( ) de este objeto suscita otras configuraciones: en cada colección del protocolo nulo se leen y se tratan los archivos específicos de la colección build.cfg y collect.cfg, y cada línea activa la función configure( ).

La fase final de cgiwrapper( ) consiste en analizar los argumentos CGI y luego activar la acción adecuada. Ambas acciones se efectúan con la asistencia del objeto Recepcionista.

Los códigos de configuración, inicialización y generación de páginas están separados porque Greenstone está concebido para funcionar como servidor (con Fast-CGI, el protocolo CORBA, o la versión Biblioteca Local de Windows). En ese modo de funcionamiento, el código de configuración y de inicialización sólo se ejecuta una vez, y luego el programa permanece en memoria y genera numerosas páginas Web en respuesta a las consultas de los usuarios sin necesidad de volverse a inicializar.

4 CONFIGURACIÓN DEL SITIO GREENSTONE

En Greenstone, se utilizan dos archivos de configuración para configurar las diversas características del sitio Greenstone: el archivo de configuración “principal” main.cfg, que se encuentra en el directorio GSDLHOME/etc, y el archivo de configuración “de sitio” gsdlsite.cfg, que se encuentra en el directorio GSDLHOME/cgi-bin. Ambos archivos controlan aspectos específicos de la configuración del sitio y pueden visualizarse desde la página de administración de Greenstone.

4.1 Archivo de configuración principal

El archivo de configuración principal main.cfg sirve para configurar el recepcionista, esto es, la parte de Greenstone que procesa las consultas y muestra las páginas. Se puede controlar todo, desde las lenguas que la interfaz puede utilizar hasta los registros que se llevarán.

Mantenimiento del sitio y registro de utilización (logging)

Las líneas del archivo de configuración establecen la manera en que su sitio Greenstone se mantendrá, qué funciones ofrecerá, qué eventos se registrarán y qué notificaciones se harán al responsable del mantenimiento. En el Cuadro 23 se muestran algunas de las opciones disponibles; las restantes se exponen en las secciones siguientes.


Table 20  Opciones de configuración para el mantenimiento del sitio y el registro de utilización (logging)
 

Valor

Finalidad

maintainer

NULL o una dirección de correo electrónico

Dirección de correo electrónico del encargado del mantenimiento del sitio que se utiliza para algunas notificaciones. Si es NULL se desactivan los eventos de correo electrónico.

MailServer

NULL o un nombre de servidor

Servidor de correo electrónico de salida para el sitio. Si es NULL, se utiliza mail.dominio_del_encargado_del_mantenimiento (por ejemplo, si el encargado del mantenimiento es ayuda@ejemplo.com el valor por defecto será mail.ejemplo.com.) Si ello no lleva a un servidor SMTP válido, los eventos de correo electrónico no funcionarán.

status

enabled (activado) o disabled (desactivado)

Determina si la página de “Mantenimiento y administración” debe estar disponible.

collector

enabled (activado) o disabled (desactivado)

Determina si la aplicación “Colector” de creación de colección para el usuario final debe estar disponible.

logcgiargs

true (verdadero) o false (falso)

Si el valor es true (verdadero), se conserva un registro de utilización en usage.txt.

usecookies

true (verdadero) o false (falso)

Si el valor es true (verdadero), se acopia información relativa a los usuarios del sitio (mediante registros de identificación o cookies) que se guarda en usage.txt (sólo funciona si la opción logcgiargs tiene el valor true).

LogDateFormat

LocalTime (hora local) o UTCTime (hora universal) o Absolute (hora absoluta)

Formato en el que se consignan las fechas y las horas en los registros. LocalTime genera el formato “Thu Dec 07 12:34 NZDT 2000”, UTCTime es el mismo formato pero en tiempo universal (o GMT), y absolute es un número entero que representa el número de segundos transcurridos desde “00:00:00 01/01/1970 GMT”

LogEvents

AllEvents (todos los eventos) o CollectorEvents (eventos del Colector) o disabled (desactivado)

Registra determinados eventos en events.txt. AllEvents consigna todos los eventos de Greenstone, CollectorEvents sólo registra los eventos relacionados con el Colector, y disabled no registra ningún evento.

