path: root/lib/Dakkar/TweetArchive/Store.pm

package Dakkar::TweetArchive::Store; 
use v5.36;
use Moo;
use DBI;
use Types::Standard qw(Str InstanceOf);
use DateTime::Format::Strptime;
use DateTime::Format::Pg;
use JSON::MaybeXS;
use namespace::clean;
 
has [qw(dsn user pass)] => (
    is => 'ro',
    required => 1,
    isa => Str,
);
 
has dbh => (
    is => 'lazy',
    isa => InstanceOf['DBI::db'],
);
 
sub _build_dbh($self) {
    return DBI->connect(
        $self->dsn, $self->user, $self->pass,
        {
            PrintError => 0,
            AutoCommit => 1,
            RaiseError => 1,
        },
    );
}
 
sub BUILD($self,@) {
    $self->_ensure_schema;
}
 
my $dt_parser = DateTime::Format::Strptime->new(pattern => '%a %b %d %T %z %Y');
my $dt_parser_iso = DateTime::Format::Strptime->new(pattern => '%Y-%m-%dT%H:%M:%S.%3NZ', time_zone=>'UTC');
my $dt_printer = DateTime::Format::Pg->new();
 
my $json_printer = JSON::MaybeXS->new(
    ascii => 1,
    pretty => 0,
    allow_nonref => 1,
    allow_unknown => 1,
    allow_blessed => 1,
    convert_blessed => 1,
);
 
# tweets 
 
sub latest_tweet_id($self) {
    return $self->dbh->selectall_arrayref(
        q{SELECT MAX(id) FROM tweets},
    )->[0][0];
}
 
sub store_tweet($self,$tweet) {
    # yes, the source most probably decoded this from a string, we 
    # have to serialise it again, so that PostgreSQL can parse it 
    # *again* 
    my $tweet_str = $json_printer->encode($tweet);
    my $created_at = $dt_parser->parse_datetime($tweet->{created_at});
 
    $self->dbh->do(<<'SQL', {},
INSERT INTO tweets(id,created_at,data) VALUES(?,?,?)
 ON CONFLICT (id) DO UPDATE SET
   created_at = EXCLUDED.created_at,
   data = EXCLUDED.data
SQL
                   $tweet->{id_str},
                   $dt_printer->format_datetime($created_at),
                   $tweet_str,
               );
}
 
sub _store_twitter_people($self,$people) {
    my @ids;
    for my $person ($people->@*) {
        my $person_str = $json_printer->encode($person);
        push @ids,
            $self->dbh->selectall_arrayref(<<'SQL',{},$person_str)->[0][0];
INSERT INTO twitter_people(data) VALUES (?)
ON CONFLICT (twitter_people_details(data)) DO UPDATE
 SET data=EXCLUDED.data
RETURNING id
SQL
    }
 
    return \@ids;
}
 
sub _array_num_equal($a1,$a2) {
    my ($a1_str, $a2_str) = map {
        join "\0", sort { $a <=> $b } $_->@*
    } $a1, $a2;
 
    return $a1_str eq $a2_str;
}
 
sub _store_people_and_ids($self,$store_method,$ids_table,$people) {
    my $ids = $self->$store_method($people);
 
    my ($last_ids) = $self->dbh->selectrow_array(<<"SQL");
SELECT users
FROM ${ids_table}
ORDER BY taken_at DESC
LIMIT 1
SQL
 
    return if $last_ids && _array_num_equal($ids, $last_ids);
 
    $self->dbh->do(<<"SQL", {}, $ids);
INSERT INTO ${ids_table}(users) VALUES(?)
SQL
}
 
sub store_twitter_friends($self,$friends) {
    $self->_store_people_and_ids('_store_twitter_people','twitter_friends',$friends);
}
 
sub store_twitter_followers($self,$followers) {
    $self->_store_people_and_ids('_store_twitter_people','twitter_followers',$followers);
}
 
# misskey notes 
 
sub latest_note_id($self) {
    return $self->dbh->selectall_arrayref(
        q{SELECT MAX(id) FROM notes},
    )->[0][0];
}
 
sub store_note($self,$note) {
    # yes, the source most probably decoded this from a string, we 
    # have to serialise it again, so that PostgreSQL can parse it 
    # *again* 
    my $note_str = $json_printer->encode($note);
    my $created_at = $dt_parser_iso->parse_datetime($note->{createdAt});
 
