File Coverage

lib/Convert/Pheno/CSV.pm
Criterion Covered Total %
statement 220 267 82.4
branch 46 66 69.7
condition 5 15 33.3
subroutine 34 38 89.4
pod 0 17 0.0
total 305 403 75.6


line stmt bran cond sub pod time code
1             package Convert::Pheno::CSV;
2              
3 6     6   46 use strict;
  6         14  
  6         244  
4 6     6   32 use warnings;
  6         17  
  6         176  
5 6     6   43 use autodie;
  6         19  
  6         54  
6 6     6   34369 use feature qw(say);
  6         16  
  6         686  
7 6     6   45 use File::Basename;
  6         16  
  6         581  
8 6     6   6630 use Text::CSV_XS qw(csv);
  6         102480  
  6         500  
9 6     6   3777 use Sort::Naturally qw(nsort);
  6         28887  
  6         392  
10 6     6   43 use List::Util qw(any);
  6         10  
  6         388  
11 6     6   37 use File::Spec::Functions qw(catdir);
  6         10  
  6         308  
12 6     6   4925 use IO::Compress::Gzip qw($GzipError);
  6         204087  
  6         681  
13 6     6   3100 use IO::Uncompress::Gunzip qw($GunzipError);
  6         78211  
  6         630  
14              
15             #use Devel::Size qw(size total_size);
16 6     6   50 use Convert::Pheno;
  6         12  
  6         226  
17 6     6   3310 use Convert::Pheno::OMOP;
  6         20  
  6         730  
18 6     6   2764 use Convert::Pheno::IO;
  6         24  
  6         377  
19 6     6   2428 use Convert::Pheno::Schema;
  6         33  
  6         374  
20 6     6   62 use Convert::Pheno::Mapping;
  6         12  
  6         951  
21 6     6   55 use Exporter 'import';
  6         22  
  6         497  
22             our @EXPORT =
23             qw(read_csv read_csv_stream read_redcap_dict_and_mapping_file transpose_ohdsi_dictionary read_sqldump_stream read_sqldump sqldump2csv transpose_omop_data_structure open_filehandle load_exposures transpose_visit_occurrence);
24              
25 6     6   47 use constant DEVEL_MODE => 0;
  6         12  
  6         24243  
26              
27             #########################
28             #########################
29             # SUBROUTINES FOR CSV #
30             #########################
31             #########################
32              
33             sub read_redcap_dictionary {
34              
35 13     13 0 35 my $filepath = shift;
36              
37             # Define split record separator from file extension
38 13         55 my ( $separator, $encoding ) = define_separator( $filepath, undef );
39              
40             # We'll create an HoH using as 1D-key the 'Variable / Field Name'
41 13         53 my $key = 'Variable / Field Name';
42              
43             # We'll be adding the key <_labels>. See sub add_labels
44 13         34 my $labels = 'Choices, Calculations, OR Slider Labels';
45              
46             # Loading data directly from Text::CSV_XS
47             # NB1: We want HoH and sub read_csv returns AoH
48             # NB2: By default the Text::CSV module treats all fields in a CSV file as strings, regardless of their actual data type.
49             my $hoh = csv(
50             in => $filepath,
51             sep_char => $separator,
52              
53             #binary => 1, # default
54             auto_diag => 1,
55             encoding => $encoding,
56             key => $key,
57 5083     5083   357053 on_in => sub { $_{_labels} = add_labels( $_{$labels} ) }
58 13         167 );
59 13         572 return $hoh;
60             }
61              
62             sub add_labels {
63              
64 5083     5083 0 6128 my $value = shift;
65              
66             # *** IMPORTANT ***
67             # This sub can return undef, i.e., $_{labels} = undef
68             # That's OK as we won't perform exists $_{_label}
69             # Note that in $hoh (above) empty columns are key = ''.
