projects.mako.cc - wikiq/blob - wikiq.cpp

   1 /*
   2  * An XML parser for Wikipedia Data dumps.
   3  * Converts XML files to tab-separated values files readable by spreadsheets
   4  * and statistical packages.
   5  */
   6
   7 #include <stdio.h>
   8 #include <iostream>
   9 #include <string.h>
  10 #include <ctype.h>
  11 #include <stdlib.h>
  12 #include "expat.h"
  13 #include <getopt.h>
  14 #include "disorder.h"
  15 #include "md5.h"
  16 #include "dtl/dtl.hpp"
  17 #include <vector>
  18 #include <map>
  19 #include <pcrecpp.h>
  20
  21
  22 using namespace std;
  23
  24 // timestamp of the form 2003-11-07T00:43:23Z
  25 #define DATE_LENGTH 10
  26 #define TIME_LENGTH 8
  27 #define TIMESTAMP_LENGTH 20
  28
  29 #define MEGABYTE 1048576
  30 #define FIELD_BUFFER_SIZE 1024
  31
  32 // this can be changed at runtime if we encounter an article larger than 10mb
  33 size_t text_buffer_size = 10 * MEGABYTE;
  34
  35 enum elements {
  36     TITLE, ARTICLEID, REVISION, REVID, TIMESTAMP, CONTRIBUTOR,
  37     EDITOR, EDITORID, MINOR, COMMENT, UNUSED, TEXT
  38 };
  39
  40 enum block { TITLE_BLOCK, REVISION_BLOCK, CONTRIBUTOR_BLOCK, SKIP };
  41
  42 enum outtype { FULL, SIMPLE };
  43
  44 typedef struct {
  45
  46     // pointers to once-allocated buffers
  47     char *title;
  48     char *articleid;
  49     char *revid;
  50     char *date;
  51     char *time;
  52     char *timestamp;
  53     char *anon;
  54     char *editor;
  55     char *editorid;
  56     char *comment;
  57     char *text;
  58     vector<string> last_text_tokens;
  59
  60     // title regexes
  61     vector<pcrecpp::RE> title_regexes;
  62
  63     // regexes for checking with revisions
  64     vector<string> content_regex_names;
  65     vector<pcrecpp::RE> content_regexes;
  66
  67     // regexes for looking within diffs
  68     vector<string> diff_regex_names;
  69     vector<pcrecpp::RE> diff_regexes;
  70
  71     map<string, string> revision_md5; // used for detecting reversions
  72
  73     // track string size of the elements, to prevent O(N^2) processing in charhndl
  74     // when we have to take strlen for every character which we append to the buffer
  75     size_t title_size;
  76     size_t articleid_size;
  77     size_t revid_size;
  78     size_t date_size;
  79     size_t time_size;
  80     size_t timestamp_size;
  81     size_t anon_size;
  82     size_t editor_size;
  83     size_t editorid_size;
  84     size_t comment_size;
  85     size_t text_size;
  86
  87     bool minor;
  88
  89     enum elements element;
  90     enum block position;
  91     enum outtype output_type;
  92
  93 } revisionData;
  94
  95
  96 /* free_data and clean_data
  97  * Takes a pointer to the data struct and an integer {0,1} indicating if the
  98  * title data needs to be cleared as well.
  99  * Also, frees memory dynamically allocated to store data.
