（计算机软件与理论专业论文）基于xml的数据库存储和查询研究.pdf

中国科学技术大学硕士论文基于x m l 的数据库存储和查询研究 致谢 三年的硕士研究生生活马上就要结束了，同顾在中园科学技术大学八年来的生 活与学习，心中充满了感激和欣慰。在科大朐八年是我生命中最重要的一段时光， 从一个懵懂的高中毕业生到一个马上要走上社会，去实现自己理想和抱负的青年 人，在这里伴随着成长，我学到了更多的知识，结识了更多的良师益友，我常常觉 得自己是幸运的，可以来到科大，来到计算机系学习。在此论文完成之际，我谨向 这八年来关心和帮助过我的老师，同学表示衷心的感谢。 首先我要感谢我的导师岳丽华教授，师从岳老师三年多的时间，无论从生活， 科研上对我的影响都是巨大的。岳老师渊博的学识，严谨的治学态度和诲人不倦的 精神给了我很大的启迪。从岳老师那里，我学到了字斟句酌的严谨学风，正确的进 行科学研究的方法，积极乐观的生活态度。读研期间，岳老师在我身上倾注了大量 的心血，同时也寄予了厚望，整篇论文都足在岳老师的认真指导下完成的，再次向 岳老师表示最诚挚的感谢。 其次我要感谢龚育昌教授和金培权老师，龚老师丝不苟、认真负责的工作态 度和对问题犀利的把握，给我留下了深刻的印象。金老师孜孜不倦的工作作风和教 书育人的高尚品质深深感染了我。 同时还要感谢我们项目组的王强，柳刘，蔡荣峰，傅宜生，杨洋，韩恺，刘彬， 魏晶晶，韦鹏等同学，和他们的讨论，使我获益匪浅。和他们在一起生活和学习的 日子，使我感到快乐，没有他们点点滴滴的帮助，就没有今天的这篇论文。 感谢9 7 1 l 的全体同学，认识他们是我一生的骄傲。 感谢s a 0 2 0 1 1 和数据库实验室的全体同学，认识他们我感到万分的荣幸。 感谢中国科学技术大学，我一生以此为荣。 最后我要衷心感谢我的父母，没有他们的，扛养之思，就没有这篇论文。 中国科学技术大学硕士论文 基于x m l 的数据库存储和备i 匐研究 摘要 伴随着互联网的发展，传统的h t m l 数据交换方式已经越来越满足不了日益增长 的数据交换的需要。x m l 作为一种极有前途的互联网上数据交换的新格式，已经越 来越多的取代i i t m i ，成为数据交换的标准。如何在数据库中存储和查询x m l 数据已 经逐渐成为数据库界研究的热点问题。本文在前人研究的基础上，结合国内外的最 新发展动态，通过大量的资料采集、整理和分析，结合具体实例对x m l 数据库技 术的存储和查询领域及其应用进行了分析和研究。 在x m l 查询方面，现有的查询算法大都在实例级上直接对) 。她文档进行查 询。当文档很大时，查询的性能下降很快。本文提出r 一种x m l 查询算法一x q a d ， x o a d 可以利用) 。v 几文档d t d 中的格式信息来减少对实例的访问次数，从而提高 查询效率。x q a d 不仅支持结构谓词外还支持值谓词查询。本文中还用实验的方法 把x q a d 算法的性能同其他x m l 查询算法做了比较，实验结果表明在查询表达式 中谓词结构较少的情况下，x q a d 算法性能 i 有较大幅度的提高。 在x m l 存储方面，本文提出了一种新的本源x m l 存储策略一e c p s t ，与其他 存储策略相比，e c p s t 的特点在于它利用路径模式树中的模式信息来对x m l 进行 存储。e c p s t 把对应到路径模式树的同一个结点的元素聚类，并把它们存储在一起。 本文中用实验的方法把e c p s t 同其他存储策略做了比较，实验结果表明对于含有环 节构的x m l 文档，e c p s q 、可以有效的减少查询时的t ( 】次数，提高查询的效率。 在上述研究基础上，设计并实现了一个简单的原型系统_ n s p s t ，在该系统中， 我们以从蛋白质数据库s w i s s p r o t 上下载的x m l 数据文档为例，把它按照 e c p s t 存储策略进行存储，并提供奁询功能，验证了e c p s t 在实际应用中的作用。 关键词：x m l ；x m l - e n a b l e d 数据库；x m l n a t i r e 数据库；存储策略：路径模式树 ! 塑型竺垫查查! ：婴! ：堡壅 些! 兰坚坠塑垫塑鉴童熊里! 