70              
71             # Premature return if empty ('' = 0)
72 5083 100       9213 return undef unless $value; # perlcritic Severity: 5
73              
74             # We'll skip values that don't provide even number of key-values
75 2912         22754 my @tmp = map { s/^\s//; s/\s+$//; $_; }
  27053         41637  
  27053         35676  
  27053         36866  
76             ( split /\||,/, $value ); # perlcritic Severity: 5
77              
78             # Return undef for non-valid entries
79 2912 100       17867 return @tmp % 2 == 0 ? {@tmp} : undef;
80             }
81              
82             sub read_redcap_dict_and_mapping_file {
83              
84 13     13 0 46 my $arg = shift;
85              
86             # Read and load REDCap CSV dictionary
87 13         71 my $data_redcap_dict = read_redcap_dictionary( $arg->{redcap_dictionary} );
88              
89             # Read and load mapping file
90             my $data_mapping_file =
91 13         172 io_yaml_or_json( { filepath => $arg->{mapping_file}, mode => 'read' } );
92              
93             # Validate mapping file against JSON schema
94             my $jv = Convert::Pheno::Schema->new(
95             {
96             data => $data_mapping_file,
97             debug => $arg->{self_validate_schema},
98             schema_file => $arg->{schema_file}
99             }
100 7         323 );
101 7         61 $jv->json_validate;
102              
103             # Return if succesful
104 6         188 return ( $data_redcap_dict, $data_mapping_file );
105             }
106              
107             sub transpose_ohdsi_dictionary {
108              
109 3     3 0 9 my $data = shift;
110 3         12 my $column = 'concept_id';
111              
112             # The idea is the following:
113             # $data comes as an array (from SQL/CSV)
114             #
115             # $VAR1 = [
116             # {
117             # 'concept_class_id' => '4-char billing code',
118             # 'concept_code' => 'K92.2',
119             # 'concept_id' => 35208414,
120             # 'concept_name' => 'Gastrointestinal hemorrhage, unspecified',
121             # 'domain_id' => 'Condition',
122             # 'invalid_reason' => undef,
123             # 'standard_concept' => undef,
124             # 'valid_end_date' => '2099-12-31',
125             # 'valid_start_date' => '2007-01-01',
126             # 'vocabulary_id' => 'ICD10CM'
127             # },
128             #
129             # and we convert it to hash to allow for quick searches by 'concept_id'
130             #
131             # $VAR1 = {
132             # '1107830' => {
133             # 'concept_class_id' => 'Ingredient',
134             # 'concept_code' => 28889,
135             # 'concept_id' => 1107830,
136             # 'concept_name' => 'Loratadine',
137             # 'domain_id' => 'Drug',
138             # 'invalid_reason' => undef,
139             # 'standard_concept' => 'S',
140             # 'valid_end_date' => '2099-12-31',
141             # 'valid_start_date' => '1970-01-01',
142             # 'vocabulary_id' => 'RxNorm'
143             # },
144             #
145             # NB: We store all columns yet we'll use 4:
146             # 'concept_id', 'concept_code', 'concept_name', 'vocabulary_id'
147             # Note that we're duplicating @$data with $hoh
148             #my $hoh = { map { $_->{$column} => $_ } @{$data} }; <--map is slower than for
149 3         8 my $hoh;
150 3         5 for my $item ( @{$data} ) {
  3         62  
151 1332         4328 $hoh->{ $item->{$column} } = $item;
152             }
153              
154             #say "transpose_ohdsi_dictionary:", to_gb( total_size($hoh) ) if DEVEL_MODE;
155 3         26 return $hoh;
156             }
157              
158             sub read_sqldump_stream {
159              
160 1     1 0 3 my $arg = shift;
161 1         3 my $filein = $arg->{in};
162 1         4 my $self = $arg->{self};
163 1         3 my $person = $arg->{person};
164 1         2 my $fileout = $self->{out_file};
165 1         2 my $switch = 0;
166 1         2 my @headers;
167 1         2 my $table_name = $self->{omop_tables}[0];
168 1         3 my $table_name_lc = lc($table_name);
169              
170             # Open filehandles
171 1         5 my $fh_in = open_filehandle( $filein, 'r' );
172 1         4 my $fh_out = open_filehandle( $fileout, 'a' );
173              
174             # Start printing the array
175             #say $fh_out "[";
176              
177             # Now we we start processing line by line
178 1         3 my $count = 0;
179 1         7 while ( my $line = <$fh_in> ) {
180              
181             # Only parsing $table_name_lc and discarding others
