尹曉奇

關(guān)系數(shù)據(jù)庫中XML數(shù)據(jù)存儲的有效映射方案

尹曉奇

XML是萬維網(wǎng)數(shù)據(jù)傳輸?shù)闹饕?，有關(guān)XML映射到關(guān)系型數(shù)據(jù)庫系統(tǒng)的研究已成為當(dāng)今最重要的話題之一。映射方案對XML的處理效率具有一定影響，表現(xiàn)在以下幾個方面：數(shù)據(jù)庫可擴展性、數(shù)據(jù)在數(shù)據(jù)庫系統(tǒng)的存儲速率以及數(shù)據(jù)庫里的信息存儲模式。對一種高效的新型XML映射技術(shù)s-XML的性能展開深入探討。研究結(jié)果表明,與現(xiàn)有相關(guān)方法如Edge和Attribute相比，s-XML的文檔存儲效果更理想。

可擴展標(biāo)記語言；映射方法；動態(tài)更新；結(jié)構(gòu)化關(guān)系；XML查詢

0 引言

XML對萬維網(wǎng)的信息共享和交流具有很好的適應(yīng)性，成為數(shù)據(jù)表示和數(shù)據(jù)通信方面重要的互聯(lián)網(wǎng)標(biāo)準(zhǔn)[1]，以致不少研究人士積極開展相關(guān)研究并基于關(guān)系型數(shù)據(jù)庫模式提出XML存儲和文檔查詢的有效、精確映射方案。

伴隨著XML的快速發(fā)展，需要確保存儲在關(guān)系型數(shù)據(jù)庫里的信息條理清晰、前后一致以維持原始文檔數(shù)據(jù)的完整性。目前主要要處理好各節(jié)點之間的關(guān)系，才可確保查詢處理和所生成的結(jié)果精準(zhǔn)無誤，并與原始XML文檔里的數(shù)據(jù)相一致。

一個好的映射方法需要滿足四個基本關(guān)系：祖先后代關(guān)系、父子關(guān)系、兄弟關(guān)系和層級關(guān)系。這些信息需儲存在關(guān)系表里用以鑒定XML文檔里節(jié)點之間的關(guān)聯(lián)性，如此便可確保用戶的查詢得到恰當(dāng)處理。

但一直讓人困擾的是如何提出一個可維持節(jié)點間的基本關(guān)系以實現(xiàn)XML的有效處理一種映射方案。通常存在全文本查詢和結(jié)構(gòu)化查詢這兩種查詢。目前許多方法支持全文本查詢，但對結(jié)構(gòu)化查詢尚無定論。由于多種標(biāo)準(zhǔn)綜合的緣故，結(jié)構(gòu)化查詢導(dǎo)致查詢檢索不連貫，無法完整地完成任何查詢。此外，有些方法可存儲這類信息但它們復(fù)雜的表模式也成為制約因素，妨礙查詢處理速度，因而延長了查詢響應(yīng)。對此，需要提出可對XML數(shù)據(jù)進行有效映射并連貫維持節(jié)點間關(guān)系的解決方案。

本文貢獻如下：概述目前映射方案的優(yōu)缺點，基于持久標(biāo)識方案介紹s-XML映射技術(shù)，s-XML與其它技術(shù)性能對比研究。

1 相關(guān)研究

有關(guān)XML數(shù)據(jù)映射到關(guān)系型數(shù)據(jù)庫的研究已成為學(xué)者們關(guān)注的一個重要領(lǐng)域，這是因為找到一種有助于實現(xiàn)XML高效處理的映射方案十分重要。此前提出的許多映射方案均無法處理好節(jié)點之間的關(guān)系，而這對判定根據(jù)用戶需求從數(shù)據(jù)里進行信息檢索節(jié)點間的關(guān)聯(lián)起到重要作用[2]。

