Java代码读取SGML文件

我正在做我的文本分类项目。我的信息检索项目有一个名为Reuters-21578的文本分类测试集合。它分布在22个文件中。每个前21个文件（reut2-000.sgm到reut2-020.sgm）包含1000个文档，而最后一个（reut2-021.sgm）包含578个文档。这些文件是SGML格式。 22个文件中的每一个都以文档类型声明行开头：分发包含DTD文件lewis.dtd。在文件类型声明行之后的是单个路透社文章，标记了SGML标签。Java代码读取SGML文件

我需要帮助来编写一个java程序来读取这些21578文档或将它们转换为21578分离的文本文件。

有人可以帮助我?????

来源

2011-02-25 user386633

你可能也想看看：http：//stackoverflow.com/questions/1504202/java-sgml-to-xml-conversion – amccormack 2011-02-25 10:42:26

也http://stackoverflow.com/questions/4867894/SGML解析器式-java的 – 2011-02-25 10:55:10

从大约五分钟的Google搜索中，似乎没有针对Java的免费SGML解析器。这很令人惊讶，但是你去了。

我建议您从SP包（不是Java，但是它是portable C）获取James Clark的SX工具，并使用它将SGML转换为XML。然后您可以使用Java XML解析器解析XML。

来源

2011-02-25 10:59:29

Lucene在org.apache.lucene.benchmark.utils.ExtractReuters中有这样的提取器;

我实际上并没有尝试从jar文件（Maven repo）中运行它，但是您可以轻松使用（并修改）发现的here的java源代码，因为它没有外部依赖关系。

请注意，此代码导出大量小文件（实际上是21578）。

来源

2015-10-12 15:07:33 cmantas

虽然这是一个很老的帖子，但我的答案是为未来的有需要的人，因为我在这样做之前挣扎了很多。我不能说它是一个合适的方法或一个好的解决方案，但它是为了达到目的，并且在过去的6个月里它不断运行以进行批处理。我编写了一些自定义代码来读取和分析SGML文件，并成功完成了作业，甚至可以退出大文件。虽然输出格式与我的情况需要不同的结构。你可以看看，如果它看起来很有用，你可以做一些调整来利用它。请看看here

来源

2017-09-20 06:49:56

Java代码读取SGML文件

回答

相关问题