EmailEvents

enabled (activado) o disabled (desactivado)

Envía un mensaje por correo electrónico al encargado del mantenimiento (en caso de haberlo - véase la opción mantainer) cada vez que se produce un evento.

EmailUserEvents

enabled (activado) o disabled (desactivado)

Envía un mensaje por correo electrónico al usuario sobre determinados eventos (por ejemplo, cuando el Colector finaliza la creación de una colección).

macrofiles

lista de nombres de archivos de macros

Determina qué macros se encuentran a disposición del programa de interfaz de usuario de Greenstone


Selección de lenguas

El archivo de configuración main.cfg contiene dos tipos de entradas que inciden en la gestión de las diferentes lenguas. Éstas determinan qué idiomas y qué códigos estarán disponibles en la página de preferencias. Las líneas encoding (codificación) especifican los diferentes tipos de codificación de caracteres que pueden seleccionarse. Las líneas language (lengua) especifican qué idiomas se podrán seleccionar para la interfaz de usuario (por supuesto, es preciso que exista una macro de lengua para cada lengua posible).

La línea encoding (codificación) puede contener cuatro valores posibles: shortname (nombre corto), longname (nombre largo), map (correspondencia) y multibyte. El valor shortname es la etiqueta del juego de caracteres estándar y debe especificarse en todas las codificaciones. El valor longname da el nombre de codificación que se especifica en la página de preferencias. En su ausencia, el valor por defecto es el de shortname. El valor map es obligatorio para todas las codificaciones, excepto para UTF-8, que se maneja internamente (y que debería siempre estar activado). El valor multibyte debería aplicarse a todos los juegos de caracteres que necesitan más de un byte por carácter. El archivo main.cfg especifica numerosas codificaciones, la mayoría de las cuales está desactivada, pues están comentadas de manera que la programación nos las toma en consideración. Para activar una codificación, suprima el carácter de comentario “#”.

Cada línea language (idioma) puede contener tres valores posibles: shortname (nombre corto), longname (nombre largo) y default_encoding (codificación por defecto). El valor shortname es el símbolo de idioma de dos letras ISO 639 y es obligatorio. El valor longname da el nombre de la lengua especificada en la página de preferencias. En su ausencia, el valor por defecto es el de shortname. La opción default_encoding sirve para especificar la codificación preferida para esa lengua.

Parámetros de página y argumentos CGI

Se pueden definir parámetros de página y argumentos CGI en el archivo de configuración main.cfg. Recuerde que en la Figura 40 la mayoría de los argumentos CGI se definen en el seno mismo del código C++ de la biblioteca. Sin embargo, a veces resulta útil definir nuevos argumentos o modificar los argumentos existentes en los archivos de configuración, lo cual evita recompilar la biblioteca.

Para ello, utilice la opción de configuración cgiarg, que puede contener hasta seis argumentos: shortname (nombre corto), longname (nombre largo), multiplechar (caracteres múltiples), argdefault (argumento por defecto), defaultstatus (estado por defecto) y savedarginfo (información de Resguardo ( backup) de argumentos). Estos argumentos corresponden a opciones de argumentos CGI descritos en la Sección 3.8. Por ejemplo, en el archivo main.cfg por defecto, la opción de configuración cgiarg sirve para establecer los valores por defecto de los argumentos CGI existentes a y p con los valores p y home respectivamente.

Los parámetros de página son un caso particular de argumentos CGI que corresponden a los parámetros de los archivos de macros de Greenstone. Por ejemplo, el argumento CGI l corresponde directamente al parámetro l= en los archivos de macros. Se utiliza la opción de configuración pageparam para definir un argumento CGI también como parámetro de página.

