From 345a229d0601de886ebb3e34375e30c86158ee48 Mon Sep 17 00:00:00 2001
From: Michal Tuszowski <mtuszowski@gmail.com>
Date: Sun, 7 Apr 2024 00:21:38 +0200
Subject: [PATCH] Work in progress

---
 conjurer_librarian/conjurer_librarian.py | 51 +++++++++++++++---------
 1 file changed, 33 insertions(+), 18 deletions(-)

diff --git a/conjurer_librarian/conjurer_librarian.py b/conjurer_librarian/conjurer_librarian.py
index 5078d9e..39da52b 100644
--- a/conjurer_librarian/conjurer_librarian.py
+++ b/conjurer_librarian/conjurer_librarian.py
@@ -9,6 +9,9 @@ from json.decoder import JSONDecodeError
 from platform import uname
 from sys import platform
 from urllib.request import urlopen
+import asyncio
+from queue import Queue
+from threading import Thread
 from habanero import Crossref
 from waitress import serve
 
@@ -24,6 +27,9 @@ elif platform == "win32":
 #HOST_ADDRESS = "192.168.1.191"
 HOST_ADDRESS = "0.0.0.0"
 PORT_ADDRESS = 5001
+DATABASE_PATH = r'C:\\Database\\chunks'
+ENCODING = "utf-8"
+
 
 class Librarian(object):
 
@@ -62,21 +68,37 @@ class Librarian(object):
             # convert back to json.
             json.dump(file_data, data_file, indent=4)
             return result
-#TODO: check if exists odpala wątki dla kolejnych plików, z każdego wątku dostaje zwrotki - trafienia na bieżąco oraz sygnał że plik się skończył i pora na następny
-#TODO: paczki danych są upychane po 10 w tablicy, POSTy ze strony klienta mówią tylko nazwę tablicy (poprzez UUID) oraz którą stronę tejże
-#TODO: jeśli UUID nie istnieje to budujemy całość dla nowego uuid
-#TODO: kiedy wszystkie wątki pilokowe się zakończą - zamykamy merger i dajemy znać do procedury obsługi odpowiadania na posty że dla tego uuid już nic więcej nie znajdziemy
-#TODO: po 60 minutach storeujemy wyniki zapytania pod query w sql i kasujemy UUID
-#TODO: Później robimy tak że query jest najpierw sprawdzane w sql - i dawane jako "zapisana lokalna kopia"
-#TODO: Paginacja - najpierw hity z pliku, potem na końcu to co nie zwróciło żadnych hitów - i to dopiero można crawlerem sprawdzić
+        #TODO: check if exists odpala wątki dla kolejnych plików, z każdego wątku dostaje zwrotki - trafienia na bieżąco oraz sygnał że plik się skończył i pora na następny
+        #TODO: paczki danych są upychane po 10 w tablicy, POSTy ze strony klienta mówią tylko nazwę tablicy (poprzez UUID) oraz którą stronę tejże
+        #TODO: jeśli UUID nie istnieje to budujemy całość dla nowego uuid
+        #TODO: kiedy wszystkie wątki pilokowe się zakończą - zamykamy merger i dajemy znać do procedury obsługi odpowiadania na posty że dla tego uuid już nic więcej nie znajdziemy
+        #TODO: po 60 minutach storeujemy wyniki zapytania pod query w sql i kasujemy UUID
+        #TODO: Później robimy tak że query jest najpierw sprawdzane w sql - i dawane jako "zapisana lokalna kopia"
+        #TODO: Paginacja - najpierw hity z pliku, potem na końcu to co nie zwróciło żadnych hitów - i to dopiero można crawlerem sprawdzić
 
-    def check_if_exists(self,page_url):
+    def check_dois_in_file(self, file_name, dois, out_queue):
+        with open(f'{DATABASE_PATH}{file_name}', "r+", encoding=ENCODING) as file:
+            while True:
+                # Get next line from file
+                line = file.readline()
+                if line == dois:
+                    return True
+                # if line is empty
+                # end of file is reached
+                if not line:
+                    return False
 
-        
+    def check_dois_in_local_db(self, dois):
+        _sentinel = object()
+        chunk_list = []
+        q = Queue()
 
-        return None
+        for file in chunk_list:
+            t = Thread(target = self.check_dois_in_file, args = (file ,dois, q))
+            t.start()
+        q.put(_sentinel)
 
-        in_scihub_db = True
+    def check_if_exists(self, page_url):
         if not page_url.startswith(("http:", "https:")):
             raise ValueError("URL must start with 'http:' or 'https:'")
         # trunk-ignore(bandit/B310)
@@ -86,13 +108,6 @@ class Librarian(object):
             for line in text.splitlines():
                 if re.match(r".*Unfortunately, Sci-Hub doesn't have the requested document.*", line):
                     return None
-        if in_scihub_db:
-            return text
-        return None
-
-    def download(self, page_url):
-        if response := self.check_if_exists(page_url):
-            for line in response.splitlines():
                 if m := re.match(r".*<embed type=\"application.pdf\"\s*src=\"(.*\.pdf)",line):
                     return "https:" + str(m.group(1))
         return None