读取SGML文件的Java代码
我正在做我的文本分类项目，我为我的信息检索项目准备了一个名为路透社-21578的文本分类测试集。它分布在22个文件中。前21个文件(reut2-000.sgm到reut2-020.sgm)中的每个文件包含1000个文档，而最后一个(reut2-021.sgm)包含578个文档。这些文件是SGML格式的。这22个文件中的每个文件都以一个文档类型声明行开头: DTD文件lewis.dtd包含在发行版中。文档类型声明行后面是用SGML标记标记的个别路透社文章。
我需要帮助写一个java程序，以读取这21578个文件或转换成21578个独立的文本文件。
有人能帮我吗？
回答 3
Stack Overflow用户
发布于 2011-02-25 18:59:29
从大约五分钟的谷歌搜索来看，似乎还没有针对Java的免费SGML解析器。这是相当令人惊讶的，但这就对了。
我建议您从SP包中获得James Clark的SX工具，并使用它将SP转换为portable C。然后，您可以使用Java XML解析器解析XML。
Stack Overflow用户
发布于 2015-10-12 23:07:33
Lucene在org.apache.lucene.benchmark.utils.ExtractReuters；中就有这样一个提取器
我实际上并没有尝试从jar文件(Maven repo)中运行它，但是您可以很容易地使用(和修改) here中的java源代码，因为它没有外部依赖项。
请注意，此代码导出大量小文件(实际为21578个)。
Stack Overflow用户
发布于 2017-09-20 14:49:57
虽然这是非常古老的帖子，但我的答案是给未来有需要的人，因为在用这种方式做之前，我努力了很多。我不能说这是一种合适的方法或很好的解决方案，但它达到了目的，并在过去的6个月中连续运行，进行批处理。我编写了一些自定义代码来读取和解析SGML文件，它甚至成功地完成了退出大文件的工作。尽管输出格式与我的示例中所需的结构不同。你可以看一看，如果它看起来有用，你可以做一些调整来利用它。请看一下here
https://stackoverflow.com/questions/5114076
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号