壅墅竺塞 a b s t r a c t a l o n g w i t ht h ev i g o r o u sd e v e l o p m e n to fi n t e m e t ，t h et r a d i t i o n a ld a t a - e x c h a n g i n g m a n n e ro fh t m lc a nn o tm e e tt h en e e do fi n c r e a s i n gd a t a x m li s e m e r g i n ga sad e f a c t os t a n d a r df o ri n f o r m a t i o nr e p r e s e n t a t i o na n dd a t ae x c h a n g eo v e rt h ew e b t r i d i t i o n a l d a t a b a s ec a nn o tq u e r ya n ds t o r ex m l d a t ae f f e c t i v e l y t h e r e f o r e ，x m ld a t a b a s ew i l lb e t h ef o c u si nt h ef u t u r e h o wt oq u e r ya n ds t o r ex m ld a t ae f f e c t i v e l yi nx m l d a t a b a s ei s b e c o m i n g ar e s e a r c hh o t s p o t i nt h eq u e r y i n go fx m l ，m o s to ft h ep r o p o s e dm e t h o d se v a l u a t ep a t he x p r e s s i o n q u e r i e si n i n s t a n c e s p a c e ，i e d i r e c t l yf a c i n gt h ex m li n s t a n c e s ，s u c ha sx m lt r e e t r a v e r s a la n dc o n t a i n m e n t j o i nw a y s s p e e do f t h e s em e t h o d si s h i g h l yr e l e v a n tt ot h e a m o u n to fi n s t a n c e st h e yp r o c e s s t h e r e f o r e ，i f t h e yr u no nl a r g es c a l ex m ld o c u m e n t s ， t h ee f f i c i e n c yw i l l e x t r e m e l yd e c r e a s e i nt h i sp a p e r ，an e wa l g o r i t h mo fq u e r y i n go n x m l ，x q a d ，i sp r o p o s e d a c c o r d i n gt ot h ef e a t u r e so f q u e r ya n dd t d ，t h i sa l g o r i t h m c a ng r e a t l yd e c r e a s et h et i m e so fa c c e s s i n gt h ei n s t a n c e so fn o d e st o i m p r o v et h e p e r f o r m a n c e t h ea l g o r i t h ms u p p o a sf e a t u r e sn o to n l ys t r u c t u r a lp r e d i c a t e sb u ta l s ov a l u e p r e d i c a t e s f i n a l l yw eg i v et h ep e r f o r m a n c ea n a l y s i sa n d e v a l u a t i o nb y e x p r e m e n t s t h e p r o b l e m o f q u e r y i n g x m le f f i c i e n t l y p o s e sc h a l l e n g e s f o rd a t a b a s e r e s e a r c h e r s 。t y p i c a l l y ，t h ee f f i c i e n c yo fq u e r yx m lh e a v i l yd e p e n d so nt h es t o r a g e s t r a t e g y 。i nt h i sp a p e r ，an e w n a t i v ex m l s t o r a g es t r a t e g y ，e c p s t ，i sp r o p o s e d 。