El mejor modo de aprender las diferentes opciones de configuración posibles en el archivo de configuración main.cfg es experimentar con éste. Recuerde que si está utilizando la versión Biblioteca Local de Greenstone con Windows, es preciso volver a arrancar el servidor para que toda modificación de los archivos de configuración surta efecto.

4.2 Archivo de configuración de sitio


Table 21  Líneas del archivo gsdlsite.cfg

Línea

Función

gsdlhome

Una ruta hacia el directorio GSDLHOME.

httpprefix

La dirección Web de GSDLHOME. Si la raíz de documentos de su servidor Web contiene el valor GSDLHOME, no necesita esta línea.

httpimage

La dirección Web del directorio que contiene las imágenes de la interfaz de usuario. Si la raíz de documentos de su servidor Web contiene el valor GSDLHOME, éste será /images.

gwcgi

La dirección Web del presente guión CGI (acaba generalmente por library). No se necesita si su servidor Web contiene la variable de entorno SCRIPT_NAME (nombre de guión).

maxrequests

(Sólo se aplica si se utiliza Fast-CGI). Número de consultas que Fast-CGI debe tratar antes de terminar. Durante la depuración de la biblioteca, deberá fijarse un valor bajo a esta función, y en el caso contrario, esto es, en producción, un valor elevado.


El archivo de configuración del sitio gsdlsite.cfg, que se encuentra en el mismo directorio que el programa library, establece variables utilizadas por el programa de biblioteca y el servidor Web durante la ejecución. En el Cuadro 24 se enumeran las líneas de este archivo cuya explicación aparece en la Sección 5 de la Guía de Instalación de la Biblioteca Digital Greenstone.

 APÉNDICE A: LA BIBLIOTECA ESTÁNDAR DE PLANTILLAS C++ (STL)

La Biblioteca Estándar de Plantillas (Standard Template Library - STL) es una biblioteca de código C++ de amplia difusión concebida por Silicon Graphics ( www.sgi.com). En el presente Apéndice se presenta un breve resumen de sus principales funciones, que se utilizan a todo lo largo del código Greenstone. Para una explicación más completa, consulte el manual oficial de referencia STL disponible en la siguiente dirección Internet: www.sgi.com, o alguno de los numerosos libros sobre STL, como el de Josuttis (1999).

Tal como lo sugiere el término “plantilla”, STL no es sólo una biblioteca de objetos lista para usar. Unida al mecanismo de plantillas de C++, proporciona a los programadores una solución para desarrollar de manera concisa sus propios objetos, recurriendo a las funciones algorítmicas de STL. Esto añade un grado más de complejidad pero vale la pena.

A fin de ayudar a comprender los extractos del código de Greenstone que figuran en el presente manual, citaremos algunos ejemplos didácticos de utilización de la STL.

Listas (Lists)

Figure 48  Programación de una lista de números enteros
1  
#include <iostream.h>
2  
3  
#define nil 0
4  
5  
struct intlist {
6  
  int val;
7  
  struct intlist* next;
8  
};
9  
10  
int total_int_list(intlist* head)
11  
{
12  
  int total = 0;
13  
  intlist* curr = head;
14  
  while (curr!=nil)
15  
  {
16  
    total += curr->val;
17  
    curr = curr->next;
18  
  }
19  
20  
  return total;
21  
}
22  
23  
void main()
24  
{
25  
  intlist node1 = { 5, nil };
26  
  intlist node2 = { 4, nil };
27  
  node2.next = &node1;
28  
29  
  int total = total_int_list(&node2);
30  
  cout << "Total de los objetos: " << total << endl;
31  
}

En primer lugar, estudiaremos dos programas que implementan una lista de números enteros. Uno de ellos utiliza tipos C++ básicas (la “manera tradicional de proceder”), mientras que el otro utiliza STL. En la Figura 48 se muestra la implementación del código fuente que no utiliza STL. Las líneas 5-8 definen la estructura de datos básica que vamos a utilizar: en el campo val se almacena el valor del número entero, y next indica el siguiente elemento de la lista. Como puede advertirse se trata, en suma, de una implementación clásica de una lista enlazada.