182             # Note that double quotes are optional
183             # - COPY "OMOP_cdm_eunomia".person
184             # . COPY omop_cdm_eunomia_2.person
185 386339 100       27855128 if ( $line =~ /^COPY \"?(\w+)\"?\.$table_name_lc / ) {
186 1         9 chomp $line;
187              
188             # Create an array to hold the column names for this table
189 1         22 $line =~ s/[\(\),]//g; # getting rid of (),
190 1         29 @headers = split /\s+/, $line;
191              
192             # Discarding headers which are not terms/variables
193 1         18 @headers = @headers[ 2 .. $#headers - 2 ];
194              
195             # Turning on the switch for later
196 1         3 $switch++;
197              
198             # Jump one line
199 1         5 $line = <$fh_in>;
200              
201             }
202              
203             # Loading the data if $switch
204 386339 100       1052483 if ($switch) {
205              
206             # get rid of \n
207 67708         145153 chomp $line;
208              
209             # Order matters. We exit before loading
210 67708 100       125231 last if $line =~ /^\\\.$/;
211              
212             # Solitting by tab, it's ok
213 67707         354159 my @fields = split /\t/, $line;
214              
215             # Using tmp hashref to load all fields at once with slice
216 67707         86039 my $hash_slice;
217 67707         808117 @{$hash_slice}{@headers} =
218 67707         106292 map { dotify_and_coerce_number($_) } @fields;
  1421847         1980952  
219              
220             # Initialize $data each time
221             # Adding them as an array element (AoH)
222             die
223             "We could not find person_id:$hash_slice->{person_id}. Try increasing the #lines with --max-lines-sql\n"
224 67707 50       280799 unless exists $person->{ $hash_slice->{person_id} };
225              
226             # Increase counter
227 67707         84416 $count++;
228              
229             # Encode data
230 67707         116376 my $encoded_data =
231             encode_omop_stream( $table_name, $hash_slice, $person, $count,
232             $self );
233              
234             # Only after encoding we are able to discard 'null'
235 67707 50       388812 say $fh_out $encoded_data if $encoded_data ne 'null';
236              
237             # Print if verbose
238             say "Rows processed: $count"
239 67707 50 33     9295205 if ( $self->{verbose} && $count % 10_000 == 0 );
240             }
241             }
242 1 50       6 say "==============\nRows total: $count\n" if $self->{verbose};
243              
244             #say $fh_out "]"; # not needed
245              
246             # Closing filehandles
247 1         10 close $fh_in;
248 1         227 close $fh_out;
249 1         539 return 1;
250             }
251              
252             sub encode_omop_stream {
253              
254 67707     67707 0 131697 my ( $table_name, $hash_slice, $person, $count, $self ) = @_;
255              
256             # *** IMPORTANT ***
257             # We only print person_id ONCE!!!
258 67707         104837 my $person_id = $hash_slice->{person_id};
259             my $data = {
260             $table_name => [$hash_slice],
261             PERSON => $count == 1
262             ? $person->{$person_id}
263             : {
264 67707 100       166979 map { $_ => $person->{$person_id}{$_} }
  203118         614487  
265             qw(person_id gender_concept_id birth_datetime)
266             }
267             };
268              
269             # Print line by line (->canonical has some overhead but needed for t/)
270 67707         468828 return JSON::XS->new->utf8->canonical->encode(
271             Convert::Pheno::omop2bff_stream_processing( $self, $data ) );
272             }
273              
274             sub read_sqldump {
275              
276 3     3 0 9 my $arg = shift;
277 3         9 my $filepath = $arg->{in};
278 3         9 my $self = $arg->{self};
279              
280             # Before resorting to writting this subroutine I performed an exhaustive search on CPAN:
281             # - Tested MySQL::Dump::Parser::XS but I could not make it work...
282             # - App-MysqlUtils-0.022 has a CLI utility (mysql-sql-dump-extract-tables)
283             # - Of course one can always use *nix tools (sed, grep, awk, etc) or other programming languages....
284             # Anyway, I ended up writting the parser myself...
285             # The parser is based in reading COPY paragraphs from PostgreSQL dump by using Perl's paragraph mode $/ = "";
286             # NB: Each paragraph (TABLE) is loaded into memory. Not great for large files.
