lucene-java-3.4.0/lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/ReutersContentSource.java

   1 package org.apache.lucene.benchmark.byTask.feeds;
   2
   3 /**
   4  * Licensed to the Apache Software Foundation (ASF) under one or more
   5  * contributor license agreements.  See the NOTICE file distributed with
   6  * this work for additional information regarding copyright ownership.
   7  * The ASF licenses this file to You under the Apache License, Version 2.0
   8  * (the "License"); you may not use this file except in compliance with
   9  * the License.  You may obtain a copy of the License at
  10  *
  11  *     http://www.apache.org/licenses/LICENSE-2.0
  12  *
  13  * Unless required by applicable law or agreed to in writing, software
  14  * distributed under the License is distributed on an "AS IS" BASIS,
  15  * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  16  * See the License for the specific language governing permissions and
  17  * limitations under the License.
  18  */
  19
  20 import java.io.BufferedReader;
  21 import java.io.File;
  22 import java.io.FileReader;
  23 import java.io.IOException;
  24 import java.text.DateFormat;
  25 import java.text.ParsePosition;
  26 import java.text.SimpleDateFormat;
  27 import java.util.ArrayList;
  28 import java.util.Date;
  29 import java.util.Locale;
  30
  31 import org.apache.lucene.benchmark.byTask.utils.Config;
  32
  33 /**
  34  * A {@link ContentSource} reading from the Reuters collection.
  35  * <p>
  36  * Config properties:
  37  * <ul>
  38  * <li><b>work.dir</b> - path to the root of docs and indexes dirs (default
  39  * <b>work</b>).
  40  * <li><b>docs.dir</b> - path to the docs dir (default <b>reuters-out</b>).
  41  * </ul>
  42  */
  43 public class ReutersContentSource extends ContentSource {
  44
  45   private static final class DateFormatInfo {
  46     DateFormat df;
  47     ParsePosition pos;
  48   }
  49
  50   private ThreadLocal<DateFormatInfo> dateFormat = new ThreadLocal<DateFormatInfo>();
  51   private File dataDir = null;
  52   private ArrayList<File> inputFiles = new ArrayList<File>();
  53   private int nextFile = 0;
  54   private int iteration = 0;
  55
  56   @Override
  57   public void setConfig(Config config) {
  58     super.setConfig(config);
  59     File workDir = new File(config.get("work.dir", "work"));
  60     String d = config.get("docs.dir", "reuters-out");
  61     dataDir = new File(d);
  62     if (!dataDir.isAbsolute()) {
  63       dataDir = new File(workDir, d);
  64     }
  65     inputFiles.clear();
  66     collectFiles(dataDir, inputFiles);
  67     if (inputFiles.size() == 0) {
  68       throw new RuntimeException("No txt files in dataDir: "+dataDir.getAbsolutePath());
  69     }
  70   }
  71
  72   private synchronized DateFormatInfo getDateFormatInfo() {
  73     DateFormatInfo dfi = dateFormat.get();
  74     if (dfi == null) {
  75       dfi = new DateFormatInfo();
  76       // date format: 30-MAR-1987 14:22:36.87
  77       dfi.df = new SimpleDateFormat("dd-MMM-yyyy kk:mm:ss.SSS",Locale.US);
  78       dfi.df.setLenient(true);
  79       dfi.pos = new ParsePosition(0);
  80       dateFormat.set(dfi);
  81     }
  82     return dfi;
  83   }
  84
  85   private Date parseDate(String dateStr) {
  86     DateFormatInfo dfi = getDateFormatInfo();
  87     dfi.pos.setIndex(0);
  88     dfi.pos.setErrorIndex(-1);
  89     return dfi.df.parse(dateStr.trim(), dfi.pos);
  90   }
  91
  92
  93   @Override
  94   public void close() throws IOException {
  95     // TODO implement?
  96   }
  97
  98   @Override
  99   public DocData getNextDocData(DocData docData) throws NoMoreDataException, IOException {
 100     File f = null;
 101     String name = null;
 102     synchronized (this) {
 103       if (nextFile >= inputFiles.size()) {
 104         // exhausted files, start a new round, unless forever set to false.
 105         if (!forever) {
 106           throw new NoMoreDataException();
 107         }
 108         nextFile = 0;
 109         iteration++;
 110       }
 111       f = inputFiles.get(nextFile++);
 112       name = f.getCanonicalPath() + "_" + iteration;
 113     }
 114
 115     BufferedReader reader = new BufferedReader(new FileReader(f));
 116     try {
 117       // First line is the date, 3rd is the title, rest is body
 118       String dateStr = reader.readLine();
 119       reader.readLine();// skip an empty line
 120       String title = reader.readLine();
 121       reader.readLine();// skip an empty line
 122       StringBuilder bodyBuf = new StringBuilder(1024);
 123       String line = null;
 124       while ((line = reader.readLine()) != null) {
 125         bodyBuf.append(line).append(' ');
 126       }
 127       reader.close();
 128
 129       addBytes(f.length());
 130
 131       Date date = parseDate(dateStr.trim());
 132
 133       docData.clear();
 134       docData.setName(name);
 135       docData.setBody(bodyBuf.toString());
 136       docData.setTitle(title);
 137       docData.setDate(date);
 138       return docData;
 139     } finally {
 140       reader.close();
 141     }
 142   }
 143
 144   @Override
 145   public synchronized void resetInputs() throws IOException {
 146     super.resetInputs();
 147     nextFile = 0;
 148     iteration = 0;
 149   }
 150
 151 }