 100  */
 101 static void
 102 clean_data(revisionData *data, int title)
 103 {
 104     // reset title (if we are switching articles)
 105     if (title) {
 106         data->title[0] = '\0';
 107         data->articleid[0] = '\0';
 108         data->title_size = 0;
 109         data->articleid_size = 0;
 110     }
 111
 112     // reset text fields
 113     data->revid[0] = '\0';
 114     data->date[0] = '\0';
 115     data->time[0] = '\0';
 116     data->timestamp[0] = '\0';
 117     data->anon[0] = '\0';
 118     data->editor[0] = '\0';
 119     data->editorid[0] = '\0';
 120     data->comment[0] = '\0';
 121     data->text[0] = '\0';
 122
 123     // reset length tracking
 124     data->revid_size = 0;
 125     data->date_size = 0;
 126     data->time_size = 0;
 127     data->timestamp_size = 0;
 128     data->anon_size = 0;
 129     data->editor_size = 0;
 130     data->editorid_size = 0;
 131     data->comment_size = 0;
 132     data->text_size = 0;
 133
 134     // reset flags and element type info
 135     data->minor = false;
 136     data->element = UNUSED;
 137
 138 }
 139
 140 // presently unused
 141 static void
 142 free_data(revisionData *data, int title)
 143 {
 144     if (title) {
 145         //printf("freeing article\n");
 146         free(data->title);
 147         free(data->articleid);
 148     }
 149     free(data->revid);
 150     free(data->date);
 151     free(data->time);
 152     free(data->timestamp);
 153     free(data->anon);
 154     free(data->editor);
 155     free(data->editorid);
 156     free(data->comment);
 157     free(data->text);
 158     data->last_text_tokens.clear();
 159 }
 160
 161 void cleanup_revision(revisionData *data) {
 162     clean_data(data, 0);
 163 }
 164
 165 void cleanup_article(revisionData *data) {
 166     clean_data(data, 1);
 167     data->last_text_tokens.clear();
 168     data->revision_md5.clear();
 169 }
 170
 171
 172 static void
 173 init_data(revisionData *data, outtype output_type)
 174 {
 175     data->text = (char*) malloc(text_buffer_size);
 176     data->comment = (char*) malloc(FIELD_BUFFER_SIZE);
 177     data->title = (char*) malloc(FIELD_BUFFER_SIZE);
 178     data->articleid = (char*) malloc(FIELD_BUFFER_SIZE);
 179     data->revid = (char*) malloc(FIELD_BUFFER_SIZE);
 180     data->date = (char*) malloc(FIELD_BUFFER_SIZE);
 181     data->time = (char*) malloc(FIELD_BUFFER_SIZE);
 182     data->timestamp = (char*) malloc(FIELD_BUFFER_SIZE);
 183     data->anon = (char*) malloc(FIELD_BUFFER_SIZE);
 184     data->editor = (char*) malloc(FIELD_BUFFER_SIZE);
 185     data->editorid = (char*) malloc(FIELD_BUFFER_SIZE);
 186     data->minor = false;
 187
 188     // resets the data fields, null terminates strings, sets lengths
 189     clean_data(data, 1);
 190
 191     data->output_type = output_type;
 192 }
 193
 194 /* for debugging only, prints out the state of the data struct
 195  */
 196 static void
 197 print_state(revisionData *data)
 198 {
 199     printf("element = %i\n", data->element);
 200     printf("output_type = %i\n", data->output_type);
 201     printf("title = %s\n", data->title);
 202     printf("articleid = %s\n", data->articleid);
 203     printf("revid = %s\n", data->revid);
 204     printf("date = %s\n", data->date);
 205     printf("time = %s\n", data->time);
 206     printf("anon = %s\n", data->anon);
 207     printf("editor = %s\n", data->editor);
 208     printf("editorid = %s\n", data->editorid);
 209     printf("minor = %s\n", (data->minor ? "1" : "0"));
 210     printf("comment = %s\n", data->comment);
 211     printf("text = %s\n", data->text);
 212     printf("\n");
 213
 214 }
 215
 216
 217 /*
 218  * write a line of comma-separated value formatted data to standard out
 219  * follows the form:
 220  * title,articleid,revid,date,time,anon,editor,editorid,minor,comment
 221  * (str)  (int)    (int) (str)(str)(bin)(str)   (int)   (bin) (str)
 222  *
 223  * it is called right before cleanup_revision() and cleanup_article()
 224  */
 225 static void
 226 write_row(revisionData *data)
 227 {
 228
 229     // get md5sum
 230     md5_state_t state;
 231     md5_byte_t digest[16];
 232     char md5_hex_output[2 * 16 + 1];
 233     md5_init(&state);
 234     md5_append(&state, (const md5_byte_t *)data->text, data->text_size);
 235     md5_finish(&state, digest);
 236     int di;
 237     for (di = 0; di < 16; ++di) {
 238         sprintf(md5_hex_output + di * 2, "%02x", digest[di]);
 239     }
 240
 241     string reverted_to;
 242     map<string, string>::iterator prev_revision = data->revision_md5.find(md5_hex_output);