Edge[3]是一種最簡單的映射方案，將信息存儲到單個Edge表。因為這一特性，Edge方法會引發(fā)復(fù)雜查詢處理過程中信息檢索方面過多的自我連接問題。鑒于大量數(shù)據(jù)存儲在超大XML文檔的單個表里，Edge表會遭遇“表大小過大出錯”問題。與Edge不同的是，Attribute[4]方法將相同元素名的所有元素儲存到單個表里，結(jié)果XML文檔里的表的數(shù)量有離散元素名之多，這將導(dǎo)致復(fù)雜查詢處理用的表之間存在許多連接。上述方法都是在邊緣標(biāo)記方法基礎(chǔ)上提出的，當(dāng)原始XML文檔存在動態(tài)更新時，該方法要求對表里的現(xiàn)有數(shù)據(jù)進行調(diào)整。

XRel[5]方法是基于節(jié)點標(biāo)記方法提出的。通過該法信息會映射到四個關(guān)系型表里。這些表是根據(jù)元素、屬性、文本和路徑這4個節(jié)點類型而設(shè)計的，路徑負(fù)責(zé)將根節(jié)點到當(dāng)前節(jié)點的數(shù)據(jù)進行存儲。這是一種有效的方案，負(fù)責(zé)對文檔里的數(shù)據(jù)進行維護。此外，XParent[6]將XML文檔表示為結(jié)構(gòu)樹，將相關(guān)信息映射到4個表即：1）LabelPath表：負(fù)責(zé)對該表里的離散標(biāo)記路徑進行存儲；2）DataPath表：負(fù)責(zé)維護父子關(guān)系型的信息；3）元素表：負(fù)責(zé)維護元素信息；4）數(shù)據(jù)表：負(fù)責(zé)對文檔里的數(shù)據(jù)值進行存儲以及祖先表負(fù)責(zé)對祖先后代信息進行存儲。但是，這些方法的復(fù)雜性可能導(dǎo)致XML文檔的處理速度放緩，并影響查詢處理時間。

新映射方法s-XML是在持久標(biāo)識方案基礎(chǔ)上提出的。因此，不論何時已有XML文檔存在動態(tài)更新，都不要求對表里存儲的已有數(shù)據(jù)進行調(diào)整。再者，s-XML還可有效維持節(jié)點間的關(guān)系以確保這些節(jié)點間的關(guān)聯(lián)，如表1所示：

表1 Edge、Attribute與s-XM映射方案的優(yōu)缺點對比結(jié)果

除了提出適合的映射方案，還需確保標(biāo)識方案具有一定的持續(xù)性，以防一旦出現(xiàn)動態(tài)更新，不需要對已有節(jié)點的標(biāo)記進行變更或修改。所以，需要采用恰當(dāng)?shù)臉?biāo)識方案。本文提出的映射方法是智慧型方案，是XML高效處理的理想之選。當(dāng)每次插入新節(jié)點時，該標(biāo)記技術(shù)必須能夠生成唯一的標(biāo)記。當(dāng)對已有節(jié)點進行刪除或調(diào)整時，需要確保已有節(jié)點的標(biāo)記原封不動。持久標(biāo)識方案是支持對XML文檔的動態(tài)更新并為新節(jié)點生成唯一標(biāo)識的方案之一。此基礎(chǔ)上提出了s-XML方案。

2 持久標(biāo)識方案及本文新方案S-XML

1）持久標(biāo)識方案

持久標(biāo)識方案[7-8]是最具有影響力的標(biāo)識方案之一，能夠有效地維持結(jié)構(gòu)關(guān)系并支持動態(tài)更新，這歸咎于這一映射技術(shù)的能力問題。每當(dāng)對文檔進行插入、刪除或更新時，該技術(shù)不需要對XML文檔里的已有節(jié)點進行重新標(biāo)記。持久標(biāo)識方案對XML圖做了標(biāo)識后的示例圖，如圖1所示：