287              
288             # Define variables that modify what we load
289 3         8 my $max_lines_sql = $self->{max_lines_sql};
290 3         7 my @omop_tables = @{ $self->{omop_tables} };
  3         10  
291              
292             # Set record separator to paragraph
293 3         18 local $/ = "";
294              
295             #COPY "OMOP_cdm_eunomia".attribute_definition (attribute_definition_id, attribute_name, attribute_description, attribute_type_concept_id, attribute_syntax) FROM stdin;
296             # ......
297             # \.
298              
299             # Start reading the SQL dump
300 3         20 my $fh = open_filehandle( $filepath, 'r' );
301              
302             # We'll store the data in the hashref $data
303 3         12 my $data = {};
304              
305             # Process paragraphs
306 3         12436 while ( my $paragraph = <$fh> ) {
307              
308             # Discarding paragraphs not having m/^COPY/
309 618 100       1729075 next unless $paragraph =~ m/^COPY/;
310              
311             # Load all lines into an array (via "\n")
312 117         831265 my @lines = split /\n/, $paragraph;
313 117 100       1326 next unless scalar @lines > 2;
314 54         145 pop @lines; # last line eq '\.'
315              
316             # First line contains the headers
317             #COPY "OMOP_cdm_eunomia".attribute_definition (attribute_definition_id, attribute_name, ..., attribute_syntax) FROM stdin;
318 54         1213 $lines[0] =~ s/[\(\),]//g; # getting rid of (),
319 54         896 my @headers = split /\s+/, $lines[0];
320 54         432 my $table_name =
321             uc( ( split /\./, $headers[1] )[1] ); # ATTRIBUTE_DEFINITION
322              
323             # Discarding non @$omop_tables:
324             # This step improves RAM consumption
325 54 100   283   835 next unless any { $_ eq $table_name } @omop_tables;
  283         63312  
326              
327             # Say if verbose
328 19 50       171 say "Processing table ... <$table_name>" if $self->{verbose};
329              
330             # Discarding first line
331 19         43 shift @lines;
332              
333             # Discarding headers which are not terms/variables
334 19         348 @headers = @headers[ 2 .. $#headers - 2 ];
335              
336             # Initializing $data>key as empty arrayref
337 19         126 $data->{$table_name} = [];
338              
339             # Ad hoc counter for dev
340 19         49 my $count = 0;
341              
342             # Processing line by line
343 19         100 for my $line (@lines) {
344 12063         12343 $count++;
345              
346             # Columns are separated by \t
347             # NB: 'split' and 'Text::CSV' split to strings
348             # We go with 'split'. Coercing a posteriori
349 12063         67123 my @fields = split /\t/, $line;
350              
351             # Loading the fields like this:
352             #
353             # $VAR1 = {
354             # 'PERSON' => [ # NB: This is the table name
355             # {
356             # 'person_id' => 123,
357             # 'test' => 'abc'
358             # },
359             # {
360             # 'person_id' => 456,
361             # 'test' => 'def'
362             # }
363             # ]
364             # };
365              
366             # Using tmp hashref to load all fields at once with slice
367 12063         13739 my $hash_slice;
368 12063         151462 @{$hash_slice}{@headers} =
369 12063         15359 map { dotify_and_coerce_number($_) } @fields;
  197109         272283  
370              
371             # Adding them as an array element (AoH)
372 12063         19713 push @{ $data->{$table_name} }, $hash_slice;
  12063         21168  
373              
374             # adhoc filter to speed-up development
375 12063 100       20435 last if $count == $max_lines_sql;
376             say "Rows processed: $count"
377 12049 50 33     36170 if ( $self->{verbose} && $count % 1_000 == 0 );
378              
379             }
380              
381             # Print if verbose
382 19 50       65438 say "==============\nRows total: $count\n" if $self->{verbose};
383             }
384 3         52 close $fh;
385              
386             #say total_size($data) and die;
387 3         3147 return $data;
388             }
389              
390             sub sqldump2csv {
391              
392 0     0 0 0 my ( $data, $dir ) = @_;
393              
394             # CSV sep character
395 0         0 my $sep = "\t";
396              
397             # The idea is to save a CSV table for each $data->key
398 0         0 for my $table ( keys %{$data} ) {
  0         0  
399              
400             # File path for CSV file
401 0         0 my $filepath = catdir( $dir, "$table.csv" );
402              
403             # We get header fields from row[0] and nsort them
404             # NB: The order will not be the same as that in <.sql>
405 0         0 my @headers = nsort keys %{ $data->{$table}[0] };
  0         0  
406              
407             # Print data as CSV
408             write_csv(
409             {
410             sep => $sep,
411             filepath => $filepath,
412             headers => \@headers,
413 0         0 data => $data->{$table}
414             }
415             );
416             }
417 0         0 return 1;
418             }
419              
420             sub transpose_omop_data_structure {
421              
422 2     2 0 7 my $data = shift;
423              
424             # The situation is the following, $data comes in format:
425             #
426             #$VAR1 = {
427             # 'MEASUREMENT' => [
428             # {
429             # 'measurement_concept_id' => 1,
430             # 'person_id' => 666
431             # },
432             # {
433             # 'measurement_concept_id' => 2,
434             # 'person_id' => 666
435             # }
436             # ],
437             # 'PERSON' => [
438             # {
439             # 'person_id' => 666
440             # },
441             # {
442             # 'person_id' => 1
443             # }
444             # ]
445             # };
446              
447             # where all 'person_id' are together inside the TABLE_NAME.
