摘  要： 設計了一種新的基于XML的關系數(shù)據(jù)映射索引技術，利用域關系樹解決了DTD的不足，通過改進的XML Schema算法保持了關系數(shù)據(jù)間的語義約束，并在映射的XML標簽樹上建立了RPNL索引，實現(xiàn)了查詢代價的化O（n）。

　　XML（Extensible Markup Language）即可擴展標記語言，它與HTML一樣，都是SGML（Standard Generalized Markup Language,標準通用標記語言）。Xml是Internet環(huán)境中跨平臺的，依賴于內(nèi)容的技術，是當前處理結(jié)構(gòu)化文檔信息的有力工具。擴展標記語言XML是一種簡單的數(shù)據(jù)存儲語言，使用一系列簡單的標記描述數(shù)據(jù)，而這些標記可以用方便的方式建立，雖然XML占用的空間比二進制數(shù)據(jù)要占用更多的空間，但XML極其簡單易于掌握和使用。

　　1998年，XML被W3C推薦為Web數(shù)據(jù)交換的標準，標志著數(shù)據(jù)庫系統(tǒng)進入了XML網(wǎng)絡時代。但目前使用廣泛的仍然是關系數(shù)據(jù)庫，因此，關系數(shù)據(jù)向XML文檔的異構(gòu)映射及其優(yōu)化索引就成為Internet數(shù)據(jù)集成技術的焦點之一。通過分析映射索引現(xiàn)狀，本文提出了一種新的基于XML的關系數(shù)據(jù)映射索引技術。針對DTD的不足，在域關系樹的基礎上設計了一套改進的XML Schema算法，并在映射的XML標簽樹上構(gòu)造了RPNL索引，使基于RPNLTree的查詢代價降至O（n）。

　　1  基于XML的關系數(shù)據(jù)映射技術

　　XML 是SGML 的子集，它是一種標記性語言，同時也可以作為派生其它置標語言的元語言，允許使用者自己定義標識。和HTML相比， XML是面向內(nèi)容的，它具有更多的結(jié)構(gòu)和更多的語義，具有形式與內(nèi)容分離的特點，同時， XML所擁有的良好的可擴展性、自描述性、自相容性以及跨文種等優(yōu)點，又使得它非常適于web上的數(shù)據(jù)表示、交換與發(fā)布。

　　目前，對關系模型向XML DTD文檔的轉(zhuǎn)換研究比較成熟。但DTD模式保守，數(shù)據(jù)類型有限，特別是異構(gòu)過程中完全忽略了關系數(shù)據(jù)間語義約束的保持，沒有做到實體聯(lián)系的完整性映射。針對上述不足，本文在域關系樹的基礎上設計了一套改進的基于標準XML Schema的關系數(shù)據(jù)映射算法。

　　1.1 域關系樹

　　定義1 域D∷=L{e|D{e，|D}*}。其中，e表示結(jié)點；L表示路徑；{ }表示域空間。

　　層：域根層，有且僅有一個虛根結(jié)點Root。

　　第二層：域表層，由表Student、Course及箭頭Taking和Taken_by組成，反映了選課關系。其域關系表達式為：Student.takingCourse，Course.taken_byStudent，Student.taking→Course.taken_by。相應的語義解釋為：如果沿著Student邊到達結(jié)點α并且結(jié)點α有Taking邊通向結(jié)點β，則結(jié)點β一定有一條Taken_by邊通向結(jié)點α。

　　第三層：域?qū)傩詫樱總€結(jié)點均標識其域表層直接父結(jié)點的一個屬性。

　　1.2 基于域關系樹的XML Schema映射算法

　　嚴格結(jié)構(gòu)化的關系模型向具有明顯層次性的XML半結(jié)構(gòu)化模型映射過程中，借助于域關系樹的“中間件”作用，極大地簡化了異構(gòu)的處理。算法中XML術語的父/子關系是關系術語的子/父關系。

　　算法1：以Student為例的算法過程

　　（1）設置域?qū)傩栽亍Ｒ来螢橛驅(qū)傩詫咏Y(jié)點創(chuàng)建域?qū)傩栽豏i-AttType及其屬性類型。如果值可以取NULL，則令其標識nillable等于ture。

　　<complextype name=″Student-AttType″>

　　<sequence>

　　<ELEMENT name=″Sno″ type=″string″/>

　　<ELEMENT name=″Sname″ type=″string″ nillable=″ture″/>

　　</sequence>

　　</complextype>

　　（2）設置域表元素。分別為域表層實體創(chuàng)建域表元素Ri-TabType，并令其域空間內(nèi)的域?qū)傩栽仡愋蜑閤sd：Ri-AttType。同時設置域表元素minOccurs屬性為0，maxOccurs屬性為unbounded。