圖1 基于持久標(biāo)識方案的新映射方案

持久標(biāo)識的標(biāo)識公式如下：

(l,[np,dp],[n,d])，式中：

- l 指節(jié)點的層次

- [n,d] 指節(jié)點的自我標(biāo)識

- [np,dp] 指父代節(jié)點的標(biāo)識

單個或大批節(jié)點插入的情況有三種，具體如下：

（1）在標(biāo)識(j,k)之前立即插入一個新節(jié)點，且在(j,k)之前不存在其它節(jié)點

新節(jié)點(j-1,k)的自我標(biāo)識

（2）在標(biāo)識(j,k)之后立即插入一個新節(jié)點，且在(j,k)之后不存在其它節(jié)點

新節(jié)點(j+1,k)的自我標(biāo)識

（3）在標(biāo)識為(j,k)的節(jié)點A與標(biāo)識為(m,n)的節(jié)點B之間插入一個新節(jié)點

第一步：假設(shè)新節(jié)點的標(biāo)識是(a,b)

第二步：a = m.k + j.n / d

第三步：b = 2.k.n / d，其中d是(m.k + j.n)和(2.k.n)的最大公約數(shù)

基于上述公式，我們不需要對已有節(jié)點重新進行標(biāo)記，因為每次出現(xiàn)動態(tài)更新時都會生成新的標(biāo)識。所以，持久標(biāo)識方案是一種能改善XML處理性能的可靠、持久標(biāo)記技術(shù)。正是基于這一特點，我們在持久標(biāo)識方案基礎(chǔ)上提出了s-XML，使得XML的映射能力大大增強。

2）s-XML

確保一種映射方案可維持節(jié)點之間的關(guān)聯(lián)這一點很重要，它關(guān)系到查詢處理和查詢檢索能否有效進行。s- XML表方案的設(shè)計理念：便于維持結(jié)構(gòu)式關(guān)系，較好地支持動態(tài)更新。

s- XML包含ParentTable和ChildTable這兩種表，分別負(fù)責(zé)對父節(jié)點和葉節(jié)點方面的信息進行存儲。這些表方案的公式介紹如下。

ParentTable (IdNode, LParent, SelfLabel)，其中：

LParent -負(fù)責(zé)對層次方面的信息和父節(jié)點的標(biāo)識進行維護

ChildTable (IdNode, Level, Child, LParent) where: 其中：

基于持久標(biāo)識方案的s-XML的信息存儲情況，如表2和表3所示：

表2 父節(jié)點中ParentTable存儲的信息

表3 葉節(jié)點中ChildTable存儲的信息

如在表2中,ChildTable里的IdNode4的父標(biāo)識存儲在&6，表明ChildTable里的IdNode 6位于第二級，得到節(jié)點的本地標(biāo)識是[4.1]。該方案便于我們很方便地通過減少一個級別來判定節(jié)點間的祖先后代關(guān)系，追蹤父標(biāo)識和自我標(biāo)識。

3 實驗分析與結(jié)果

1）實驗設(shè)置

實驗設(shè)備是因特爾奔騰雙核處理器T2390，160GB HDD和1GB DDR2，采用JDK 1.5.0的IntelliJ IDEA Community Edition 9.0.1版本進行實驗操作，MySQL作為數(shù)據(jù)庫服務(wù)器，JAVA作為編程語言。XML文件的樣品取自華盛頓UW大學(xué)數(shù)據(jù)庫，大小不等，如表4所示：

表4 本次實驗用到的數(shù)據(jù)資料和文件

實驗的目的有兩個：（1）確定XML數(shù)據(jù)映射到關(guān)系型數(shù)據(jù)庫的時間；（2）根據(jù)文件大小和信息類型對各方案所消耗的數(shù)據(jù)庫大小進行判定。

2）研究結(jié)果

首先確定XML數(shù)據(jù)映射到關(guān)系型數(shù)據(jù)的用時，然后將s-XML方案與Edge、Attribute方案所得結(jié)果進行比較。文件大小從KB到MB不等，如99KB、1MB和82MB。連續(xù)5個周期后各方案的平均用時結(jié)果，如表5所示：