e c p s t c l u s t e r se l e m e n t sr e c o r d sw h i c hm a p st ot h es a m en o d eo np a t hs c h e m at r e ea n dp l a c e t h e mc l o s et o g e t h e r tt h u st h en u m b e r so fi or e q u i r e d d u r i n gr e t r i e v a lw i l lb er e d u c e d a a tl a s tw e d e v e l o pap r o t o t y p en a m e dn s p s t ，i nw h i c hw es t o r ep r o t e i nd a t ai n x m lf o r m a t a c c o r d i n g t oe c s p t k e y w o r d s ：x m l ；x m l - e n a b l e dd a t a b a s e ：x m l - n a t i v ed a t a b a s e ；s t o r a g es t r a t e g y ； p a t hs c h e m at t e e 4 - 中国科学技术大学硕士论文基于x m l 的数据库存储和崔询研究 1 1 研究背景 第一章绪论 w w w 的迅速发展，使其成为全球信息传递和共享日益重要和最具潜力的资源， 电子商务、电子图书、远程教育等全新领域的需求和发展，使w e b 数据变得更加 复杂和多样化，利用传统数据库技术很难存储和管理所有不同的w e b 数据。 目前x m l 正在成为i n t e r n e t 上数据描述和交换的标准，并且将来会代替 h t m l 而成为w e b 上保存数据的主要格式。x m l 及其一系列相关的标准已广为接 受和使用，包括x m l 文档的存储、奁询、集成、索引等，为x m l 成为数据库奠定 了基础。i n t e m e t 发展的今天，数据库技术酋先要考虑的是，在数据库与i n t e m e t 之 上所架构的信息系统之间有没有可结合的共同点。事实上，x m l 与数据库的关系越 来越密切，从存储在不同介质中的数据自动的生成x m l 文档以及从不同的数据存 储交换信息，必将成为未来面向信息的i n l e m e t 的主要特点。 本论文正是基于上述背景提出的，本章余下的几个小节中，我们将简要介绍目 前x m l 数据库的研究现状，主要包括x m l 存储和x m l 查洵等方面的研究，并简 要介绍了本论文所做的r 作。 1 2x d l 数据库的研究现状 随着i n t e m e t 的发展尤其是w e b 技术的广泛应用，越来越多的应用采用了x m l 技术作为数据表示和数据交换的标准，这使得通过数据库技术对x m l 数据进行管 理变得日益重要。围绕着x m l 数据的存储。索引和查询等问题，在世界范围内展 开了广泛的研究。 i 2 1x 枷。的存储 现有的x m l 存储策略大致可被分成两大类：一种是本源x m l 存储( n a t i v e x m l s t o r a g e ) ，另一种是非本源x m l 存储( n o n n a t i v ex m ls t o r a g e ) 。区别一种存储策略 中国科学技术大学硕士论文 基于x m i 。的数据库存储和鹰询研究 是否是本源的主要是看存储它们的数据模型。本源x m l 存储是基于x m l 的数据模 型，如文档对象模型( d o m ) 和对象交换模型( o e m ) 。而非本源x m l 存储则是 基于传统的关系数据模型或者对象数据模型。在关系模型上进行x m l 路径表达式 查询的时候需要进行大量的连接操作，这个代价是很大的。和关系型数据库相比， 面向对象数据库的复台类型和继承在一定程度上有助于解决x m l 数据的不规则性。 但是，为半结构化数据设计面向对象的模式是件很困难的事情，而且在面向对象数 据库上进行一些特殊目的的处理时，要比在个成熟的关系型数据库上多做很多工 作。因此非本源方式的存储策略并不能有效解决x m l 数据的存储问题。 已有一些研究者提出了许多本源x m l 的存储策略 1 ，2 ，3 ，4 ，5 】。l o r e 2 】 和t i m b e r 3 都是使用经典的基于元素( e b ) 的策略，他们把每个元素当成一个最 小的存储单位，然后把这些元素按照先序的方式存储起来。n a t i x 4 使用基于子树 ( s b ) 的策略。根据物理页的大小，n a t i x 把x m l 文档树分成若干子树，把每个子 树作为一个记录来存储。在拆分的过程中要确保每个予树的大小尽量接近一个物理 页的大小。与上面两种策略不同，a p a c h ex i n d i c e 5 的存储模块使用的是基于文档 ( d b ) 的策略。他把整个x m l 文档作为一个单一的文档来进行存储。所有以上这 些本源x m l 存储策略的特点是都没有利用到x m l 的模式信息，但是【l 】中的研究 表明，x v i l 的模式信息对存储策略的设计起到非常重要的作用。