lucene-java-3.5.0/lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/TrecGov2Parser.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.io.Reader;
  22 import java.util.Date;
  23
  24 /**
  25  * Parser for the GOV2 collection format
  26  */
  27 public class TrecGov2Parser extends TrecDocParser {
  28
  29   private static final String DATE = "Date: ";
  30   private static final String DATE_END = TrecContentSource.NEW_LINE;
  31
  32   private static final String DOCHDR = "<DOCHDR>";
  33   private static final String TERMINATING_DOCHDR = "</DOCHDR>";
  34   private static final int TERMINATING_DOCHDR_LENGTH = TERMINATING_DOCHDR.length();
  35
  36   @Override
  37   public DocData parse(DocData docData, String name, TrecContentSource trecSrc,
  38       StringBuilder docBuf, ParsePathType pathType) throws IOException, InterruptedException {
  39     // Set up a (per-thread) reused Reader over the read content, reset it to re-read from docBuf
  40     Reader r = trecSrc.getTrecDocReader(docBuf);
  41
  42     // skip some of the text, optionally set date
  43     Date date = null;
  44     int h1 = docBuf.indexOf(DOCHDR);
  45     if (h1>=0) {
  46       int h2 = docBuf.indexOf(TERMINATING_DOCHDR,h1);
  47       String dateStr = extract(docBuf, DATE, DATE_END, h2, null);
  48       if (dateStr != null) {
  49         date = trecSrc.parseDate(dateStr);
  50       }
  51       r.mark(h2+TERMINATING_DOCHDR_LENGTH);
  52     }
  53
  54     r.reset();
  55     HTMLParser htmlParser = trecSrc.getHtmlParser();
  56     return htmlParser.parse(docData, name, date, null, r, null);
  57   }
  58
  59 }