 243     if (prev_revision != data->revision_md5.end()) {
 244         reverted_to = prev_revision->second; // id of previous revision
 245     }
 246     data->revision_md5[md5_hex_output] = data->revid;
 247
 248     string text = string(data->text, data->text_size);
 249     vector<string> text_tokens;
 250     size_t pos = 0;
 251     size_t start = 0;
 252     while ((pos = text.find_first_of(" \n\t\r", pos)) != string::npos) {
 253         //cout << "\"\"\"" << text.substr(start, pos - start) << "\"\"\"" << endl;
 254         text_tokens.push_back(text.substr(start, pos - start));
 255         start = pos;
 256         ++pos;
 257     }
 258
 259     // look to see if (a) we've passed in a list of /any/ title_regexes
 260     // and (b) if all of the title_regex_matches match
 261     // if (a) is true and (b) is not, we return
 262     bool any_title_regex_match = false;
 263     if (!data->title_regexes.empty()) {
 264         for (vector<pcrecpp::RE>::iterator r = data->title_regexes.begin(); r != data->title_regexes.end(); ++r) {
 265             pcrecpp::RE& title_regex = *r;
 266             if (title_regex.PartialMatch(data->title)) {
 267                 any_title_regex_match = true;
 268                 break;
 269             }
 270         }
 271         if (!any_title_regex_match) {
 272             return;
 273         }
 274     }
 275
 276     // search the content of the revision for a any of the regexes
 277     vector<bool> content_regex_matches;
 278     if (!data->content_regexes.empty()) {
 279         for (vector<pcrecpp::RE>::iterator r = data->content_regexes.begin(); r != data->content_regexes.end(); ++r) {
 280             pcrecpp::RE& content_regex = *r;
 281             content_regex_matches.push_back(content_regex.PartialMatch(data->text));
 282         }
 283     }
 284
 285     //vector<string> additions;
 286     //vector<string> deletions;
 287     string additions;
 288     string deletions;
 289
 290     vector<bool> diff_regex_matches_adds;
 291     vector<bool> diff_regex_matches_dels;
 292
 293     if (data->last_text_tokens.empty()) {
 294         additions = data->text;
 295     } else {
 296         // do the diff
 297
 298         dtl::Diff< string, vector<string> > d(data->last_text_tokens, text_tokens);
 299         //d.onOnlyEditDistance();
 300         d.compose();
 301
 302         vector<pair<string, dtl::elemInfo> > ses_v = d.getSes().getSequence();
 303         for (vector<pair<string, dtl::elemInfo> >::iterator sit=ses_v.begin(); sit!=ses_v.end(); ++sit) {
 304             switch (sit->second.type) {
 305             case dtl::SES_ADD:
 306                 //cout << "ADD: \"" << sit->first << "\"" << endl;
 307                 additions += sit->first;
 308                 break;
 309             case dtl::SES_DELETE:
 310                 //cout << "DEL: \"" << sit->first << "\"" << endl;
 311                 deletions += sit->first;
 312                 break;
 313             }
 314         }
 315     }
 316
 317     if (!additions.empty()) {
 318         //cout << "ADD: " << additions << endl;
 319         for (vector<pcrecpp::RE>::iterator r = data->diff_regexes.begin(); r != data->diff_regexes.end(); ++r) {
 320             pcrecpp::RE& diff_regex = *r;
 321             diff_regex_matches_adds.push_back(diff_regex.PartialMatch(additions));
 322         }
 323     }
 324
 325     if (!deletions.empty()) {
 326         //cout << "DEL: " << deletions << endl;
 327         for (vector<pcrecpp::RE>::iterator r = data->diff_regexes.begin(); r != data->diff_regexes.end(); ++r) {
 328             pcrecpp::RE& diff_regex = *r;
 329             diff_regex_matches_dels.push_back(diff_regex.PartialMatch(deletions));
 330         }
 331     }
 332
 333     data->last_text_tokens = text_tokens;
 334
 335
 336     // print line of tsv output
 337     cout
 338         << data->title << "\t"
 339         << data->articleid << "\t"
 340         << data->revid << "\t"
 341         << data->date << " "
 342         << data->time << "\t"
 343         << ((data->editor[0] != '\0') ? "FALSE" : "TRUE") << "\t"
 344         << data->editor << "\t"
 345         << data->editorid << "\t"
 346         << ((data->minor) ? "TRUE" : "FALSE") << "\t"
 347         << (unsigned int) data->text_size << "\t"
 348         << shannon_H(data->text, data->text_size) << "\t"
 349         << md5_hex_output << "\t"
 350         << reverted_to << "\t"
 351         << (int) additions.size() << "\t"
 352         << (int) deletions.size();
 353
 354     for (int n = 0; n < data->content_regex_names.size(); ++n) {