o r i e n t s t o r e 1 1 比上 述方法前进了一步，提出了一种模式引导的基于元素的聚类( e b c ) 策略。但是e b c 的缺点是对含有环结构的x m l 文档支持不够，而在文献1 6 1 对6 0 个现实应用的d t d 的研究表明，其中有超过半的d t d 含有环结构。 1 2 2x m l 的查询 在目前对x m l 数据进行查询的方法c h 遍历x m l 文档树是一个比较基础且 比较简单的一种方法。该方法逐个遍历x m l 树中的每个结点来确定它们是否符合 路径表达式的要求，但是当x m l 文档很大时它的性能会下降。f 2 1 中提出的a m t w i g 算法通过用路径模式树索引来旺配查询自动机，利用文档巾的模式信息减少对实例 结点的访问次数，从而提高了性能。但是a m t w i g 需要先构建路径模式树，而且 a m t w i g 只支持结构谓词不能支持值谓词查询。除此之外，结构连接算法可以支持 结构谓词和值谓阋的奁洵，但它每次连接都要存储中间结果，降低了性能。 中国科学技术大学硕士论文 基于x m l 的数据库存储和直询研究 1 3 本论文的工作 本论文中，针对x m l 数据库中存在的问题和科研项目的需求，从x m l 的查洵 和x m l 的存储两个角度分别提出了一。种新思路和解决方案。 本文的主要贡献是：( 1 ) 提出了一种新的x m l 的存储策略一e c p s t ；( 2 ) 提出了 一种新的x m l 的查询算法_ x q a d ；( 3 ) 实现r 一个简单的原型系统n s p s t ，把 s w i s s p r o t 中的蛋白质数据根据存储策略e c p s t 来进行存储，并提供查 旬功能。 1 4 章节安排 本论文章节安排如下： 第一章绪论主要介绍x m l 数据的研究背景和当前关于x m l 数据库存储和查 询的研究现状，最后简要介绍本论文所做的工作： 第二章x m l 简介简单分析厂x m l 的产生背景，对x m l 的文档结构、d t d 、 以及x m l 的特点进行介绍： 第三章x m l 数据库与传统数据库的特点分析本章包括了两个主要部分，首先 介绍传统数据库，把传统的数据库的特点以及现在所面临的问题进行介绍。第二部 分对x m l 数据库一些基本概念、模型及分类进行介绍。 第四章x m l 数据库奁洵研究提 | j 一种利用d t d 的模式信息米对x m l 数据进 行查询的算法_ x q a d ，并在最后用实验的方法同其他的算法进行性能比较： 第五章x m l 数据库存储研究提出了种新的本源x m l 存储策略e c p s t ， e c p s t 把对应到路径模式树同一结点的x m l 文档元素存储在一起，这样就可以减 少查询时的i o 次数，提高查询的性能。 第六章根据第五章提出的存储策略，初步实现了一个原型系统，并以一个从 s w i s s p r o t 上下载下来的生物数据为例，按照e c p s t 策略进行存储，并提供查 询功能； 第七章结束语总结本论文的研究： 作，并提出下1 步的工作目标； 最后是参考文献和蹊研期间本人发表的论文。 中国科学技术大学硕士论文 丛于x m i 。的数据库存储和查询研究 第二章x m l 简介 2 1 ) 。的产生与发展 i n t e r n e t 的发展将人们带入了个信息爆炸的时代。但网上信息的海量和无 组织性使得它只是一一个杂乱无章的信息仓库，在进行信息检索时常常发生“信息迷 向”，因而人们希望能够得到更加“智能化”的信息服务。h t m l 文档着重描述w e b 页面的显示格式，它不容易被解析、检索以及“智能化”的处理，与之相关的基于关键 词的检索技术虽然已经相对成熟，但却很难满足“智能化”信息服务的需要。在新需 求的推动下，人们提出了一种着重描述w e b 内容的可扩展标记语言x m l 。x m l 突 破了h t m l 固定标记集合的约束，用户可以根据需要来定义任意一种标签来描述元 素。x m l 是一套定义语义标记的规则，这些标记将文档分成许多部件并对该部件加 以标识。它也是元标记语言，能够用来定义与特定领域有关的、具有语义信息的、结 构化的标记语言的句法，从而有利于信息的表达和结构化组织，使数据检索和处理更 加有效 3 8 。 x m l 目前正在成为各种数据特别是文档的首选格式。由于它具有标记不同字段 ( f i e l d ) 的能力，使得搜索变得更简单和动态化，从而把企业准备扔迸废纸篓的文件变 成了进行数据挖掘的宝藏。x m l 把内容从演示格式中解放出来，使材料可以多次重 复使用。这样一来，同样的内容可以分别用于新闻发布，白皮书、宣传册、演示和 w e b 页面，对那些需要把不兼容的系统融合在一起的企、【k ，x m l 可以充当公共传 输工具，以中性格式进行数据传输。