wikidata/pull_wikipedia_logs.php

   1 <?php
   2
   3 for ($iTimestamp = mktime(0, 0, 0, 5, 1, 2013); $iTimestamp < mktime(0, 0, 0, 6, 15, 2013); $iTimestamp += 24*60*60) {
   4     $sYear = date("Y", $iTimestamp);
   5     $sMonth = date("Y-m", $iTimestamp);
   6     $sDay = date("Ymd", $iTimestamp);
   7
   8     for ($iHour = 0; $iHour < 24; $iHour++) {
   9         $sFilename = sprintf("pagecounts-".$sDay."-%02d0000", $iHour);
  10         echo $sFilename."\n";
  11         if (!file_exists($sFilename.'.gz')) {
  12             exec('wget http://dumps.wikimedia.org/other/pagecounts-raw/'.$sYear.'/'.$sMonth.'/'.$sFilename.'.gz');
  13         }
  14
  15         exec('gzip -dc '.$sFilename.'.gz'.' | grep -e "^[a-z]\{2\} [^ :]\+ [0-9]\+" > hour.txt');
  16
  17         $hPrevTotals = @fopen("totals.txt", "r");
  18         $hDayTotals = @fopen("hour.txt", "r");
  19         $hNewTotals = @fopen("newtotals.txt", "w");
  20
  21         $sPrevKey = $sDayKey = true;
  22         $sPrevLine = true;
  23         $sDayLine = true;
  24
  25         do {
  26             if ($sPrevKey === $sDayKey) {
  27                 if ($sPrevLine !== true) fputs($hNewTotals, "$sPrevKey ".($iPrevValue+$iDayValue)."\n");
  28                 $sPrevLine = true;
  29                 $sDayLine = true;
  30             } elseif ($sDayKey !== false && ($sPrevKey > $sDayKey || $sPrevKey === false)) {
  31                 fputs($hNewTotals, "$sDayKey ".($iDayValue)."\n");
  32                 $sDayLine = true;
  33             } elseif ($sPrevKey !== false && ($sDayKey > $sPrevKey || $sDayKey === false)) {
  34                 fputs($hNewTotals, "$sPrevKey ".($iPrevValue)."\n");
  35                 $sPrevLine = true;
  36             }
  37
  38             if ($sPrevLine === true) {
  39                 $sPrevLine = $hPrevTotals?fgets($hPrevTotals, 4096):false;
  40                 if ($sPrevLine !== false) {
  41                     $aPrevLine = explode(' ', $sPrevLine);
  42                     $sPrevKey = $aPrevLine[0].' '.$aPrevLine[1];
  43                     $iPrevValue = (int)$aPrevLine[2];
  44                 } else {
  45                     $sPrevKey = false;
  46                     $iPrevValue =  0;
  47                 }
  48             }
  49
  50             if ($sDayLine === true) {
  51                 $sDayLine = $hDayTotals?fgets($hDayTotals, 4096):false;
  52                 if ($sDayLine !== false) {
  53                     preg_match('#^([a-z]{2}) ([^ :]+) ([0-9]+) [0-9]+$#', $sDayLine, $aMatch);
  54                     $sDayKey = $aMatch[1].' '.$aMatch[2];
  55                     $iDayValue = (int)$aMatch[3];
  56                 } else {
  57                     $sDayKey = false;
  58                     $iDayValue = 0;
  59                 }
  60             }
  61         } while ($sPrevLine !== false || $sDayLine !== false);
  62
  63         @fclose($hPrevTotals);
  64         @fclose($hDayTotals);
  65         @fclose($hNewTotals);
  66
  67         @unlink("totals.txt");
  68         rename("newtotals.txt", "totals.txt");
  69     }
  70 }
  71
  72 // Notes:
  73 /*
  74  gzip -dc $FILE.gz | grep -e "^en [^ :]\+ [0-9]\+" | sed "s#\(^[a-z]\{2\}\) \([^ :]\+\) \([0-9]\+\) [0-9]\+#update wikipedia_article set hit_count = coalesce(hit_count,0) + \3 where language = '\1' and title = catch_decode_url_part('\2');#g" | /opt/mapquest/stdbase-dev$
  75  cat totals.txt | sed "s#\(^[a-z]\{2\}\) \([^ ]\+\) \([0-9]\+\)\$#update entity_link set hits = s,0) + \3 where target = '\1wiki' and value = catch_decode_url_part('\2');#g"
  76  cat totals.txt | sed "s#\(^[a-z]\{2\}\) \([^ ]\+\) \([0-9]\+\)\$#update entity_link set hits = coalesce(hits,0) + \3 where target = '\1wiki' and value = catch_decode_url_part('\2');#g"
  77 */