 355         cout << "\t" << ((!content_regex_matches.empty()
 356                           && content_regex_matches.at(n)) ? "TRUE" : "FALSE");
 357     }
 358
 359     for (int n = 0; n < data->diff_regex_names.size(); ++n) {
 360         cout << "\t" << ((!diff_regex_matches_adds.empty() && diff_regex_matches_adds.at(n)) ? "TRUE" : "FALSE")
 361              << "\t" << ((!diff_regex_matches_dels.empty() && diff_regex_matches_dels.at(n)) ? "TRUE" : "FALSE");
 362     }
 363     cout << endl;
 364
 365     //
 366     if (data->output_type == FULL) {
 367         cout << "comment:" << data->comment << endl
 368              << "text:" << endl << data->text << endl;
 369     }
 370
 371 }
 372
 373 void
 374 split_timestamp(revisionData *data)
 375 {
 376     char *t = data->timestamp;
 377     strncpy(data->date, data->timestamp, DATE_LENGTH);
 378     char *timeinstamp = &data->timestamp[DATE_LENGTH+1];
 379     strncpy(data->time, timeinstamp, TIME_LENGTH);
 380 }
 381
 382 // like strncat but with previously known length
 383 char*
 384 strlcatn(char *dest, const char *src, size_t dest_len, size_t n)
 385 {
 386    size_t i;
 387
 388    for (i = 0 ; i < n && src[i] != '\0' ; i++)
 389        dest[dest_len + i] = src[i];
 390    dest[dest_len + i] = '\0';
 391
 392    return dest;
 393 }
 394
 395 static void
 396 charhndl(void* vdata, const XML_Char* s, int len)
 397 {
 398     revisionData* data = (revisionData*) vdata;
 399     size_t bufsz;
 400     if (data->element != UNUSED && data->position != SKIP) {
 401         switch (data->element) {
 402             case TEXT:
 403                     // check if we'd overflow our buffer
 404                     bufsz = data->text_size + len;
 405                     if (bufsz + 1 > text_buffer_size) {
 406                         data->text = (char*) realloc(data->text, bufsz + 1);
 407                         text_buffer_size = bufsz + 1;
 408                     }
 409                     strlcatn(data->text, s, data->text_size, len);
 410                     data->text_size = bufsz;
 411                     break;
 412             case COMMENT:
 413                     strlcatn(data->comment, s, data->comment_size, len);
 414                     data->comment_size += len;
 415                     break;
 416             case TITLE:
 417                     strlcatn(data->title, s, data->title_size, len);
 418                     data->title_size += len;
 419                     break;
 420             case ARTICLEID:
 421                    // printf("articleid = %s\n", t);
 422                     strlcatn(data->articleid, s, data->articleid_size, len);
 423                     data->articleid_size += len;
 424                     break;
 425             case REVID:
 426                    // printf("revid = %s\n", t);
 427                     strlcatn(data->revid, s, data->revid_size, len);
 428                     data->revid_size += len;
 429                     break;
 430             case TIMESTAMP:
 431                     strlcatn(data->timestamp, s, data->timestamp_size, len);
 432                     data->timestamp_size += len;
 433                     if (strlen(data->timestamp) == TIMESTAMP_LENGTH)
 434                         split_timestamp(data);
 435                     break;
 436             case EDITOR:
 437                     strlcatn(data->editor, s, data->editor_size, len);
 438                     data->editor_size += len;
 439                     break;
 440             case EDITORID:
 441                     //printf("editorid = %s\n", t);
 442                     strlcatn(data->editorid, s, data->editorid_size, len);
 443                     data->editorid_size += len;
 444                     break;
 445             /* the following are implied or skipped:
 446             case MINOR:
 447                     printf("found minor element\n");  doesn't work
 448                     break;                   minor tag is just a tag
 449             case UNUSED:
 450             */
 451             default: break;
 452         }
 453     }
 454 }
 455
 456 static void
 457 start(void* vdata, const XML_Char* name, const XML_Char** attr)
 458 {
 459     revisionData* data = (revisionData*) vdata;
 460
 461     if (strcmp(name,"title") == 0) {
 462         cleanup_article(data); // cleans up data from last article
 463         data->element = TITLE;
 464         data->position = TITLE_BLOCK;
 465     } else if (data->position != SKIP) {
 466         if (strcmp(name,"revision") == 0) {
 467             data->element = REVISION;
 468             data->position = REVISION_BLOCK;