此外，x m l 还可以处理各种数据，包括文本、 图像和声音，并且可以由用户进行扩展以处理任何特殊类型的数据。x m l 的特性使 之成为在线和离线数据的共同语言。 w 3 c 制定了w e b 数据交换的标准x m l 4 6 ，它的主要优点是： ( 1 ) 支持异质系统间的相互通信。x m l 使用的是公开、非专有格式允许不同专 业开发与自己特定领域有关的标记语言，不受版权、专利、商业秘密等知识产权的 限制。x m l 的开放牲决定了它可成为异质系统之湖逃行交流的媒介，各系统只要装 有x m l 解析工具，便可理解以x m l 为中介“ 其它系统传送的信息并加以利用，而 不用考虑对方的信息格式和使用特殊的软件而完成跨，f 台的交漉，这有力地促进了 中国科学技术大学硕士论文 基于x m i 的数据库存储和查询研究 电子商务和w a f 的发展。 ( 2 ) 保值性。x m l 是s g m l 的精简网络版。s g m l 足一种有着十几年历史的国 际标准是一种用标记来描述文档资料的通用语言。它当初设计的目标之一就是为 文件提供较长的寿命，以保征新版的文书编辑软件能够对旧版的文件忠实地再现。 x m l 保留了这个特性，它是自描述的、使用非常简单的数据格式，可以用纯a s c i i 文 本来书写。同时，与压缩文件和串行的j a v a 对象不同，即使丢失一部分数据仍是可以 读取的。 ( 3 ) 开放性。结构良好的x m l 文档可以很容易进行语法分析，即使各个用户建 立与其他用户不同的x m l 应用。x m l 数据可以很容易被其他应用使用 a o 】。 ( 4 ) 结构化和集成的数据。由于x m l 足数据驱动的标识语言，文档中所有的内容 几乎都是数据和数据结构，只有关于x m l 解析器或包装程序用的指令不以数据为 主。因而，x v l l 很容易进行精确检索并可以根据多种来源集成数据并将其作为一个 文档来显示。数据可以进行重新排列，数据的各部分可以根据用户的操作隐藏或显示， 这有利于信息仓库的集成处理。总之，x m l 是元标记语言，用户可以定义自己需要 的标记。它描述的是文档的结构和语义而不是页面元素的格式化。很多商业性组织 和研究机构都致力于相关技术的研究。随着x m l ，x s l ，x p a t h ，x m l 模式，d t d ， p i ，x s l t ，x s p ，j a x p t m ，s a x ，d o m 等术语的相继出现，x m l 已经逐渐显示 出了强大的生命力 3 9 】。 2 2 舭文档结构 今天，人们开始考虑用x m l 文档来存储、组织和管理i n t e m e t 上的庞大信息资 源。下面先对x m l 作一个简要的介绍。 一篇x m l 文档由标记和内容组成。) 几中共有六种标记：元素( e l e m e n t s ) ，属性 ( a t t r i b u t e s ) ，实体引用( e n t i t yr e f e r e n c e s ) ，注释( c o m m e n t s ) ，处理指令( p r o c e s s i n g i n s t r u c t i o n s ) 和c d a t a 段( c d a t as e c t i o n s ) 。下面就这几种类型的标记分别进行介绍。 2 2 1 注释 注释以“ ”结束，介于“ ”之间的全部 数据均被x m l 处理器忽略。在使用注释时应注意以f ) l 条规则： 1 注释不能出现在x m l 声明之前，x m l 声明必须是文档最前面的部分。例 如，下面这种情况是不允许的： 中国科学技术， ；= 学硕士论文 基于x m l 的数据库存储和查询研究 h e l l o ) 眦f 2 注释不能放在标记中。例如，下l f 【i 这种情况是非法的： 9x m lv e r s i o n = ”10 ”? h e l l 0 x _ m ，i 3 注释可以包围和隐藏标记。在下面的例子中， 标记及其内容被当作注 释：而且文档在浏览器中显示时不会出现，好像不存在的一样： ? x m lv e m i o n = ”1 0 ”? h e l l o ) 帆! 4 两个连字符号“一一”除了作为注释起始和结束标记的部分外，不能出现 在该注释中。例如，下面的是非法注释： 着以为着不能像下面的语句这样嵌套注释： h e l l ox 儿! ! 一 中国科学技术大学硕士论文基于x m l 的数据库存储和查询研究 n i c k 2 2 2 实体引用 实体引用是指分析文档时会被字符数据取代的置标。x m l 预先定义了5 个实 体引用，列在表22 1 中。实体引用用于x m l 文档中的特殊字符，否则这些字符 将被解释为置标的组成部分。例如，实体引用& i t ；代表小于号( ) ，否则会被解 释为个标记的起始部分。 实体引用字符 & a m p ； & i t ： & q u o t ； & a p o s ； 表22l x m l 中的实体引用与h t m l 中不同，必须以一个分号结束。