Para ilustrar la utilización de la estructura de datos, el programa principal (líneas 23-32) inicializa una lista de números enteros con los elementos [5, 4]. Luego activa la función total_int_list (definida en las líneas 10-21), que tiene como único parámetro un puntero dirigido hacia el principio de una lista y que suma los valores que ésta contiene. El valor que devuelve (9 en nuestro ejemplo) aparece en la pantalla.

Las líneas 12-18 llevan a cabo las tareas principales. Se comienza por un poco de inicialización: la variable local total se fija en cero, y curr apunta hacia el principio de la lista. A continuación, un bucle while agrega el elemento de número entero actual al subtotal vigente (total += curr->val;) antes de pasar al siguiente elemento (curr = curr->next;). El bucle while termina cuando curr equivale a nil (nada), lo que significa que no queda ningún elemento por tratar.

Figure 49  Programación de una lista de números enteros mediante la STL
#include <iostream.h>
#include <list>
int total_int_list(list<int>* head)
{
  int total = 0;
  list<int>::iterator curr = head->begin();
  while (curr!=head->end())
  {
    total += *curr;
    curr++;
  }
  return total;
}
void main()
{
  list<int> vals;
  vals.push_back(5);
  vals.push_back(4);
  int total = total_int_list(&vals);
  cout << "Total de los objetos: " << total << endl;
}

En la Figura 49 se muestra un programa equivalente que utiliza STL. Ya no es necesario definir una estructura de datos adecuada en el código, sino que basta con la directiva #include <list> de la línea 2 que contiene la plantilla para la lista definida en STL. El objeto se denomina “clase Contenedor” ya que cuando se declara una variable de este tipo se especifica también el tipo que se desea que almacene. En la línea 19 se elabora una lista de números enteros con la instrucción list<int> vals;. Se pueden agregar elementos al objeto mediante la función miembro push_back ( ), como se hace en las líneas 20-21.

Las líneas 6-12 efectúan el trabajo principal. Sigue habiendo dos inicializaciones y un bucle while, pero por lo demás la nueva sintaxis tiene poco en común con la antigua. En esta nueva forma de tratamiento es fundamental una variable de tipo iterator (línea 7). Numerosas clases STL incluyen tipos iterator para ofrecer una manera uniforme de recorrer una secuencia de objetos de contenedor. El primer elemento se devuelve con begin( ) y el elemento que sigue al último elemento se devuelve con end( ). Se pasa al elemento siguiente mediante la operación de incremento ++, que es sobrecargada por la clase iterator para implementar esta tarea, y se accede al valor almacenado mediante una operación de derreferenciación ( *curr en la línea 10) también sobrecargada.

La implementación STL de este programa es un poco más concisa que el código convencional (25 líneas, en lugar de 31). Las ventajas son más importantes en proyectos más voluminosos, ya que el objeto list de STL tiene un potencial mayor de lo que muestra el ejemplo. Este objeto incluye, por ejemplo, una lista doblemente enlazada que admite diversas formas de inserción y supresión. Se requerirían tareas de programación suplementarias para integrar estas funciones en la versión de lista de números enteros básica.

Obsérvese que el parámetro total_int_list de la Figura 49 se ha implementado como puntero para que corresponda con el puntero utilizado en total_int_list de la Figura 48. En STL, suele ser más natural (y preferible) utilizar referencias en lugar de punteros. Así pues, el parámetro se convierte en list<int>& head, y sus funciones miembro se activan con la sintaxis head.begin( ); y así sucesivamente.