    $self->dbh->do(<<'SQL', {},
INSERT INTO notes(id,created_at,data) VALUES(?,?,?)
 ON CONFLICT (id) DO UPDATE SET
   created_at = EXCLUDED.created_at,
   data = EXCLUDED.data
SQL
                   $note->{id},
                   $dt_printer->format_datetime($created_at),
                   $note_str,
               );
}
 
sub _store_misskey_people($self,$people) {
    my @ids;
    for my $person ($people->@*) {
        my $person_str = $json_printer->encode($person);
        push @ids,
            $self->dbh->selectall_arrayref(<<'SQL',{},$person_str)->[0][0];
INSERT INTO misskey_people(data) VALUES (?)
ON CONFLICT (misskey_people_details(data)) DO UPDATE
 SET data=EXCLUDED.data
RETURNING id
SQL
    }
 
    return \@ids;
}
 
 
sub store_misskey_following($self,$following) {
    $self->_store_people_and_ids('_store_misskey_people','misskey_following',$following);
}
 
sub store_misskey_followers($self,$followers) {
    $self->_store_people_and_ids('_store_misskey_people','misskey_followers',$followers);
}
 
# schema 
 
sub _schema_deploy($self,$next_version) {
    my $method_name = "_schema_deploy_${next_version}";
    if (my $method = $self->can($method_name)) {
        $self->dbh->begin_work;
        $self->$method();
        $self->dbh->do(<<'SQL', {}, $next_version);
INSERT INTO meta(version) VALUES (?)
SQL
        $self->dbh->commit;
        return 1;
    }
    else {
        return 0;
    }
}
 
sub _ensure_schema($self) {
    my $dbh = $self->dbh;
    # simple-minded schema version management 
    {
        # silence the 'NOTICE:  relation "meta" already exists, skipping' 
        local $dbh->{PrintWarn} = 0;
        $dbh->do(<<'SQL');
CREATE TABLE IF NOT EXISTS meta (
  version INTEGER PRIMARY KEY,
  created_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP
)
SQL
    }
    my $current_version = $dbh->selectall_arrayref(
        q{SELECT max(version) FROM meta}
    )->[0][0];
    $current_version //= 0;
 
    my $next_version = $current_version + 1;
    while ($self->_schema_deploy($next_version)) {
        ++$next_version;
    }
}
 
sub _schema_deploy_1($self) {
    $self->dbh->do(<<'SQL');
CREATE TABLE tweets (
  id VARCHAR(255) PRIMARY KEY,
  created_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP,
  data JSONB NOT NULL
)
SQL
}
 
sub _schema_deploy_2($self) {
    $self->dbh->do(<<'SQL');
CREATE TABLE followers (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users JSONB NOT NULL
)
SQL
    $self->dbh->do(<<'SQL');
CREATE TABLE friends (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users JSONB NOT NULL
)
SQL
}
 
sub _schema_deploy_3($self) {
    my $dbh = $self->dbh;
    $dbh->do(<<'SQL');
CREATE TABLE people (
  id SERIAL PRIMARY KEY,
  data JSONB NOT NULL
)
SQL
    $dbh->do(<<'SQL');
CREATE FUNCTION people_details(data jsonb) RETURNS text[] AS $$
 SELECT array[
   (data->>'id_str'),
   (data->>'url'),
   (data->>'name'),
   (data->>'location'),
   (data->>'description'),
   (data->>'screen_name'),
   (data->>'profile_image_url'),
   (data->>'profile_background_image_url')
  ];
$$ LANGUAGE SQL IMMUTABLE RETURNS NULL ON NULL INPUT
SQL
    $dbh->do(<<'SQL');
CREATE UNIQUE INDEX idx_people ON people (people_details(data))
SQL
 
