lucene-java-3.5.0/lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/TrecFBISParser.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 FBIS docs in trec disks 4+5 collection format
  25  */
  26 public class TrecFBISParser extends TrecDocParser {
  27
  28   private static final String HEADER = "<HEADER>";
  29   private static final String HEADER_END = "</HEADER>";
  30   private static final int HEADER_END_LENGTH = HEADER_END.length();
  31
  32   private static final String DATE1 = "<DATE1>";
  33   private static final String DATE1_END = "</DATE1>";
  34
  35   private static final String TI = "<TI>";
  36   private static final String TI_END = "</TI>";
  37
  38   @Override
  39   public DocData parse(DocData docData, String name, TrecContentSource trecSrc,
  40       StringBuilder docBuf, ParsePathType pathType) throws IOException, InterruptedException {
  41     int mark = 0; // that much is skipped
  42     // optionally skip some of the text, set date, title
  43     Date date = null;
  44     String title = null;
  45     int h1 = docBuf.indexOf(HEADER);
  46     if (h1>=0) {
  47       int h2 = docBuf.indexOf(HEADER_END,h1);
  48       mark = h2+HEADER_END_LENGTH;
  49       // date...
  50       String dateStr = extract(docBuf, DATE1, DATE1_END, h2, null);
  51       if (dateStr != null) {
  52         date = trecSrc.parseDate(dateStr);
  53       }
  54       // title...
  55       title = extract(docBuf, TI, TI_END, h2, null);
  56     }
  57     docData.clear();
  58     docData.setName(name);
  59     docData.setDate(date);
  60     docData.setTitle(title);
  61     docData.setBody(stripTags(docBuf, mark).toString());
  62     return docData;
  63   }
  64
  65 }