因此群；是正确 的实体引用写法，& g t 是不正确的。未经处理的小于号( ) 同表示“和”的符号 ( & ) 在一般的x m l 文本中往往被分别解释为起始标汜和实体引用( 特殊文本是 指c d a t a 段，将在后面讨论) 。因此，小于号同“和”号必须分别编码为& l t ：和& a m p ；。 例如，短语“b e n & j e r r y sn e w y o r ks u p e rf u d g ec h u n ki c ec r e a m ”应当写成b e n & a m p ；j e r r ysn e w y o r ks u p e r f u d g e c h u n ki c ec r e a m 。大于号、双引号和撇号在它 们可能会被解释成为夏标的一部分时也必须编码。但是，养成全部编码的习惯要比 努力推测一个特定的应用是否会被解释为置标容易得多。 2 2 3c d a t 大多数情况下，出玑柏一一剥尖括号( c ，) r f j 的足置标，0 ；在尖括号中的是字符 数据。但是有一种情况例外，在c d a t a 段中所有文本都足纯字符数据。看起来与 中国科学技术大学硕士论文基于x m l 的数据库存储和咨询研究 标记或者实体相似的仅仅是它们各自相应的文本。x m l 处理器无论如何是不会解 释它们的。 c d a t a 段用于需要把懿个文本解释为纯字符数据_ 而并不是置标的情况。当有一 个包含许多 、或”字符而非置标的庞大文本时，这是非常有用的。对于大部分 c 和j a v a 源代码，正是这种情况。 如果想使用x m l 乍i 有关x m i 。的简介，c d a t a 段问样非常有效。例如，在本 b 中包含许多小的x m l 代码块，i 酊我i e 在使川t 的处q ! 器义不能顾及这些情况。但 是如果把本书转换为x v l l ，我将不得不很辛苦地用& i t ；代替全部小于号，& a m p ；代 替所有“和”字符。如f 所示： & l t ；? x m lv e r s i o n = ”10 ”s t a n d a l o n e = “y e s ”? & g t ； & i t ；g r e e t i n g & g t ； h e l l ox 儿! & i t ；g r e e t i n g & g t ； 为了避免这种麻烦，可以使用个c d a t a 段表示。个不需翻译的文本块。c d a t a 段以 结束，例如： 难一不许出现在c d a t a 段中的文本是c d a t a 的结束界定符】j 。注释可能会出现 在c d a t a 段中，但不再扮演注释的角色。也就是说两个注释标记和包含在它们之 间的全部文本都将显示出来。 因为】 不能出现在c d a t a 段中，所以c d a t a 段不能嵌套。这使得使用x m l 写 有关的c d a t a 段相对困难些。如果需要的话，必须去掉项目符号，并使用l t ：、 & a m p ；和实体引用。c d a t a 段不常需要， 一咀需要时，它是非常有用的。 2 2 4 元素 7 i 素在x m l 文档中以 结束，而且不包含在注释或者c d a t a 段中。 因此，m l 标记有与h t m l 标记相同的形式。开始或打开标记以 ) 结束。例如， 中国科学技术大学硕士论文 基于x m l 。的数据库存储和奁询研究 2 2 5 属性 起始标记和空标记可以随意地包含属性。属性是用等号( = ) 分隔开的名称一数 值对。例如： f 【e l l ox f l ! 在此 元素有一个l a n g u a g e 属性，其属性值是e n g l i s h 。 标记有一 个s r c 属性，其属性值为w a v i n g l l a n d m o v 。 2 2 5 1 属性名 属性名是字符串，遵循与标记名问样的规则。这就足，属性名必须以字母或下 划线( 一) 开盘厶，名称中后续字符- f i f 以包含字母、数字、下划线、连字符和句号。其 中不能含有空格( 经常用下划线替代空格) 。 同一个标记不能有两个阀名的属性。例如，下面的例子是不合法的： 属性名是区分大小写的。s i d e 属性与s i d e 或者s i d e 属性不是同一个属性，因此以 下例子是合法的： 2 2 5 2 属性值 属性值也是字符串。如下面所示的l e n g7 | h 属性，即使字符串表示的是一个数， 但还是两个字符7 和2 ，不是十进制数的7 2 。 2 2 6x m l 文档示例 x m l 文档的元素标签之间具有层次结构，同层次的标签之间具有有序性，下面 举例说明。下页表2 2 6 中给 h 了一个x m l 文档的例子，文档中只包含了部分上述标 记。 示例x m l 文档前2 行是对x m l 文档的声明，其中第1 行给出了x m l 文档采 用的x m l 版本号。