Формат документов в новостной коллекции РОМИП'2005

Документы в коллекциях РОМИП представлены в виде XML.

• идентификатор (некая строка)
• тема новости
• происхождение:
  • название новостного агенства
  • URL документа в Веб
• информация о времени публикации
• содержимое (без каких либо модификаций)

Для уменьшения числа файлов в тестовой коллекции один xml файл содержит много отдельных документов.

Содержимое и заголовок исходного документа хранится в кодировке BASE64.

Пример документа оформленного в таком формате (XML файл)

<?xml version="1.0"?>
<romip:dataset xmlns:romip="http://www.romip.ru/data/common" collectionId="ROMIP-2005-News">

<header>
 <version>1.0</version>
 <license type="yandex" uri="http://romip.ru/license/yandex.html"/>
 <collection-description>
      This is ROMIP news collection....
 </collection-description>
</header>

<document>
  <docID>27793</docID>
  <docURL> URL документа в Веб в base 64</docURL>
  <subject encoding="base64"> тема новости в base64 </subject>
  <agency>полит.ру</agency>
  <timestamp>
     <date>20040402</date>
     <daytime>50493</daytime>
  </timestamp>
  <content encoding="base64"> 
      содержимое в base64
  </content>
</document>

<document>
  ... следующий документ ...
</document>
...

</romip:dataset>