 469         } else if (strcmp(name, "contributor") == 0) {
 470             data->element = CONTRIBUTOR;
 471             data->position = CONTRIBUTOR_BLOCK;
 472         } else if (strcmp(name,"id") == 0)
 473             switch (data->position) {
 474                 case TITLE_BLOCK:
 475                     data->element = ARTICLEID;
 476                     break;
 477                 case REVISION_BLOCK:
 478                     data->element = REVID;
 479                     break;
 480                 case CONTRIBUTOR_BLOCK:
 481                     data->element = EDITORID;
 482                     break;
 483             }
 484
 485         // minor tag has no character data, so we parse here
 486         else if (strcmp(name,"minor") == 0) {
 487             data->element = MINOR;
 488             data->minor = true;
 489         }
 490         else if (strcmp(name,"timestamp") == 0)
 491             data->element = TIMESTAMP;
 492
 493         else if (strcmp(name, "username") == 0)
 494             data->element = EDITOR;
 495
 496         else if (strcmp(name,"ip") == 0)
 497             data->element = EDITORID;
 498
 499         else if (strcmp(name,"comment") == 0)
 500             data->element = COMMENT;
 501
 502         else if (strcmp(name,"text") == 0)
 503             data->element = TEXT;
 504
 505         else if (strcmp(name,"page") == 0
 506                 || strcmp(name,"mediawiki") == 0
 507                 || strcmp(name,"restrictions") == 0
 508                 || strcmp(name,"siteinfo") == 0)
 509             data->element = UNUSED;
 510     }
 511
 512 }
 513
 514
 515 static void
 516 end(void* vdata, const XML_Char* name)
 517 {
 518     revisionData* data = (revisionData*) vdata;
 519     if (strcmp(name, "revision") == 0 && data->position != SKIP) {
 520         write_row(data); // crucial... :)
 521         cleanup_revision(data);  // also crucial
 522     } else {
 523         data->element = UNUSED; // sets our state to "not-in-useful"
 524     }                           // thus avoiding unpleasant character data
 525                                 // b/w tags (newlines etc.)
 526 }
 527
 528 void print_usage(char* argv[]) {
 529     cerr << "usage: <wikimedia dump xml> | " << argv[0] << "[options]" << endl
 530          << endl
 531          << "options:" << endl
 532          << "  -v   verbose mode prints text and comments after each line of tab separated data" << endl
 533          << "  -n   name of the following regex for contet (e.g. -n name -r \"...\")" << endl
 534          << "  -r   regex to check against content of the revision" << endl
 535          << "  -N   name of the following regex for diffs (e.g. -N name -R \"...\")" << endl
 536          << "  -R   regex to check against diffs (i.e., additions and deletions)" << endl
 537          << "  -t   parse revisions only from pages whose titles match regex(es)" << endl
 538          << endl
 539          << "Takes a wikimedia data dump XML stream on standard in, and produces" << endl
 540          << "a tab-separated stream of revisions on standard out:" << endl
 541          << endl
 542          << "title, articleid, revid, timestamp, anon, editor, editorid, minor," << endl
 543          << "text_length, text_entropy, text_md5, reversion, additions_size, deletions_size" << endl
 544          << ".... and additional fields for each regex executed against add/delete diffs" << endl
 545          << endl
 546          << "Boolean fields are TRUE/FALSE except in the case of reversion, which is blank" << endl
 547          << "unless the article is a revert to a previous revision, in which case, it" << endl
 548          << "contains the revision ID of the revision which was reverted to." << endl
 549          << endl
 550          << "author: Erik Garrison <erik@hypervolu.me>" << endl;
 551 }
 552
 553
 554 int
 555 main(int argc, char *argv[])
 556 {
 557
 558     enum outtype output_type;
 559     int dry_run = 0;
 560     // in "simple" output, we don't print text and comments
 561     output_type = SIMPLE;
 562     char c;
 563     string diff_regex_name;
 564     string content_regex_name;
 565
 566     // the user data struct which is passed to callback functions
 567     revisionData data;
 568
 569     while ((c = getopt(argc, argv, "hvn:r:t:")) != -1)
 570         switch (c)
 571         {
 572             case 'd':
 573                 dry_run = 1;
 574                 break;
 575             case 'v':
 576                 output_type = FULL;
 577                 break;
 578             case 'n':