第2 行足外部d t d 使用说明，d t d 中包含的是x l v l l 的模式信 息，在本文的2 3 中将对d t d 详细介绍。第3 行足注释。从第4 行开始是x m l 文 档的实质内容。x l v i l 通过标签( t a g n a m e ) 组织数据结构，在标签之问可以包括字符 数据或者下一层次的标签。标签必须成对出现。每个x m l 文档只有唯一的根元素， 任何元素都是根元素的后代，出现在根元素内部。表中标签为l i s t 的元素即为根元 素。i i s t 元素有两个名为r e c i p e 的子元素，表示r e c i p e 元素出现两次。r e c i p e 元素有 r e c i p en a m e ，a u t h o r ，m e a l ，i n g r e d i e n t s 等予元素。其中r e c i p en a m e ，a u t h o r 等都有 个文本类型的元素作为其子节点并表示其取值。而i n g r e d i e n t s 又有i t e m 子元素， i t e m 也有“一个文本类型的元素作为其予节点并表示其取值。m e a l 除了有一个文本类 型的子元素外，还有一个可选的c o u r s e 元素作为其子元素。 ? x m lv e r s i o n = ”10 ”? c a r o ls c h m i d t c h o c o l a t ec h i pb a r s d i n n e r d e s s e r t 2 3cb u t t e r 2cb r o w ns u g a r 。 1t s pv a n i l l a 中国科学技术大学硕士论文 基于x m l 的数据库存储和查询研究 l3 4cu n s i f t e da l l p u r p o s ef l o u r l1 2t s pb a k i n gp o w d e r l 2t s ps a l t 3e g g s l 2c c h o p p e dn u t s 2c u p s ( 12 - o zp k g ) s e m i - s w e e t c h o cc h i p s p a s t aw i t ht o m a t os a u c e d i n n e r e n t r e c ll bs p a g h e t t i 1l6 - o zc a nd i c e dt o m a t o e s 4c l o v e sg a r l i c ld i c e do n i o n i t a l i a ns e a s o n i n g o r e g a n o b a s i l c r a s h e dr e dp e p p e r 表2 2 6 x m l 文档示例 2 3d t d d t d 代表文档类型定义、。一项文档类型定义应规定元素清单、属性、标记、文 档中的实体及其相互关系。d t d 为文档结构制定了一套规则。 d t d 的出现，赋予j - x m l 文档可扩展性、结构性和可验证性。正因为如此， 一一l8 - 中罔科学技术大学硕士论文 基于x m l 的数据库存储和查询研究 x m l 具备r 类似于数据库的一壮性质，人们可能利用x m i ，来组织和管理信息。与 此同时，又可以与h t m l 一样在浏览器中方便地表示，在h l t e m e t 上高效地传递和 交换。考虑到与h t m l 的兼容，d t d 并不是x m l 文档必须的成份。具有d t d 的 x m l 文档称作“v a l i d ”，否则就是“w e l l f o r m e d ”。 d t d 是w 3 c 推荐的x m l 文档类型定义标准。它描述了一个特定类型的x m l 的层次结构和能包括的内容。x m l 解析器利用d t d 来验证x m l 文档的j e 确性。 正是由于x m l 提供了d t d 的机制来捕述和定义x m l 文档的模式信息，这使x m l 数据不同于一般的半结构化数据。不过虽然d t d 提供了一定的模式信息，但是还 不全面：同时d t d 本身也是可以动态改变的。这就为x m l 的扩展提供了方便。 d t d 描述了标识语言的语法和词汇表，也就是定义了文档的整体结构以及文档 的语法。通过d t d 可以允许文档的编写者制定基于信息描述、体现数据之间逻辑 关系的自定义标记，确保文档的易读性、清晰的语义和易检索性。d t d 可以是一个 完全独立的文件，也可以在x v l l 文件中直接设定。所以，d t d 分为外部d t d ( 在 x m l 文件中调用另外已经编辑好的d f d ) 和内部d t d ( 在x m l 文件中直接设定 d t d ) 两种。比如，有几十家相互联系的、合作伙伴关系的公司、厂商，他们相互 之间的交换电子文档都足用x m l 文档。