lucene-java-3.4.0/lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/TrecFR94Parser.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.IOException;
  21 import java.util.Date;
  22
  23 /**
  24  * Parser for the FR94 docs in trec disks 4+5 collection format
  25  */
  26 public class TrecFR94Parser extends TrecDocParser {
  27
  28   private static final String TEXT = "<TEXT>";
  29   private static final int TEXT_LENGTH = TEXT.length();
  30   private static final String TEXT_END = "</TEXT>";
  31
  32   private static final String DATE = "<DATE>";
  33   private static final String[] DATE_NOISE_PREFIXES = {
  34     "DATE:",
  35     "date:", //TODO improve date extraction for this format
  36     "t.c.",
  37   };
  38   private static final String DATE_END = "</DATE>";
  39
  40   //TODO can we also extract title for this format?
  41
  42   @Override
  43   public DocData parse(DocData docData, String name, TrecContentSource trecSrc,
  44       StringBuilder docBuf, ParsePathType pathType) throws IOException, InterruptedException {
  45     int mark = 0; // that much is skipped
  46     // optionally skip some of the text, set date (no title?)
  47     Date date = null;
  48     int h1 = docBuf.indexOf(TEXT);
  49     if (h1>=0) {
  50       int h2 = docBuf.indexOf(TEXT_END,h1);
  51       mark = h1+TEXT_LENGTH;
  52       // date...
  53       String dateStr = extract(docBuf, DATE, DATE_END, h2, DATE_NOISE_PREFIXES);
  54       if (dateStr != null) {
  55         dateStr = stripTags(dateStr,0).toString();
  56         date = trecSrc.parseDate(dateStr.trim());
  57       }
  58     }
  59     docData.clear();
  60     docData.setName(name);
  61     docData.setDate(date);
  62     docData.setBody(stripTags(docBuf, mark).toString());
  63     return docData;
  64   }
  65
  66 }