Correspondencias (Maps)

Cuando se implementa un sistema de biblioteca digital, es útil poder almacenar elementos en una matriz indizada por secuencias de texto en lugar de números. En Greenstone, por ejemplo, esto simplifica considerablemente el almacenamiento de los archivos de macros después de su lectura; lo mismo ocurre con los diversos archivos de configuración. El tipo de datos que permite esta clase de acceso se denomina matriz asociativa y suele encontrarse en los lenguajes de programación modernos de alto nivel. Se lo conoce también con el nombre de “ hash array ” (matriz de desmenuzamiento, sobre todo en Perl) ya que la técnica habitual utilizada para implementar los índices de texto es el desmenuzamiento (eso es, calcular una suma de control).

Figure 50  Utilización de matrices asociativas en STL
1  
#include <iostream.h>
2  
#include <map>
3  
4  
int total_int_table(map<char*, int>& table)
5  
{
6  
  int total = 0;
7  
  map<char*, int>::iterator curr = table.begin();
8  
 while (curr!=table.end())
9  
  {
10  
    total += (curr->second);
11  
    curr++;
12  
  }
13  
14  
return total;
15  
}
16  
17  
int main()
18  
{
19  
  map<char*, int> table;
20  
  table["Alicia"] = 31;
21  
  table["Pedro"] = 24;
22  
  table["Maria"] = 47;
23  
24  
  int total = total_int_table(table);
25  
  cout << "Edad total: " << total << endl;
26  
}

En STL, las matrices asociativas se constituyen mediante el objeto map (correspondencia). En la Figura 50 se presenta un ejemplo un tanto artificial que almacena la edad de tres personas (Alicia, Pedro y Maria) en una matriz asociativa indizada con sus nombres (líneas 19-22). El problema es escribir una función que calcule la edad total de todas las personas presentes, sin saber ni cuántas ni quiénes son. Por supuesto, se podría resolver este problema con una matriz clásica de números enteros indizados numéricamente. Este ejemplo está concebido para ilustrar las funciones del objeto map y poner de manifiesto las semejanzas de tratamiento con el objeto list acompañado de un iterator.

Al igual que listmap es una clase de contenedor. Sin embargo, cuando se declara una variable de este tipo, es preciso especificar dos cosas: el tipo de índice y el tipo de elemento [4]. Como se puede apreciar en la línea 19, se obtiene una matriz asociativa que almacena números enteros indizados por cadenas utilizando char* (que es la manera de declarar una cadena en C++) como tipo de índice, seguido de int como tipo de elemento.

Existen diversas maneras de almacenar elementos en la matriz asociativa. En las líneas 20-22 del ejemplo se utiliza el índice de la matriz sobrecargada [ ] para inicializar el cuadro con la edad de las tres personas. La semejanza entre total_int_table, que efectúa el cálculo principal en el programa, y total_int_list en la Figura 48 es notable. De hecho, estos dos objetos son casi idénticos y no es una coincidencia. STL recurre en gran medida a la herencia, de tal modo que objetos diferentes utilizan las mismas operaciones fundamentales. Así ocurre sobre todo con los iterators. Las pequeñas diferencias entre las dos funciones consisten en que el iterator procede aquí de map<char*, int>, y que el acceso a sus elementos se hace con la instrucción curr->second(); en efecto, la derreferenciación de la variable (*curr) está definida para devolver un objeto de tipo pair. Esta operación registra el nombre del índice ( first) y el valor del elemento ( second), pero sólo nos interesa este último. Por lo demás, el código permanece igual. La única diferencia que persiste –el cambio del único argumento de la función de puntero a referencia– es  superficial.

El código de Greenstone utiliza ampliamente otros dos tipos STL: vector (vector) y set (conjunto). El primero facilita las matrices dinámicas y el segundo admite las operaciones matemáticas de conjunto como la unión, la intersección y la diferencia.