    $dbh->do(<<'SQL');
CREATE TABLE new_followers (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users integer[] NOT NULL
)
SQL
    $dbh->do(<<'SQL');
CREATE TABLE new_friends (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users integer[] NOT NULL
)
SQL
 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION migrate_people() RETURNS VOID AS $$
DECLARE
 f RECORD;
 p RECORD;
 ids INTEGER[];
BEGIN
 FOR f IN SELECT * FROM friends ORDER BY taken_at DESC LIMIT 1 LOOP
  RAISE NOTICE 'migrating friends at %s', f.taken_at;
  ids := '{}';
  FOR p IN INSERT INTO people(data)
    SELECT v FROM jsonb_array_elements(f.users) AS d(v)
    on CONFLICT (people_details(data)) DO UPDATE
    SET data=EXCLUDED.data
    RETURNING id LOOP
   ids := array_append(ids,p.id);
  END LOOP;
  INSERT INTO new_friends(taken_at,users) VALUES (f.taken_at,ids);
 END LOOP;
 
 FOR f IN SELECT * FROM followers ORDER BY taken_at DESC LIMIT 1 LOOP
  RAISE NOTICE 'migrating followers at %s', f.taken_at;
  ids := '{}';
  FOR p IN INSERT INTO people(data)
    SELECT v FROM jsonb_array_elements(f.users) AS d(v)
    ON CONFLICT (people_details(data)) DO UPDATE
    SET data=EXCLUDED.data
    RETURNING id LOOP
   ids := array_append(ids,p.id);
  END LOOP;
  INSERT INTO new_followers(taken_at,users) VALUES (f.taken_at,ids);
 END LOOP;
END;
$$ LANGUAGE PLPGSQL;
SQL
    $dbh->selectall_arrayref(q{SELECT migrate_people()});
    $dbh->do(q{DROP FUNCTION migrate_people()});
    $dbh->do(q{DROP TABLE friends});
    $dbh->do(q{DROP TABLE followers});
    $dbh->do(q{ALTER TABLE new_friends RENAME TO friends});
    $dbh->do(q{ALTER TABLE new_followers RENAME TO followers});
}
 
sub _schema_deploy_4($self) {
    my $dbh = $self->dbh;
    # let's get some sensible ordering when saying "order by id" 
    $dbh->do(<<'SQL');
ALTER TABLE tweets ALTER COLUMN id SET DATA TYPE bigint USING id::bigint
SQL
 
    # get the text of a tweet 
    # 
    # we don't actually get extended_tweet, probably Twitter only 
    # gives it to "recognised" clients 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION tweet_text(IN t JSONB) RETURNS text
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$ SELECT
CASE t ? 'extended_tweet'
 WHEN true THEN t->'extended_tweet'->>'text'
 ELSE t->>'text'
END
$$;
SQL
 
    # get text, including RTs and quotes 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION tweet_text_recursive(IN t JSONB) RETURNS text
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$ SELECT
tweet_text(t) || ' ' ||
COALESCE( tweet_text_recursive(t->'retweeted_status'), '') || ' ' ||
COALESCE( tweet_text_recursive(t->'quoted_status'), '')
$$;
SQL
 
    # map a tweet to a full-text search language configuration 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION tweet_language(IN t JSONB) RETURNS regconfig
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$ SELECT CASE t->>'lang'
WHEN 'it' THEN 'pg_catalog.italian'::regconfig
WHEN 'fr' THEN 'pg_catalog.french'::regconfig
WHEN 'de' THEN 'pg_catalog.german'::regconfig
WHEN 'es' THEN 'pg_catalog.spanish'::regconfig
WHEN 'nl' THEN 'pg_catalog.dutch'::regconfig
ELSE 'pg_catalog.english'::regconfig
END
$$;
SQL
 
    # add the full-text search data 
    $dbh->do(<<'SQL');
ALTER TABLE tweets ADD COLUMN fts tsvector;
SQL
    $dbh->do(<<'SQL');
UPDATE tweets SET fts = to_tsvector(tweet_language(data),tweet_text_recursive(data));
SQL
    $dbh->do(<<'SQL');
CREATE INDEX tweets_fts ON tweets USING GIN (fts);
SQL
 
