Question

我需要使用Lucene索引一些xml文档，但在此之前，我需要解析这些XML并在其标记内提取一些信息。

XML看起来像这样：

<?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>

我只需要提取标签开始和结束内的时间戳，然后索引p标签内的文本。目标是查询索引的文本，并知道每个时间戳间隔都被命中。

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

我开始使用Lucene索引整个XML。现在我想解析文件，但我不确定什么是解决这个问题的最佳近似值。

欢迎任何帮助或建议:) 谢谢大家！

Answer 1

我强烈建议将所有XML存储在eXist数据库中，该数据库具有Lucene built-in。我已经使用这个组合几个月了，它很容易解决很多搜索和检索问题。

Answer 2

我使用SAX library（即org.xml.sax.helpers.DefaultHandler的子类）来解析XML文件，从每个XML文档中将所需信息提取到我自己的Document类中，然后将其编入索引文档实例。（间接是由于有多个文档格式必须单独解析，但索引在同一索引中。）在您的情况下，如果您的每个＆lt; body＆gt;的内容。 elements表示逻辑文档，您可以将日期信息存储为与特定标记关联的有效负载。将XML解析为＆lt; p＆gt; level，枚举段落实例，并为每个实例添加一个具有相同名称的新Field实例，其中值为文本，有效负载是适当表示的日期信息。（有效负载是二进制的，因此，例如，您可以存储对应于开始和结束时间的两个长值。）当您向文档添加多个具有相同名称的字段实例时，它们会被索引为相同的字段，但是您可以为每个实例分配不同的有效负载，您可以调整文本开头的位置等。

如果您不需要将每个元素的内容作为单个文档，则可以将每个元素视为＆lt; p＆gt;作为单独的文档，然后在其上设置有效负载。或者，您可以将日期存储为单独的字段。

XML解析器+索引数据

2 个答案: