Fatal编程技术网
  • java/
  • Java XML解析器+；索引数据

Java XML解析器+；索引数据

java lucene

Java XML解析器+；索引数据,java,lucene,xml-parsing,apache-tika,apache-commons-digester,Java,Lucene,Xml Parsing,Apache Tika,Apache Commons Digester,我需要用Lucene为一些xml文档编制索引，但在此之前，我需要解析这些xml并在它们的标记中提取一些信息 XML如下所示： <?xml version="1.0" encoding="UTF-8"?> <tt xml:lang="es" xmlns="http://www.w3.org/2006/04/ttaf1" xmlns:tts="http://www.w3.org/2006/04/ttaf1#styling"> <head> &

我需要用Lucene为一些xml文档编制索引，但在此之前，我需要解析这些xml并在它们的标记中提取一些信息

XML如下所示：

<?xml version="1.0" encoding="UTF-8"?>
<tt xml:lang="es" xmlns="http://www.w3.org/2006/04/ttaf1"  xmlns:tts="http://www.w3.org/2006/04/ttaf1#styling">
  <head>
        <styling>
            <style id="bl" tts:fontWeight="bold" tts:color="#FFFFFF" tts:fontSize="15" tts:fontFamily="sansSerif"/>
       </styling>
  </head>

  <body>
    <div xml:lang="es">
            <p begin="00:00.50" end="00:04.02" style="bl">Info</p>
            <p begin="00:04.32" end="00:07.68" style="bl">Different words,<br />and phrases to index</p>
            <p begin="00:11.76" end="00:16.04" style="bl">Text</p>
            <p begin="00:18.52" end="00:22.88" style="bl">More and<br />more text</p>
   </div>
  </body>
</tt>



信息


要索引的不同单词、
和短语

文本


越来越多的文本
我只需要提取标记begin和end中的时间戳，然后索引p标记中的文本。目标是查询索引的文本，并知道每次命中的时间戳间隔

例如，如果我查询单词“Text”，输出应该是这样的：“2 hits，00:11.76-00:16.04，00:18.52-00:22.88”

我开始用Lucene为整个XML编制索引。现在我想解析这个文件，但我不确定解决这个问题的最佳近似方法是什么

欢迎提供任何帮助或建议：）
谢谢大家!

我强烈建议您将所有XML存储在一个数据库中，该数据库具有。我已经使用这个组合好几个月了，它可以很容易地解决很多搜索和检索问题。

我强烈建议将您的所有XML存储在一个数据库中，这个数据库已经有了。我已经使用这个组合几个月了，它非常容易地解决了许多搜索和检索问题。

我使用（即org.xml.sax.helpers.DefaultHandler的子类）解析xml文件，将每个xml文档中所需的信息提取到我自己的文档类中，然后为该文档实例编制索引。（间接寻址是因为有多个文档格式必须单独解析，但在同一索引中索引。）在您的情况下，如果每个元素的内容表示逻辑文档，则可以将日期信息存储为与特定令牌关联的有效负载。将XML解析到级别，枚举段落实例，并为每个实例添加一个具有相同名称的新字段实例，其中值是文本，负载是日期信息，并适当表示。（有效载荷是二进制的，因此，例如，您可以存储与开始时间和结束时间相对应的两个长值。）当您向文档添加具有相同名称的多个字段实例时，它们将作为同一字段进行索引，但您可以为每个实例分配不同的有效载荷，您可以调整文本开始的位置，等等

如果不需要将每个元素的内容作为单个文档，可以将每个作为单独的文档处理，然后在此基础上设置有效负载。或者，您可以将日期存储为单独的字段。

我使用（即org.xml.sax.helpers.DefaultHandler的子类）解析xml文件，将每个xml文档中所需的信息提取到我自己的文档类中，然后为该文档实例编制索引。（间接寻址是因为有多个文档格式必须单独解析，但在同一索引中索引。）在您的情况下，如果每个元素的内容表示逻辑文档，则可以将日期信息存储为与特定令牌关联的有效负载。将XML解析到级别，枚举段落实例，并为每个实例添加一个具有相同名称的新字段实例，其中值是文本，负载是日期信息，并适当表示。（有效载荷是二进制的，因此，例如，您可以存储与开始时间和结束时间相对应的两个长值。）当您向文档添加具有相同名称的多个字段实例时，它们将作为同一字段进行索引，但您可以为每个实例分配不同的有效载荷，您可以调整文本开始的位置，等等

如果不需要将每个元素的内容作为单个文档，可以将每个作为单独的文档处理，然后在此基础上设置有效负载。或者，您可以将日期存储为单独的字段。

我一直在查找eXist数据库，这似乎是一个非常好的工具，但我现在需要做的事情根本不适合此数据库。无论如何，thanx的信息：我一直在寻找eXist数据库，这似乎是一个非常好的工具，但我现在需要做的事情根本不适合这个数据库。无论如何，thanx for the info:DI研究了一些解析器库，我想我将使用SAX，因为我需要解析所有标记，但这些标记的属性中都有不同的值。如果我发现问题，我会回来的：我研究了一些解析器库，我想我将使用SAX，因为我需要解析所有标记，但这些标记的属性中都有不同的值。如果我发现问题，我会回来的：D