我需要用 Lucene 索引一些 xml 文档，但在此之前，我需要解析这些 XML 并在它们的标签中提取一些信息。
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 begin 和 end 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了解每次命中的时间戳间隙。
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”
我开始使用 Lucene 索引整个 XML。现在我想解析文件，但我不确定解决这个问题的最佳近似值是什么。
欢迎任何帮助或建议:) 谢谢大家!
最佳答案
我使用了 SAX library (即 org.xml.sax.helpers.DefaultHandler 的子类)来解析 XML 文件，从每个 XML 文档中提取所需的信息到我自己的 Document 类中，然后索引该 Document 实例。 (间接是由于必须单独解析多种文档格式，但在同一索引中编制索引。)在您的情况下，如果每个
元素的内容代表一个逻辑文档，您可以存储日期信息作为与特定 token 关联的有效载荷。将 XML 解析到级别，枚举段落实例，并为每个实例添加一个新的同名 Field 实例，其中值是文本，有效负载是日期信息，适当表示。 (有效负载是二进制的，因此，例如，您可以存储对应于开始时间和结束时间的两个长值。)当您将多个具有相同名称的字段实例添加到文档时，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负载，可以调整文本开始的位置等。
如果您不需要将每个元素的内容作为一个单独的文档，您可以将每个
视为一个单独的文档，然后在其上设置负载。或者，您可以将日期存储为单独的字段。
关于java - XML 解析器 + 索引数据，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/6410993/