lucene-java-3.5.0/lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/TrecFTParser.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 FT docs in trec disks 4+5 collection format
  25  */
  26 public class TrecFTParser extends TrecDocParser {
  27
  28   private static final String DATE = "<DATE>";
  29   private static final String DATE_END = "</DATE>";
  30
  31   private static final String HEADLINE = "<HEADLINE>";
  32   private static final String HEADLINE_END = "</HEADLINE>";
  33
  34   @Override
  35   public DocData parse(DocData docData, String name, TrecContentSource trecSrc,
  36       StringBuilder docBuf, ParsePathType pathType) throws IOException, InterruptedException {
  37     int mark = 0; // that much is skipped
  38
  39     // date...
  40     Date date = null;
  41     String dateStr = extract(docBuf, DATE, DATE_END, -1, null);
  42     if (dateStr != null) {
  43       date = trecSrc.parseDate(dateStr);
  44     }
  45
  46     // title...
  47     String title = extract(docBuf, HEADLINE, HEADLINE_END, -1, null);
  48
  49     docData.clear();
  50     docData.setName(name);
  51     docData.setDate(date);
  52     docData.setTitle(title);
  53     docData.setBody(stripTags(docBuf, mark).toString());
  54     return docData;
  55   }
  56
  57 }