Newer
Older
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
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
import requests, json
def get_md_from_datacite( doi ) :
"""
retrieve data research metadata from datacite
"""
req = requests.get( f"https://api.datacite.org/dois/{doi}" )
try :
res = req.json()
except :
return "error"
if "errors" in res :
return "error"
return res
def parse_value_following_instruction(key, instruction, datacite_content) :
"""
permet de récuéprer les données reçues depuis datacite avec leur propre sturcturation selon les instructions précisées manuellement
key : la clé à traiter
instruction : les instructions à appliquer pour récupérer la valeur de la clé
datacite_content : le contenu de datacite à la clé précisé
la recherche des instructions est effectuée notamment depuis leur type (string ou dict) : à revoir pour plus de cohérence
"""
buffer = {} ## pour récupérer les données avec un dictionnaire
## quand les données à récupérer sont des objets simples, on récupère simplement la valeur
if instruction == "string" or instruction == "int" :
return {key: datacite_content}
## qaund les instructions sont fomratées en dict
if isinstance(instruction, dict) :
## si past_values_w_this_key est dans les instructions
if "past_values_w_this_key" in instruction :
## pour débbugger
##print("attribute is", key)
## quand les données sont directement sous forme de dict (eg. datatype)
if instruction["past_values_w_this_key"] in datacite_content :
temp_key_to_get = instruction["past_values_w_this_key"]
buffer.update(
{ instruction["past_values_w_this_key"] : datacite_content[temp_key_to_get] }
)
## quand les données sont des listes et qu'il faut itérer dessus
all_vals = []
temp_key_to_get = instruction["past_values_w_this_key"]
# itérer sur les éléments, vérifier si la clé est bien présente, si oui ajouter la valeur
[all_vals.append( item[ temp_key_to_get ]) for item in datacite_content if item.get(temp_key_to_get)]
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
buffer.update(
{temp_key_to_get : ",".join(all_vals)}
)
## quand il faut sortir toutes les données brutes
if "flatten_all_in_this_key" in instruction :
buffer.update(
{instruction["flatten_all_in_this_key"] : str(datacite_content) }
)
## if past_first_occ in instruction
if "past_first_occ" in instruction :
temp_key_to_get = instruction["past_first_occ"]
buffer.update(
{temp_key_to_get: datacite_content[0][temp_key_to_get]}
)
## if go_to_sub_key in the instruction
if "go_to_sub_key" in instruction :
temp_parent_key_to_get = instruction["go_to_sub_key"]
## identifier les clés enfantes à retrouver dans dataCite
temp_child_key_to_get = instruction["get_key"]
buffer.update(
{key : datacite_content[temp_parent_key_to_get][temp_child_key_to_get] }
)
else :
buffer.update(
{key : "to_do"}
)
return buffer
def parse_datacite_md(raw_datacite_mds):
"""
from json file load instruction
from DOI get datacite cotent
iterate on all datacite attributes
if data from datacite is needed get it with parse_value_following_instruction()
iterate on all datacite relationship
if data from datacite is needed get it with parse_value_following_instruction()
"""
doi_md = {
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
}
## ____0____ from json file load instructions
with open("datacite-parser-instructions.json") as parser_file :
datacite_parser = json.load(parser_file)
## liste de tous les attributs à récupérer
attributes_to_get = datacite_parser["path-and-fields"]["attributes"].keys()
relations_to_get = datacite_parser["path-and-fields"]["relationships"].keys()
## ____1___ iterate on datacite attributes
for attribute_key in raw_datacite_mds["data"]["attributes"] :
attribute_value = raw_datacite_mds["data"]["attributes"][attribute_key]
## ne pas prendre les valeurs si elles sont nulles (sauf pour les nb)
if not isinstance(attribute_value, int) and not attribute_value :
# pour suivi print(f"{attribute_key} is empty")
continue
## si l'attribut fait parti de ceux à récupérer
if attribute_key in attributes_to_get :
## redistribuer le nom de la clé et sa valeur
value_to_add = parse_value_following_instruction(
attribute_key,
datacite_parser["path-and-fields"]["attributes"][attribute_key],
attribute_value)
doi_md.update(value_to_add)
## ____2___ iterate on datacite relations
### nb : on pourrait alléger en regroupant attribut et relationships
for relation_key in raw_datacite_mds["data"]["relationships"] :
relation_value = raw_datacite_mds["data"]["relationships"][relation_key]
## ne pas prendre les valeurs si elles sont nulles (sauf pour les nb)
if not isinstance(relation_key, int) and not relation_value :
continue
## si la relation est préciser dans les instructions
if relation_key in relations_to_get :
## to debug print("relation is", relation_key)
relation_to_add = parse_value_following_instruction(
relation_key,
datacite_parser["path-and-fields"]["relationships"][relation_key],
relation_value
)
doi_md.update(relation_to_add)
return doi_md
def from_repos_load_dois(repo_list) :
"""
from repo name (eg Zenodo) load file
"""
dois_raw = []
## load all dois
for repo_name in repo_list :
dois_raw += load_dois_from_file(repo_name)
return dois_raw
def load_dois_from_file(repo_name) :
"""
charge les dois des fichiers texts
file name syntax "entrepot-dois.txt"
"""
file_name = repo_name + "-dois.txt"
folder_path = "../0-collect-data/"
dois_in_repo = []
with open(folder_path + file_name) as f:
## attention à la fin des lignes il y a un retour à la ligne, d'où le (line)-1
## on passer les DOI en miniscule également
[dois_in_repo.append( line[ :len(line)-1].lower()) for line in f.readlines()]
print(f"{repo_name} DOIs \t\t {len(dois_in_repo)}")
return dois_in_repo