Использование UIMA для извлечения текста из файла XML

Question

Я создаю текстовый экстрактор для XML с использованием UIMA. Поскольку я являюсь новичком в структуре UIMA, я хочу знать, как это сделать.

Я понимаю, что UIMA может аннотировать конкретные части файла, но как я могу извлечь информацию эффективно? Любая помощь приветствуется.

Спасибо, Jatin

Answer 1

В ограниченной точки зрения разработчика UIMA Ruta, я использую HtmlAnnotator из UIMA Ruta для этих случаев использования. Это, безусловно, не самый эффективный подход. Механизм анализа не будет использовать отдельные типы для элементов, поскольку он знает только самые распространенные теги html, но при необходимости я выполняю преобразование в предопределенную систему типов в UIMA Ruta. На бэкэнд применяется htmlparser.

Answer 2

Здесь читатель коллекции, чтобы вы начали:

import static com.google.common.base.Preconditions.checkArgument; 

import java.io.File; 
import java.io.FileInputStream; 
import java.io.IOException; 
import java.util.List; 

import org.apache.uima.UimaContext; 
import org.apache.uima.collection.CollectionException; 
import org.apache.uima.fit.descriptor.TypeCapability; 
import org.apache.uima.jcas.JCas; 
import org.apache.uima.resource.ResourceInitializationException; 
import org.jdom2.Document; 
import org.jdom2.Element; 
import org.jdom2.JDOMException; 
import org.jdom2.Text; 
import org.jdom2.input.SAXBuilder; 
import org.jdom2.output.Format; 
import org.jdom2.output.XMLOutputter; 
import org.jdom2.xpath.XPathExpression; 
import org.jdom2.xpath.XPathFactory; 
import org.slf4j.Logger; 
import org.slf4j.LoggerFactory; 



@TypeCapability(outputs = "xxx") 
public class XmlCollectionReader extends JCasCollectionReader_ImplBase { 
    private static Logger LOG = LoggerFactory.getLogger(XmlCollectionReader.class); 

    private SAXBuilder builder; 
    private XMLOutputter xo; 
    private XPathExpression<Object> sentenceXPath; 

    @Override 
    public void initialize(UimaContext context) throws ResourceInitializationException { 
     super.initialize(context); 
     try { 
      File corpusDir = new File(inputDir); 
      checkArgument(corpusDir.exists()); 
      fileIterator = DirectoryIterator.get(directoryIterator, corpusDir, "xml", false); 
      builder = new SAXBuilder(); 
      xo = new XMLOutputter(); 
      xo.setFormat(Format.getRawFormat()); 
      sentenceXPath = XPathFactory.instance().compile("//S"); 
     } catch (Exception e) { 
      throw new ResourceInitializationException(
        ResourceInitializationException.NO_RESOURCE_FOR_PARAMETERS, 
        new Object[] { inputDir }); 
     } 
    } 

    public void getNext(JCas jcas) throws IOException, CollectionException { 

     File file = fileIterator.next(); 
     try { 
      LOG.debug("reading {}", file.getName()); 
      Document doc = builder.build(new FileInputStream(file)); 
      Element rootNode = doc.getRootElement(); 

      String title = xo.outputString(rootNode.getChild("Title").getContent()); 

      for (Object sentence : sentenceXPath.evaluate(rootNode)) { 
       Element sentenceE = (Element) sentence; 
        ... 
       } 
      } 

      jcas.setDocumentText(...); 

     } catch (JDOMException e) { 
      throw new CollectionException(e); 
     } 
    } 
}