Harvesting und Transformation der Daten des Zeitschriftenservers der Ruhr-Universität Bochum (RUB) für das Portal noah.nrw

Dieser Workflow harvestet die Daten des Zeitschriftenservers der RUB im Format Dublin Core und transformiert diese in METS/MODS für das Portal noah.nrw.

Die Daten in diesem Repository werden alle 24 Stunden nachts ab 03:21 Uhr aktualisiert. (pausiert)

Systemvoraussetzungen

• GNU/Linux (getestet mit Fedora 32)
• JAVA 8+ (für OpenRefine)
• PHP 7.3+ und Composer (für VuFindHarvest)
• go-task 3.10.0+
• xmllint (libxml2)

Workflow

Der Workflow wird in Taskfile definiert und kann entweder lokal (task default) oder mit GitHub Actions ausgeführt werden. Er besteht aus zwei Hauptbestandteilen:

1. Der Task harvest lädt die öffentlichen Datensätze der gehosteten Zeitschriften über OAI-PMH-Schnittstellen im Format Dublin Core. Das Ergebnis sind XML-Dateien im Verzeichnis input.

2. Der Task transform transformiert die heruntergeladenen Daten in METS/MODS. Das Ergebnis sind XML-Dateien im Verzeichnis output.

Beide genannten Tasks verwenden einen Cache, um nur neue Daten abzurufen bzw. zu verarbeiten. Über OAI bekanntgemachte Löschungen werden berücksichtigt. Der Task reset führt bei Bedarf ein vollständiges Harvesting inklusive Transformation aus.

Mapping

Die Ausgangsdaten werden wie folgt in METS/MODS übertragen:

Generell:

• id: Nummer aus OAI identifier mit Präfix rub-journals_

MODS:

• titleInfo@lang: dc:title@xml:lang mit Mapping auf iso693-2b
• titleInfo@type: translated wenn dc:language = deu und dc:title@xml:lang nicht de-DE
• titleInfo/title: 1. Teil von dc:title vor Trennzeichen : , Artikel am Anfang entfernen und Doppelpunkt am Ende entfernen
• titleInfo/nonsort: Artikel am Anfang von dc:title
• titleInfo/subTitle: 2. Teil von dc:title nach Trennzeichen : und Doppelpunkt am Ende entfernen
• name@type: personal (wenn name/displayForm vorhanden)
• name@authority=gnd@valueURI
• name/displayForm: dc:creator wenn es , und nicht -, Editors enthält
• name/namePart@type=family: 1. Teil von name/displayForm vor Trennzeichen ,
• name/namePart@type=given: 2. Teil von name/displayForm nach Trennzeichen ,
• name/nameIdentifier@type=orcid
• name/role/roleTerm@authority=marcrelator: ctb (wenn name/displayform vorhanden)
• typeOfResource: text
• genre@authority=dini: article
• originInfo/dateIssued: dc:date
• originInfo/dateIssued@keyDate: yes (wenn dc:date vorhanden)
• originInfo/dateOther
• originInfo/dateOther@keyDate
• language/languageTerm@authority=iso639-2b: dc:language mit Mapping auf iso693-2b
• physicalDescription/extent@unit=page: Seitenzahlen extrahieren aus Literaturangabe in dc:source und Differenz berechnen
• abstract: dc:description
• abstract@lang: dc:description@xml:lang mit Mapping auf iso693-2b
• note
• note@type
• subject@lang: dc:subject@xml:lang mit Mapping auf iso693-2b
• subject/topic: dc:subject mit Trennzeichen , sowie ; aufteilen
• classification@authority=ddc
• classification@authority=ioo@displayLabel
• relatedItem@type: host (wenn relatedItem/titleInfo/title vorhanden)
• relatedItem/titleInfo/title: 1. Teil von dc:source mit Trennzeichen ; (mit Filter dc:source@xml:lang auf de-DE)
• relatedItem/originInfo/publisher: dc:publisher
• relatedItem/identifier@type=issn: Werte aus dc:source im Format 1234-5678 und davon nur den ersten Wert und Bindestrich entfernen
• relatedItem/part/detail@type=volume/number: 2. Teil von dc:source mit Trennzeichen ; und daraus Nummer die auf Bd. folgt (mit Filter dc:source@xml:lang auf de-DE)
• relatedItem/part/detail@type=issue/number: 2. Teil von dc:source mit Trennzeichen ; und daraus Nummer die auf Nr. folgt (mit Filter dc:source@xml:lang auf de-DE)
• relatedItem/part/extent@unit=page/start: Letzter Teil von dc:source mit Trennzeichen ; und daraus Teil 1 (Nummer) mit Trennzeichen - (mit Filter dc:source@xml:lang auf de-DE)
• relatedItem/part/extent@unit=page/end: Letzter Teil von dc:source mit Trennzeichen ; und daraus Teil 2 (Nummer) mit Trennzeichen - (mit Filter dc:source@xml:lang auf de-DE)
• identifier@type=urn
• identifier@type=doi: DOIs (beginnend mit 10.) aus dc:identifier
• identifier@type=sys
• accessCondition: Für creativecommons.org in dc:rights den Canonical Name aus der URL extrahieren
• accessCondition@xlink:href: URL aus dc:rights (mit Filter creativecommons.org)
• extension/vl:doctype: oaArticle
• recordInfo/recordIdentifier: wie id (s.o.), Umsetzung direkt im Template

METS:

• fileSec/fileGrp@USE: pdf upload für das erste Vorkommen von application/pdf in dc:format; generic file für alle anderen Links (beginnend mit http) aus dc:relation
  • Datensätze ohne Direktlink auf ein PDF (d.h. kein application/pdf in dc:format) löschen
• fileSec/fileGrp/file@MIMETYPE: dc:format
• fileSec/fileGrp/file/Flocat@xlink:href: Links (beginnend mit http) aus dc:relation und /view/ durch /download/ ersetzen
• structMap/div@LABEL