表5 各方案下XML數(shù)據(jù)映射到關(guān)系型數(shù)據(jù)庫平均用時（分鐘）結(jié)果對比

各方案下XML數(shù)據(jù)映射到關(guān)系型數(shù)據(jù)庫的用時數(shù)據(jù)，如圖2所示：

圖2 各方案用時結(jié)果對比

由表5和圖2可知Edge方案用時最少，這是因為Edge是最簡單的方案，只有一個表。Attribute用時最長，這是因為它所制作的表有XML文檔里出現(xiàn)的離散元素名之多。s-XML用時比Attribute的要少，這是因為該方案只有兩個表，通過直接的映射設(shè)計模式對XML數(shù)據(jù)進行映射。

通過以上3種方案對文件進行加載時我們測得了數(shù)據(jù)庫的大小。結(jié)果表明Edge和Attribute比s-XML要占用更大空間，這是因為前兩者存儲的數(shù)據(jù)較多，而s-XML對它們進行了簡化。Attribute方案占用空間最大，這是因為制作了許多表來滿足XML文檔里的不同元命名的需求。上述3種方案所消耗的數(shù)據(jù)庫大小結(jié)果，如表6和圖3所示：

表6 在KB和MB中不同文件大小數(shù)據(jù)庫大小的比較

圖3 三種方案所消耗的數(shù)據(jù)庫大小結(jié)果

根據(jù)所加載XML文檔的大小不同，XML數(shù)據(jù)映射到關(guān)系型表所需的表大小和時間也會變得越來越大。因此，映射方案必須足夠簡單、具有一定持續(xù)性方可有效地進行規(guī)模加載。映射方案的復(fù)雜性體現(xiàn)在數(shù)據(jù)加載所用時間、信息檢索和數(shù)據(jù)庫存儲大小3方面。必須將那些指標(biāo)降低才可滿足同時進行多個查詢的要求，進行全文本查詢和結(jié)構(gòu)化查詢。映射方案還必須存儲充足的數(shù)據(jù)，如層次、父子、祖先后代和兄弟關(guān)系以支持結(jié)構(gòu)化查詢。

除此之外，映射方案的進步還必須考慮是否支持動態(tài)更新，如對已有XML文檔進行語句插入、刪除和更改。更改應(yīng)當(dāng)不影響表里的已有數(shù)據(jù)和表的結(jié)構(gòu)。Edge和Attribute這兩方案要求對表里存儲的已有數(shù)據(jù)進行調(diào)整。這會影響查詢處理用時并延誤信息檢索。s-XML方案不要求對表里存儲的已有數(shù)據(jù)進行更改，這是因為該方案是在持久標(biāo)識方案基礎(chǔ)上提出的，持久標(biāo)識方案可生成插入已有文檔的新節(jié)點的唯一一組標(biāo)識。這是一種有效的查詢處理方法，信息檢索效果也理想。

從數(shù)據(jù)庫管理系統(tǒng)（DBMS）的角度來說，要實現(xiàn)更理想的數(shù)據(jù)存儲和表現(xiàn)目標(biāo)，需要考慮幾個方面。關(guān)于這一點，從數(shù)據(jù)存儲和檢索角度而言，表現(xiàn)簡明是一個值得關(guān)注的重要標(biāo)準(zhǔn)。表現(xiàn)簡明指的是數(shù)據(jù)表現(xiàn)緊湊但不累贅的程度。由于DBMS采納關(guān)系型模式將數(shù)據(jù)組織到關(guān)系中，我們需要利用一定的靈活性盡可能靈活、有效地對XML數(shù)據(jù)進行存儲，因為這也是對數(shù)據(jù)建模的一種直觀做法。Edge方案將單個Edge表里的數(shù)據(jù)進行收集，這將影響到數(shù)據(jù)的表現(xiàn)過程。同時，Attribute方案由于信息融合較多以致顯得過于復(fù)雜，這會導(dǎo)致數(shù)據(jù)表現(xiàn)不連貫，延時和響應(yīng)用時增長。s-XML比較合理，利用DBMS的靈活性對數(shù)據(jù)進行存儲，因為該方案只采用兩個表來存儲數(shù)據(jù)，而且數(shù)據(jù)表現(xiàn)程度增強，準(zhǔn)確性提高。

