用于读取 SGML 文件的 Java 代码答案

【问题标题】：Java code to read SGML files用于读取 SGML 文件的 Java 代码
【发布时间】：2011-02-25 05:49:56
【问题描述】：

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。前 21 个文件（reut2-000.sgm 到 reut2-020.sgm）中的每一个都包含 1000 个文档，而最后一个（reut2-021.sgm）包含 578 个文档。文件为 SGML 格式。 22 个文件中的每一个都以文档类型声明行开头： DTD 文件 lewis.dtd 包含在分发中。文档类型声明行之后是用 SGML 标签标记的个别路透社文章。

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

有人能帮帮我吗？？？

【问题讨论】：

你可能还想看看：stackoverflow.com/questions/1504202/java-sgml-to-xml-conversion
还有stackoverflow.com/questions/4867894/sgml-parser-in-java

标签： java filestream sgml

【解决方案1】：

从大约五分钟的谷歌搜索来看，似乎没有免费的 Java SGML 解析器。这是相当令人惊讶的，但就是这样。

我建议你从SP 包中获取James Clark 的SX 工具，它不是Java，而是portable C，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。

【讨论】：

【解决方案2】：

Lucene 在 org.apache.lucene.benchmark.utils.ExtractReuters 中有这样一个提取器；

我实际上并没有尝试从 jar 文件 (Maven repo) 中运行它，但您可以轻松使用（和修改）找到 here 的 java 源代码，因为它没有外部依赖项。

请注意，此代码导出了大量小文件（实际上是 21578 个）。

【讨论】：

【解决方案3】：

虽然这是很老的帖子，但我的回答是为未来有需要的人准备的，因为在这样做之前我经历了很多挣扎。我不能说它是一种合适的方法或一个好的解决方案，但它达到了目的，并且在过去的 6 个月中它连续运行以进行批处理。我编写了一些自定义代码来读取和解析 SGML 文件，它成功地完成了甚至退出大文件的工作。尽管在我的情况下，输出格式的结构不同。你可以看看，如果它看起来有用，你可以做一些调整来使用它。请看here

【讨论】：