    # and make sure it stays up-to-date 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION tweets_fts_trigger()
RETURNS trigger
LANGUAGE plpgsql
AS $$
begin
  new.fts := to_tsvector(tweet_language(new.data),tweet_text_recursive(new.data));
  return new;
end
$$;
SQL
    $dbh->do(<<'SQL');
CREATE TRIGGER tweets_fts_update
 BEFORE INSERT OR UPDATE
 ON tweets
 FOR EACH ROW
 EXECUTE PROCEDURE tweets_fts_trigger();
SQL
}
 
sub _schema_deploy_5($self) {
    my $dbh = $self->dbh;
 
    # get *more* text of a tweet 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION tweet_text(IN t JSONB) RETURNS text
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$ SELECT
CASE t ? 'extended_tweet'
 WHEN true THEN COALESCE(t->'extended_tweet'->>'text',t->'extended_tweet'->>'full_text')
 ELSE COALESCE(t->>'text',t->>'full_text')
END
$$;
SQL
}
 
sub _schema_deploy_6($self) {
    my $dbh = $self->dbh;
 
    $dbh->do('ALTER TABLE people RENAME TO twitter_people');
    $dbh->do('ALTER TABLE friends RENAME TO twitter_friends');
    $dbh->do('ALTER TABLE followers RENAME TO twitter_followers');
    $dbh->do('ALTER INDEX idx_people RENAME TO idx_twitter_people');
    $dbh->do('ALTER FUNCTION people_details RENAME TO twitter_people_details');
 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION note_text(IN t JSONB) RETURNS text
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$
SELECT t->>'text'
$$;
SQL
 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION note_text_recursive(IN t JSONB) RETURNS text
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$ SELECT
note_text(t) || ' ' ||
COALESCE( note_text_recursive(t->'renote'), '')
$$;
SQL
 
    # misskey doesn't currently store language, let's pretend it's all 
    # English 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION note_language(IN t JSONB) RETURNS regconfig
LANGUAGE sql
IMMUTABLE
RETURNS NULL ON NULL INPUT
PARALLEL SAFE
AS $$
 SELECT 'pg_catalog.english'::regconfig
$$;
SQL
 
    $dbh->do(<<'SQL');
CREATE TABLE notes (
  id VARCHAR(255) PRIMARY KEY,
  created_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP,
  data JSONB NOT NULL,
  fts tsvector
);
SQL
 
    $dbh->do(<<'SQL');
CREATE INDEX notes_fts ON notes USING GIN (fts);
SQL
 
    $dbh->do(<<'SQL');
CREATE OR REPLACE FUNCTION notes_fts_trigger()
RETURNS trigger
LANGUAGE plpgsql
AS $$
begin
  new.fts := to_tsvector(note_language(new.data),note_text_recursive(new.data));
  return new;
end
$$;
SQL
 
    $dbh->do(<<'SQL');
CREATE TRIGGER notes_fts_update
 BEFORE INSERT OR UPDATE
 ON notes
 FOR EACH ROW
 EXECUTE PROCEDURE notes_fts_trigger();
SQL
 
    $dbh->do(<<'SQL');
CREATE TABLE misskey_people (
  id SERIAL PRIMARY KEY,
  data JSONB NOT NULL
)
SQL
    $dbh->do(<<'SQL');
CREATE FUNCTION misskey_people_details(data jsonb) RETURNS text[] AS $$
 SELECT array[
   (data->>'id'),
   (data->>'username'),
   COALESCE(data->>'host', ''),
   COALESCE(data->>'location', ''),
   COALESCE(data->>'description', ''),
   COALESCE(data->>'name', ''),
   COALESCE(data->>'avatarBlurhash', ''),
   COALESCE(data->>'bannerBlurhash', '')
  ];
$$ LANGUAGE SQL IMMUTABLE RETURNS NULL ON NULL INPUT
SQL
    $dbh->do(<<'SQL');
CREATE UNIQUE INDEX idx_miskkey_people ON misskey_people (misskey_people_details(data))
SQL
 
    $dbh->do(<<'SQL');
CREATE TABLE misskey_followers (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users integer[] NOT NULL
)
SQL
    $dbh->do(<<'SQL');
CREATE TABLE misskey_following (
  taken_at TIMESTAMP WITH TIME ZONE NOT NULL DEFAULT CURRENT_TIMESTAMP PRIMARY KEY,
  users integer[] NOT NULL
)
SQL
}
 
1;