4 總結(jié)

本文將新映射技術(shù)s-XML與Edge和Attribute這兩種已有方法進行了研究對比，重點考察了這3種方案將XML數(shù)據(jù)映射到關(guān)系型表所耗費的時間、數(shù)據(jù)庫大小和所支持的信息類型。結(jié)果表明無論在映射速率還是數(shù)據(jù)庫規(guī)模方面，s-XML方案都要優(yōu)于既有方案。s-XML方案是良好映射方案的一個例證，能有效地維護結(jié)構(gòu)化關(guān)系并對XML文檔里出現(xiàn)的動態(tài)更新提供支持。

[1] Haifeng Jiang, Hongjun Lu, Wei Wang and Jeffrey Xu Yu, “Path Materialization Revisited: An Efficient Storage Model for XML Data,” [J]. In Proc. Of ADC, 2001, 85-94

[2] Samini Subramaniam, Su-Cheng Haw and Poo Kuan Hoong, “Mapping and Labeling XML Data For Dynamic Update,” [J]. In Proc. Of ICECT, 2010：3-4

[3] Masatoshi Yoshikawa and Toshiyuki Amagasa, “XRel: A Path-Based Approach to Storage and Retrieval of XML Documents using Relational Databases”, [J].In ACM Transactions on Internet Technology (TOIT), 2001：9-25

[4] Haifeng Jiang, Hongjun Lu, Wei Wang and Jeffrey Xu Yu, “XParent: An Efficient RDBMS-Based XML Database System”, [J]. In Proc. Of ICDE, 2002：56-60

[5] Su-Cheng Haw, Chien-Sing Lee, “Node Labeling Schemes in XML Query Optimization: A Survey and Trends”, [J].IETE Technical Review, 2009：88-99

[6] Jun-Ki Min, Jihyun Lee, Chin-Wan Chung, “An Efficient XML Encoding and Labeling Method for Query Processing and Updating on Dynamic XML Data” , [M].DASFAA, 2007：112-119

[7] Alban Gabillon and Majirus Fansi, “A Persistrent Labeling Scheme for XML and tree Database”, [M].ACI 2006：110-115

[8] Felix Naumann and Mary Roth, “Information Quality: How Good Are the Off-The-Shelf DBMS?”, [J].In Proc. Of the International Conference on Information Quality (ICIQ), 2004：34-40

Effective Mapping Scheme of XML Data Stored in Relational Database

Yin Xiaoqi
(Department of Computer Science and Technology, Cheng Dong College of Northeast Agricultural University, Harbin150025, China)

XML is the main channel of the web of data transmission, research on mapping XML to relational database system has become one of the most important topics in the current era. Mapping scheme has certain influence on treatment efficiency of XML. It is shown in the following aspects: database expandability, the data storage rate and information storing mode in the database system. An effective and new XML mapping scheme technology, the s-XML is discussed in this paper. The results show that compared with the existing methods such as Edge and Attribute, document storage effect of s-XML is more ideal.

XML; Mapping Approach; Dynamic Updates; Structural Relationship; XML Queries

TP391

A

2014.11.11）

1007-757X(2014)12-0061-04

尹曉奇（1980-），男，東北農(nóng)業(yè)大學(xué)成棟學(xué)院，計算機科學(xué)與技術(shù)系，講師，碩士，研究方向：計算機網(wǎng)絡(luò)，信息安全，哈爾濱，150025