448             # But, BFF "ideally" works at the individual level so we are going to
449             # transpose the data structure to end up into something like this
450             # NB: MEASUREMENT and OBSERVATION (among others, i.e., CONDITION_OCCURRENCE, PROCEDURE_OCCURRENCE)
451             # can have multiple values for one 'person_id' so they will be loaded as arrays
452             #
453             #
454             #$VAR1 = {
455             # '1' => {
456             # 'PERSON' => {
457             # 'person_id' => 1
458             # }
459             # },
460             # '666' => {
461             # 'MEASUREMENT' => [
462             # {
463             # 'measurement_concept_id' => 1,
464             # 'person_id' => 666
465             # },
466             # {
467             # 'measurement_concept_id' => 2,
468             # 'person_id' => 666
469             # }
470             # ],
471             # 'PERSON' => {
472             # 'person_id' => 666
473             # }
474             # }
475             # };
476              
477 2         5 my $omop_person_id = {};
478              
479             # Only performed for $omop_main_table
480 2         5 for my $table ( @{ $omop_main_table->{$omop_version} } ) { # global
  2         15  
481              
482             # Loop over tables
483 30         30 for my $item ( @{ $data->{$table} } ) {
  30         128  
484              
485 6000 50 33     30039 if ( exists $item->{person_id} && $item->{person_id} ) {
486 6000         6755 my $person_id = $item->{person_id};
487              
488             # {person_id} can have multiple rows in @omop_array_tables
489 6000 100   21000   13417 if ( any { $_ eq $table } @omop_array_tables ) {
  21000         22674  
490 5000         4712 push @{ $omop_person_id->{$person_id}{$table} },
  5000         18778  
491             $item; # array
492             }
493              
494             # {person_id} only has one value in a given table
495             else {
496 1000         3841 $omop_person_id->{$person_id}{$table} = $item; # scalar
497             }
498             }
499             }
500             }
501              
502             # To get back unused memory for later..
503 2         6 $data = undef;
504              
505             # Finally we get rid of the 'person_id' key and return values as an array
506             #
507             #$VAR1 = [
508             # {
509             # 'PERSON' => {
510             # 'person_id' => 1
511             # }
512             # },
513             # ------------------------------------------------
514             # {
515             # 'MEASUREMENT' => [
516             # {
517             # 'measurement_concept_id' => 1,
518             # 'person_id' => 666
519             # },
520             # {
521             # 'measurement_concept_id' => 2,
522             # 'person_id' => 666
523             # }
524             # ],
525             # 'PERSON' => {
526             # 'person_id' => 666
527             # }
528             # }
529             # ];
530             # NB: We nsort keys to always have the same result but it's not needed
531             # v1 - Easier but duplicates data structure
532             # my $aoh = [ map { $omop_person_id->{$_} } nsort keys %{$omop_person_id} ];
533             # v2 - This version cleans memory after loading $aoh <=== Implemented
534 2         7 my $aoh;
535 2         10 for my $key ( nsort keys %{$omop_person_id} ) {
  2         566  
536 1940         576827 push @{$aoh}, $omop_person_id->{$key};
  1940         3698  
537 1940         2190 delete $omop_person_id->{$key};
538             }
539 2         1224 if (DEVEL_MODE) {
540              
541             #say 'transpose_omop_data_structure(omop_person_id):',
542             # to_gb( total_size($omop_person_id) );
543             #say 'transpose_omop_data_structure(map):', to_gb( total_size($aoh) );
544             }
545 2         27 return $aoh;
546             }
547              
548             sub transpose_visit_occurrence {
549              
550 3     3 0 14 my $data = shift; # arrayref
551              
552             # Going from
553             #$VAR1 = [
554             # {
555             # 'admitting_source_concept_id' => 0,
556             # 'visit_occurrence_id' => 85,
557             # ...