那么我们可以让所有交换的x m l 文档都使 用同样的d t d ，这是最方便的做法，同时也适用于公司内部的l 文件使用。 内部d t d 内部d t d 是在x m l 文件的文件序言区域中定义的。语法如下： ( ! d o c t y p e e l e m e n t - n a m e 1 ) 外部d t d 外部d t d 是一个独立fx ) a l 文件的文件，实际，【 也是+ 一个文本文件，只是使 用d t d 为文件扩展名。因为外部d t d 独立于x m l 文件，那么它可以供多个x m l 文件使用，就像用网一个模板可以写出多个不同内容的文件样，这多个x m l 文 件因为是引用同一个外部d t d ，所以它们的结构大致榻同。 外部d t d 的创建方式、语法和内部d t d 是一样的，外部d t d 的优点是可以 被多个x m l 文档所引剐。表2 3 给了表2 26 巾作为例子的x m l 文档的d t d 表2 3 d t d 的例子 d t d 中使用元素类型声明( e l e m e n t t y p e d e c l a r a t i o n ) 来定义x m l 文档中的元素和属 性。类型声明结构如下 d t d 中元素有以下四种类型： ( 1 ) 父元素类型。这种类型元素只可以包含子元素，没有文本值。在这种定义中 还给出x m l 文档中子元素的出现次数，可以是“十”( 出现一次或多次) ，“叫( 出 现0 次或多次) ，或者“? ”( 出现0 次或1 次) 。在上而的例子中，i n d e g r e d i e n t s 元素 可以有一个或多个i t e m 予元素。如果有多个子元素的话，同时还规定了兄弟子元素 之间的关系，可以是“，”( 顺序关系) ，如上面d t d 中的r e c i p e 元素，也可以是“i ” ( 或关系) 。 ( 2 ) 混合元素类型。这种类型元素可以包含文本或子元素。定义方式： 。在这种类型中也可以定义子元素的 出现次数，如上面的m e a l 和i t e m 元素。 ( 3 ) a n y 元素类型。x n i l 文档里该元素巾可以包含任何内容。通常只把文档的 根元素规定为a n y 类型。定义方式： ； ( 4 ) 空元素类型。这类元素在x m l 文档r l j 使用空，0 素标记，元素中没有内容。 定义方式 。 以上四种类型都可以定义元素的属性，定义方式： a t t l i s t 元素名属性名属 性类型属性有效性约束) ，。在上而例子中没有元素含有属性。通常采用图的方式来 表示d t d 的结构。将表23 所示的d t d 文档可以表示成d t d 图的形式如图2 3 所 玎i 。 图中用不同的形状表示不同类型的x m l 缔点，其中圆形表示元素( e l e m e n t ) 结 点，方形表示文本( t e x t ) 结点。带箭头的线段表示元素问父子关系。如r e c i p e 是1 i s t 中国科学技术大学硕士论文基于x i v i l 的数据库存储和查询研究 的子结点，t e c i p e _ n a m e 是r e c i p e 的子结点等等。在一些线段上标记有“秽或“+ ”， 这些符号为d t d 中的元字符。例如，从结点i n g r e d i e n t s 到i t e m 的箭头上的“+ ”符 号表示i n g r e d i e n t s 可能有一个或多个名为i t e m 的子结点，从结点i t e m 到s u b _ i t e m 的箭头上的“妒表示i t e m 元素可以有零个或多个s u b i t e m 的予元素。 2 4x m l 的特点 x m l 是开放性的，它允许各个组织、个人建立适合自己需要的置标集合，并且 这些置标可以迅速地投入使用。这一特征使得x m l 可以在各个领域中一展身手， 并且逐渐成为i n t e r n e t 上数据描述和交换的新标准，x m l 主要有以下几个特点： 1 可扩展性强：) 0 帆是元标记语言，可以根据应用的需要，创建应用于各种各样情况 下的标记语言： 2 结构性强：x i v l l 的文件结构可以嵌套到任意程度，能用米表示面向对象的等级层 次： 3 交互性好：通过使用) 0 帆，用户可以非常方便地在本地进行数据操作，不需与服务 器交互，减轻了服务器的负担： 4 语义性强：) o m 。可以自定义标记，以利于异构系统之间的数据交换和信息检索，实 现机器与机器之间的信息交换： 5 纯文本：几乎任何工具都可创建和编辑x m l ； 6 基于内容的数据标识：可以被不问程序用于不同目的： 7 可格式化：可扩展样式语言x s l 可以指定如何罹示数据。数据和显示是分离的，可 以为同一数据指定不同的样式表用于不同输出： 8 极强的链接能力：可以定义双向链接、多目标链接、扩展链接和两个文档间的链接： 9 易于处理：v