　　<complextype name=″Student-TabType″>

　　<sequence>

　　<ELEMENT name=″Student″ type=″xsd：Student-

　　AttType″ minOccurs=″0″ maxOccurs=″unbounded″/>

　　</sequence>

　　</complextype>

　　（3）創(chuàng)建庫元素。首先在XML Schema文檔中設置庫元素Ri-DB，然后依次添加庫表元素Ri-Tab及其域空間內(nèi)的元素類型xsd：Ri-TabType。

　　<ELEMENT name=″Student-DB″>

　　<complextype>

　　<sequence>

　　<ELEMENT name=″Student-Tab″ type=″xsd：Student-TabType″/>

　　</sequence>

　　</complextype>

　　（4）設置主/外鍵。如果域?qū)傩詫咏Y(jié)點是主屬性，則要插入主鍵標識Ri-PriKey。對于域表層實體間的聯(lián)系則通過設置外鍵來完成，并指明其參照域xsd:Ri-ForKey。在域空間內(nèi)，分別為主/外鍵添加selector xpath和field xpath。

　　<key name=″Student-PriKey″>

　　<selector xpath=″xsd：Student-Tab/xsd：Student″/>

　　<field xpath=″@Sno″/>

　　</key>

　　<keyref name=″Course-Cno″ refer=″xsd：Student-ForKey″>

　　<selector xpath=″xsd：Course-Tab/xsd：Course″/>

　　<field xpath=″@Cno″/>

　　</key>

　　此算法已經(jīng)在一個網(wǎng)上選課系統(tǒng)中得到了驗證，該系統(tǒng)的后臺數(shù)據(jù)庫采用Oracle。

　　2   基于XML的關系數(shù)據(jù)RPNL索引技術

　　目前已經(jīng)提出的XML數(shù)據(jù)庫索引機制有基于Trie樹的索引Index Fabric、Stanford大學Lore系統(tǒng)的DataGuides、XISS系統(tǒng)索引方案、基于DOM模型的索引、基于共享根結(jié)點的索引Rist、基于結(jié)構(gòu)的Join索引和基于路徑的索引等。其中較具代表性的是基于結(jié)構(gòu)的Join索引和基于路徑的索引。但這二種方法的不足之處是查詢處理代價高于O（n）。因此，本文在XML標簽樹的基礎上設計了RPNL索引，將查詢代價控制在O（n）。

　　2.1 XML標簽樹

　　圖2所示的XML標簽樹是利用XML Schema的樹狀層次性，借鑒半結(jié)構(gòu)化模型OEM的表示形式建立的。其構(gòu)造方法如下：

　　（1）每一個域?qū)傩栽胤謩e對應于XML標簽樹上的一個結(jié)點，帶方框的$表示父結(jié)點，圓圈表示子結(jié)點。

　　（2）在XML標簽樹中，元素-元素、元素-屬性之間的父-子關系均用相應名字的邊來標識。

　　2.2 基于XML標簽樹的RPNL索引

　　定義3 形如（L1D1L2D2……LnDn）的字符串稱為數(shù)據(jù)路徑。（L1L2……Ln）稱為語義路徑，（D1D2……Dn）稱為數(shù)據(jù)值。其中Li和Di（i=1，2，……n）分別表示標簽樹的邊和結(jié)點。

　　分析圖2，結(jié)點1、結(jié)點2具有相同的語義路徑{Student.Sno}，結(jié)點5、結(jié)點6具有相同的語義路徑{Student.Course.Cname}……由此可知：XML標簽樹中存在若干具有不同值但具有相同語義路徑的結(jié)點，即同一語義路徑可對應多個不同的數(shù)據(jù)值。于是，將具有相同語義路徑不同數(shù)據(jù)值的結(jié)點聚合在同一結(jié)點中，并在盡可能少的步驟內(nèi)快速定位到目的結(jié)點，便是索引優(yōu)化的關鍵技術。本文提出的基于XML標簽樹的索引，在語義路徑上特別設置了結(jié)點的RPNL，同時利用Hash表保存索引結(jié)點的RPNL指針。實驗證明，此方法能夠?qū)㈨樞虿檎业拇鷥r由O（n2）降至加了RPNL索引的O（n）。