 579                 content_regex_name = optarg;
 580                 break;
 581             case 'r':
 582                 data.content_regexes.push_back(pcrecpp::RE(optarg, pcrecpp::UTF8()));
 583                 data.content_regex_names.push_back(content_regex_name);
 584                 if (!content_regex_name.empty()) {
 585                     content_regex_name.clear();
 586                 }
 587                 break;
 588             case 'N':
 589                 diff_regex_name = optarg;
 590                 break;
 591             case 'R':
 592                 data.diff_regexes.push_back(pcrecpp::RE(optarg, pcrecpp::UTF8()));
 593                 data.diff_regex_names.push_back(diff_regex_name);
 594                 if (!diff_regex_name.empty()) {
 595                     diff_regex_name.clear();
 596                 }
 597                 break;
 598             case 'h':
 599                 print_usage(argv);
 600                 exit(0);
 601                 break;
 602             case 't':
 603                 data.title_regexes.push_back(pcrecpp::RE(optarg, pcrecpp::UTF8()));
 604                 break;
 605         }
 606
 607     if (dry_run) { // lets us print initialization options
 608         printf("simple_output = %i\n", output_type);
 609         exit(1);
 610     }
 611
 612     // create a new instance of the expat parser
 613     XML_Parser parser = XML_ParserCreate("UTF-8");
 614
 615     // initialize the elements of the struct to default values
 616     init_data(&data, output_type);
 617
 618
 619     // makes the parser pass "data" as the first argument to every callback
 620     XML_SetUserData(parser, &data);
 621     void (*startFnPtr)(void*, const XML_Char*, const XML_Char**) = start;
 622     void (*endFnPtr)(void*, const XML_Char*) = end;
 623     void (*charHandlerFnPtr)(void*, const XML_Char*, int) = charhndl;
 624
 625     // sets start and end to be the element start and end handlers
 626     XML_SetElementHandler(parser, startFnPtr, endFnPtr);
 627     // sets charhndl to be the callback for character data
 628     XML_SetCharacterDataHandler(parser, charHandlerFnPtr);
 629
 630     bool done;
 631     char buf[BUFSIZ];
 632
 633     // write header
 634
 635     cout << "title" << "\t"
 636         << "articleid" << "\t"
 637         << "revid" << "\t"
 638         << "date" << "_"
 639         << "time" << "\t"
 640         << "anon" << "\t"
 641         << "editor" << "\t"
 642         << "editor_id" << "\t"
 643         << "minor" << "\t"
 644         << "text_size" << "\t"
 645         << "text_entropy" << "\t"
 646         << "text_md5" << "\t"
 647         << "reversion" << "\t"
 648         << "additions_size" << "\t"
 649         << "deletions_size";
 650
 651     int n = 0;
 652     if (!data.content_regexes.empty()) {
 653         for (vector<pcrecpp::RE>::iterator r = data.content_regexes.begin();
 654              r != data.content_regexes.end(); ++r, ++n) {
 655             if (data.content_regex_names.at(n).empty()) {
 656                 cout << "\t" << "regex" << n;
 657             } else {
 658                 cout << "\t" << data.content_regex_names.at(n);
 659             }
 660         }
 661     }
 662
 663     if (!data.diff_regexes.empty()) {
 664         for (vector<pcrecpp::RE>::iterator r = data.diff_regexes.begin(); r != data.diff_regexes.end(); ++r, ++n) {
 665             if (data.diff_regex_names.at(n).empty()) {
 666                 cout << "\t" << "regex_" << n << "_add"
 667                      << "\t" << "regex_" << n << "_del";
 668             } else {
 669                 cout << "\t" << data.diff_regex_names.at(n) << "_add"
 670                      << "\t" << data.diff_regex_names.at(n) << "_del";
 671             }
 672         }
 673     }
 674
 675     cout << endl;
 676
 677     // shovel data into the parser
 678     do {
 679
 680         // read into buf a bufferfull of data from standard input
 681         size_t len = fread(buf, 1, BUFSIZ, stdin);
 682         done = len < BUFSIZ; // checks if we've got the last bufferfull
 683
 684         // passes the buffer of data to the parser and checks for error
 685         //   (this is where the callbacks are invoked)
 686         if (XML_Parse(parser, buf, len, done) == XML_STATUS_ERROR) {
 687             cerr << "XML ERROR: " << XML_ErrorString(XML_GetErrorCode(parser)) << " at line "
 688                  << (int) XML_GetCurrentLineNumber(parser) << endl;
 689             return 1;
 690         }
 691     } while (!done);
 692
 693
 694     XML_ParserFree(parser);
 695
 696     return 0;
 697 }