 BIBLIOGRAFÍA

Aulds, C. (2000), Linux Apache Web Server Administration, Sybex.

Bainbridge, D., Buchanan, G., McPherson, J., Jones, S., Mahoui, A. y Witten, I.H. (2001) “Greenstone: A platform for distributed digital library development”. Informe de investigación, Departamento de informática, Universidad de Waikato, Nueva Zelandia.

Christiansen, T. Torkington, N. and Wall, L. (1998), Perl Cookbook, O´Reilly and Associates.

Coar, K.A.L. (1998), Apache Server For Dummies, IDG Books.

Deitel, H.M. y Deitel, P.J. (1994), C++: How to Program, Prentice Hall, Englewood Cliffs, Nueva Jersey.

Dublin Core (2001) “The Dublin Core Metadata Initiative” en http://purl.org/dc/, consultado el 16 de enero de 2001.

Josuttis, N.M. (1999) The C++ standard library: a tutorial and reference, Addison-Wesley, 1999.

Keller, M. y Holden, G. (1999), Apache Server for Windows Little Black Book, Grupo Coriolis.

Schwartz, R.L. y Christiansen, T. (1997), Learning Perl (2ª edición), O´Reilly and Associates.

Slama, D., Garbis, J. y Russell, P. (1999), Enterprise CORBA, Prentice Hall, Englewood Cliffs, Nueva Jersey.

Stroustroup, B. (1997), The C++ Programming Language, Addison-Wesley.

Thiele, H. (1997) “The Dublin Core and Warwick Framework: A Review of the Literature, March 1995-September 1997.” D-Lib Magazine, enero, < http://www.dlib.org/dlib/january98/01thiele.html >

Wall, L., Christiansen, T. y Orwant, J. (2000), Programming Perl (3ª edición), O´Reilly and Associates.

Weibel, S. (1999), “The State of the Dublin Core Metadata Initiative”, D-Lib Magazine, Volumen 5 Nº 4, abril, <http://www.dlib.org/dlib/april99/04weibel.html>.

Witten, I.H., Moffat, A. y Bell, T.C. (1999), Managing gigabytes: compressing and indexing documents and images, Morgan Kaufmann, San Francisco.


[1] Es posible que al ejecutar setup.bat en los sistemas Windows 95/98, aparezca el mensaje de error “Sin espacio en entorno”. Si ello sucede, deberá modificar su archivo de sistema config.sys (que normalmente se encuentra en C:\config.sys) y añadir la línea shell=C:\command.com /e:4096 /p (donde C: es la letra correspondiente a la unidad de sistema) para ampliar el tamaño de su cuadro de entorno. Será necesario volver a arrancar la computadora para que esta modificación surta efecto, y luego repetir los pasos anteriores para Greenstone.
[2] Obsérvese que en Greenstone, las expresiones usuales se interpretan en lenguaje Perl, que difiere levemente de otras convenciones. Por ejemplo, “*” corresponde a cero o más apariciones del carácter anterior, mientras que “.” corresponde a cualquier carácter, por lo tanto nugget.* corresponde a toda cadena que comienza por el prefijo “nugget”, seguido o no por un punto. Para insistir en la presencia de un punto sería necesario añadir un caracter de escape y escribir en su lugar nugget\...*.
[3]
[4] El valor de gsdlhome procede del archivo gsdlsite.cfg ubicado en el mismo directorio que el ejecutable CGI library, mientras que GSDLHOME se activa ejecutando el guión setup que da acceso a un archivo diferente; así pues, es posible técnicamente que los dos valores sean diferentes, pero no es deseable. El texto que figura más arriba está escrito partiendo de la hipótesis de que ambos valores son iguales.
[5] Técnicamente son cuatro tipos, pero los dos últimos son opcionales. Puesto que nos limitamos a una introducción básica de esta clase STL, omitiremos los detalles sobre estos dos últimos tipos.