　　定義4 設XML標簽樹中結(jié)點A的數(shù)據(jù)路徑為αβ，其中α為基本單元。若存在結(jié)點B的數(shù)據(jù)路徑β，則有一指針自結(jié)點A指向結(jié)點B，該指針稱為結(jié)點A的RPNL。

　　定義5 RPNLTree中，聚合在同一結(jié)點A內(nèi)的具有相同語義路徑不同數(shù)據(jù)值的結(jié)點集，稱為結(jié)點A的擴展集。

　　根據(jù)定義4、定義5并結(jié)合圖3（a），給出了在XML標簽樹上構(gòu)造RPNL索引（圖3（b））的算法，稱為算法2。

　　算法2：在XML標簽樹上構(gòu)造RPNL索引

　　約定： （1）p[i]←Li1Li2……Lin表示結(jié)點i的語義路徑（i=1，2，……n）。

　　（2）一層虛根Root的RPNL為NULL，二層子結(jié)點的RPNL均指向Root。

　　Input： TAGTree   Output： RPNLTree

　　算法步驟：

　　（1）初始化。RPNLTree中有且僅有一個根{$Root}，令指針p←RPNLTree.root。

　　（2）從Root開始前序遍歷TAGTree，首先得到邊Student及結(jié)點{$1}，在RPNLTree中創(chuàng)建結(jié)點{$1}，并使p所指結(jié)點Root有一條邊Student指向結(jié)點{$1}。由于{$1}是根結(jié)點的孩子，所以需創(chuàng)建一條由{$1}指向Root的RPNL，令指針p指向{$1}。

　　（3）繼續(xù)遍歷TAGTree，得邊Course及結(jié)點A（擴展集為{$3}），并使Course自{$1}（由p所指）指向A。

　　（4）判斷p所指結(jié)點是否存在RPNL。若存在，則訪問RPNL所指結(jié)點N（當前是Root），并創(chuàng)建新邊Course和新結(jié)點B（擴展集為{$3}），使Course自N指向{$3}，然后令A的RPNL指向B。

　　（5）檢查N中是否有RPNL指向下一個結(jié)點。如果有，使N標記該新結(jié)點，依次重復（3）（4），直到?jīng)]有可以創(chuàng)建RPNL的新結(jié)點并且N的RPNL指向根結(jié)點，中止遍歷所得邊和結(jié)點（當前是Course和{$3}）。

　　（6）令p指向結(jié)點B，即遍歷所得當前結(jié)點路徑（Student.Course）所對應RPNLTree結(jié)點。

　　圖4是依據(jù)算法2對圖2中XML標簽樹構(gòu)造的RPNLTree，其中虛線表示當前結(jié)點的RPNL。

　　由定義4、定義5及RPNLTree的構(gòu)造過程，可得以下引理：

　　引理1 利用RPNL索引查詢語義路徑為L1L2……Ln的結(jié)點，若存在，則其擴展集即為查詢結(jié)果。

　　引理2 從RPNLTree根結(jié)點出發(fā)，查詢長度為n的字符串p，其查詢代價為O（n）。

　　引入RPNL索引技術的關鍵是：當遍歷得到邊L及結(jié)點A時，只需從p所指的當前結(jié)點開始沿著RPNL進行新結(jié)點、邊的構(gòu)造，無需進行全程重復查找（根除外），以此來提高查詢速度，降低處理代價。

　　2.3 實驗結(jié)果

　　這里選取應用廣泛的路徑索引[6]作為RPNL索引查詢性能的對比分析。實驗的硬件環(huán)境為：CPU選用Pentium4 2.4，RAM為256MB；軟件環(huán)境為：操作系統(tǒng)選用Windows XP，數(shù)據(jù)集為DBLP。圖5為實驗結(jié)果。從圖5的趨勢曲線可以看出，隨著測試數(shù)據(jù)量的增大，路徑索引的查詢時間呈指數(shù)增長，而RPNL索引的查詢時間則基本是線性增長。再由引理1、引理2可證，RPNLTree的查詢處理代價為O（n），即在相同條件下，RPNL索引技術的查詢效率優(yōu)于其他索引。限于篇幅，與其他索引實驗結(jié)果的對比分析省略。

　　3  總  結(jié)

　　本文設計了一種新的基于XML的關系數(shù)據(jù)映射索引技術。通過對DTD不足的分析，在保持關系數(shù)據(jù)語義約束的基礎上，提出了一套改進的XML Schema算法，并利用XML文檔的層次性，構(gòu)造了XML標簽樹，設計了RPNL索引，實現(xiàn)了基于RPNLTree的查詢代價化O（n）。