Hadoop中异构XML文档的处理

我使用hadoop 1.1.1。在处理XML文档时，我使用MAHOUT中现有的XmlInputFormat。很明显，应该分配开始标记和结束标记。这种过程适用于以下类型的数据：

根据我说的，我分配START_TAG=和END_TAG=。 如果文件或数据采用以下格式*：

文件1：

和文件2：

如何分配开始标记和结束标记？ 在hadoop中如何处理此类数据

---

非常感谢

可以使用全局本体动态定义不同文档类型使用的开始和结束标记。在处理异构系统时，开发全局本体应该始终是集成这些系统的优先事项。

对于doc1和doc2，是lib和doc是XML文档根元素，还是这些元素的多个实例构成了文档？我的文档由多个实例组成。你可以在下面的网站上找到：做二三，四吗？不同的文档类型将其类型编码到文件名doc1.lib.xml和doc2.doc.xml中，或者它们混合在同一个xml文档中？我想在hadoop中对一系列不同的xml文档进行分类。我有1000个xml文档，它们由4个类组成。在hadoop中如何处理此类数据？而XmlInputFormat有一个开始标记和一个结束标记！！！

<lib>
    <book> ... </book>
    <book> ... </book>
    <book> ... </book>
    ...
</lib>

<lib>
    <book> ... </book>
    <article> ... </article>
    <journal> ... </journal>
    <www> ... </www>
    ...
</lib>

<Doc>
    <paper> ... </paper>
    <white_paper> ... </white_paper>
    <report> ... </report>
    <booklet> ... </booklet>
    ...
</Doc>