558             # }
559             # ];
560              
561             # To
562             #$VAR1 = {
563             # '85' => {
564             # 'admitting_source_concept_id' => 0,
565             # 'visit_occurrence_id' => 85,
566             # ...
567             # }
568             # };
569             #my $hash = { map { $_->{visit_occurrence_id} => $_ } @$data }; # map is slower than for
570 3         10 my $hash;
571 3         12 for my $item (@$data) {
572             my $key = $item->{visit_occurrence_id}
573 2037         2759 ; # otherwise $item->{visit_occurrence_id} goes from Int to Str in JSON and tests fail
574 2037         4238 $hash->{$key} = $item;
575             }
576 3         20 return $hash;
577             }
578              
579             sub read_csv {
580              
581 15     15 0 39 my $arg = shift;
582 15         49 my $filepath = $arg->{in};
583 15         38 my $sep = $arg->{sep};
584              
585             # Define split record separator from file extension
586 15         68 my ( $separator, $encoding ) = define_separator( $filepath, $sep );
587              
588             # Transform $filepath into an AoH
589             # Using Text::CSV_XS functional interface
590 15         147 my $aoh = csv(
591             in => $filepath,
592             sep_char => $separator,
593             headers => "auto",
594             eol => "\n",
595              
596             # binary => 1, # default
597             encoding => $encoding,
598             auto_diag => 1
599             );
600              
601             # $aoh = [
602             # {
603             # 'abdominal_mass' => 0,
604             # 'age_first_diagnosis' => 0,
605             # 'alcohol' => 4,
606             # }, {},,,
607             # ]
608              
609             # Coercing the data before returning it
610 14         218413 for my $item (@$aoh) {
611 1035         1272 for my $key ( keys %{$item} ) {
  1035         19831  
612 177462         253307 $item->{$key} = dotify_and_coerce_number( $item->{$key} );
613             }
614             }
615              
616 14         184 return $aoh;
617             }
618              
619             sub read_csv_stream {
620              
621 0     0 0 0 my $arg = shift;
622 0         0 my $filein = $arg->{in};
623 0         0 my $self = $arg->{self};
624 0         0 my $sep = $arg->{sep};
625 0         0 my $person = $arg->{person};
626 0         0 my $fileout = $self->{out_file};
627              
628             # Define split record separator
629 0         0 my ( $separator, $encoding, $table_name ) =
630             define_separator( $filein, $sep );
631 0         0 my $table_name_lc = lc($table_name);
632              
633             # Using Text::CSV_XS OO interface
634 0         0 my $csv = Text::CSV_XS->new(
635             { binary => 1, auto_diag => 1, sep_char => $separator, eol => "\n" } );
636              
637             # Open filehandles
638 0         0 my $fh_in = open_filehandle( $filein, 'r' );
639 0         0 my $fh_out = open_filehandle( $fileout, 'a' );
640              
641             # Get rid of \n on first line
642 0         0 chomp( my $line = <$fh_in> );
643 0         0 my @headers = split /$separator/, $line;
644              
645 0         0 my $hash_slice;
646 0         0 my $count = 0;
647              
648             # *** IMPORTANT ***
649             # On Feb-19-2023 I tested Parallel::ForkManager and:
650             # 1 - The performance was by far slower than w/o it
651             # 2 - We hot SQLite errors for concurring fh
652             # Thus, it was not implemented
653              
654 0         0 while ( my $row = $csv->getline($fh_in) ) {
655              
656             # Load the values a a hash slice;
657 0         0 my $hash_slice;
658 0         0 @{$hash_slice}{@headers} = map { dotify_and_coerce_number($_) } @$row;
  0         0  
  0         0  
659              
660             # Encode data
661 0         0 my $encoded_data =
662             encode_omop_stream( $table_name, $hash_slice, $person, $count,
663             $self );
