← Back to branch summary

~slub.team/goobi-indexserver/3.x

« back to all changes in this revision

Viewing changes to lucene/contrib/benchmark/src/java/org/apache/lucene/benchmark/byTask/feeds/TrecFR94Parser.java

  • Committer: Sebastian Meyer
  • Date: 2012-08-03 09:12:40 UTC
  • Revision ID: sebastian.meyer@slub-dresden.de-20120803091240-x6861b0vabq1xror
https://launchpad.net/bugs/985487
Remove Lucene and Solr source code and add patches instead
Fix Bug #985487: Auto-suggestion for the search interface

Show diffs side-by-side

added added

removed removed

Lines of Context:
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
 
}