The example from Grant's earlier reply uses UTF-8: http://wiki.apache.org/lucene-java/IndexingOtherLanguages
I tried out the Urdu in your email, first converted it to UTF-8, then Lucene seemed to index/search ok, SAX worked as well for parsing it. -----Original Message----- From: Liaqat Ali [mailto:[EMAIL PROTECTED] Sent: Tuesday, December 04, 2007 10:05 AM To: java-user@lucene.apache.org Subject: Indexing XML document Hi all, I want to index an XML file,containing 200 Urdu language (Varient of Arabic and Persian) documents. This corpus is in CES format,consisting of information about author and many more, I just want to extract textual data of each document and relative Doc number and title in each document using SAX. The problem I m facing that what should be the output of this whole processing, which is acceptable to Lucene Indexer. I just want to store Document number, and Title with each document. The example given below is Doc 2 from that XML file. I want to make complete index of 200 documents with Doc number and title... Kindly guide me...... <h.title>Doc 2</h.title> <title>حکمت یار کو ایران بدر کرنے پر غور</title> </p> <p>اور خبریں ہیں کہ انھیں ایران بدر کرنے پر بھی غور کیا جا رہا ہے۔ حکمت یار جو سابق سوویت یونین کی مداخلت کے خلاف امریکی حمایت سے چلے والی مزاحمت میں سامنے آۓ تھے اب مخالف خیالات کے لۓ جانے جاتے ہیں اور اب وہ کرزئی انتظامیہ کی بھی مخالفت کررہے تھے۔ گذشتہ ہفتے ایران نے حکمت یار پر الزام لگایا تھا کہ وہ ایران کی سرزمین کو افغان انتظامیہ کے خلاف کاروائیاں کرنے کے لۓ استعمال کررہے ہیں جب کہ ایران کا کہنا ہے کہ وہ طالبان کے خلاف مزاحم دھڑوں کو جو حمایت فراحم کر رہا تھا وہ طالبان کا کنٹرول ختم ہونے کے بعد بند کر دی گئی ہے۔ تاہم بعض ذرائع کا خیال ہے کہ ایران نے حکمت یار کے خلاف اقدام امریکہ کے اعتراضات کے بعد کیے ہیں۔</p> Thanks ..... Liaqat --------------------------------------------------------------------- To unsubscribe, e-mail: [EMAIL PROTECTED] For additional commands, e-mail: [EMAIL PROTECTED]