664              
665             # Only after encoding we are able to discard 'null'
666 0 0       0 say $fh_out $encoded_data if $encoded_data ne 'null';
667              
668             # Increment $count
669 0         0 $count++;
670             say "Rows processed: $count"
671 0 0 0     0 if ( $self->{verbose} && $count % 10_000 == 0 );
672             }
673 0 0       0 say "==============\nRows total: $count\n" if $self->{verbose};
674              
675 0         0 close $fh_in;
676 0         0 close $fh_out;
677 0         0 return 1;
678             }
679              
680             sub write_csv {
681              
682 0     0 0 0 my $arg = shift;
683 0         0 my $sep = $arg->{sep};
684 0         0 my $aoh = $arg->{data};
685 0         0 my $filepath = $arg->{filepath};
686 0         0 my $headers = $arg->{headers};
687              
688             # Using Text::CSV_XS functional interface
689             # NB: About speed:
690             # https://metacpan.org/pod/Text::CSV#csv1
691             csv(
692             in => $aoh,
693             out => $filepath,
694             sep_char => $sep,
695             eol => "\n",
696              
697             #binary => 1, # default
698             encoding => 'UTF-8',
699             headers => $arg->{headers}
700 0         0 );
701 0         0 return 1;
702             }
703              
704             sub open_filehandle {
705              
706 7     7 0 29 my ( $filepath, $mode ) = @_;
707 7 50       76 my $handle = $mode eq 'a' ? '>>' : $mode eq 'w' ? '>' : '<';
    100          
708 7         15 my $fh;
709 7 100       42 if ($filepath =~ /\.gz$/) {
710 3 100 66     20 if ($mode eq 'a' || $mode eq 'w') {
711 1 50       15 $fh = IO::Compress::Gzip->new($filepath, Append => ($mode eq 'a' ? 1 : 0));
712             }
713             else {
714 2         30 $fh = IO::Uncompress::Gunzip->new($filepath, MultiStream => 1);
715             }
716 3         9516 binmode($fh, ":encoding(UTF-8)");
717             }
718             else {
719 4         39 open $fh, qq($handle:encoding(UTF-8)), $filepath;
720             }
721 7         5802 return $fh;
722             }
723              
724             sub define_separator {
725              
726 28     28 0 93 my ( $filepath, $sep ) = @_;
727              
728             # Define split record separator from file extension
729 28         79 my @exts = map { $_, $_ . '.gz' } qw(.csv .tsv .sql .txt);
  112         359  
730 28         2871 my ( $table_name, undef, $ext ) = fileparse( $filepath, @exts );
731              
732             # Defining separator character
733 28 50       190 my $separator =
    50          
    50          
    100          
    100          
734             $sep
735             ? $sep
736             : $ext eq '.csv' ? ';' # Note we don't use comma but semicolon
737             : $ext eq '.csv.gz' ? ';' # idem
738             : $ext eq '.tsv' ? "\t"
739             : $ext eq '.tsv.gz' ? "\t"
740             : "\t";
741              
742 28 50       130 my $encoding =
743             $ext =~ m/\.gz/ ? ':gzip:encoding(utf-8)' : 'encoding(utf-8)';
744              
745             # Return 3 but some get only 2
746 28         129 return ( $separator, $encoding, $table_name );
747             }
748              
749             sub to_gb {
750              
751 0     0 0 0 my $bytes = shift;
752              
753             # base 2 => 1,073,741,824
754 0         0 my $gb = $bytes / 1_073_741_824;
755 0         0 return sprintf( '%8.4f', $gb ) . ' GB';
756             }
757              
758             sub load_exposures {
759              
760 3     3 0 30 my $data = read_csv( { in => shift, sep => "\t" } );
761              
762             # We will only use the key 'concept_id' and discard the rest
763             #$VAR1 = {
764             # '4138352' => 1
765             # };
766 3         15 my %hash = map { $_->{concept_id} => 1 } @$data;
  639         1433  
767              
768             # Returning hashref
769 3         747 return \%hash;
770             }
771              
772             1;