（计算机软件与理论专业论文）关于xml+schema到关系模式映射的研究.pdf

关于x m ls c h e m a 到关系模式映射的研究 专业： 硕士生： 指导老师： 计算机软件与理论 杨浩 李才伟副教授 摘要 近年来，x m l 在各种应用中得到了广泛的使用，w e b 上涌现了海量的x m l 数据。为了有效地加工、分析和处理x m l 数据，研究者们已经提出了各种x m l 的存储管理技术。基于关系数据库的x m l 数据存储成为了最为流行的方式，受 到了广泛的关注。由于x m l 模式在x m l 文档的关系存储中起着异常重要的作 用，所以x m l 模式到关系模式的映射更是成为了现在乃至未来的一个研究热点。 本文讨论了x m l 文档与关系数据库之间的关系，由于数据结构不同，二者 之间的数据不能够被直接访问。分析了目前x m ls c h e m a 与关系模式之间的一 些主流映射算法，并指出了它们存在的一些问题和缺陷。 本文在对目前的一些主流映射算法的深入研究分析之后，针对这些算法的缺 陷，设计并实现了一个基于j d o m 的带约束的x m l 模式到关系模式的映射算法。 本算法与现存的一些算法相比，有如下优势： 1 对元素的映射更为详细，更符合x m ls c h e m a 的要求。 2 对于x m l s c h e m a 一致性约束保持方面给出了一种比较好的解决方案。 3 对于x m ls c h e m a 的结构信息保留的更为完整。 关键词：x m ls c h e m a ，关系模式，j d o m ，数据转换 r e s e a r c ho ft h em a p p i n gf r o mx m l s c h e m at or e l a t i o n a ls c h e m a m a j o r ：c o m p u t e rs o f t w a r e t h e o r y n a m e ：h a oy a n g s u p e r v i s o r ：c a i w e il i a b s t r a c t r e c e n t l y ，x m lh a sb e e nw i d e l yu s e di nv a r i o u sa p p l i c a t i o n s t oo r g a n i z ea n d m a n a g ex m l d a t ae f f i c i e n t l y ，d i f f e r e n tq u e r yl a n g u a g e sa n ds t o r a g ea p p r o a c h e sh a v e b e e np r o p o s e d a m o n gt h e s ea p p r o a c h e s ，u s i n gr d b m sb e c o m et h em o s tp o p u l a r w a y t h ea l g o r i t h mf o rm a p p i n gx m l s c h e m at or e l a t i o ns c h e m aw i l lb eah o t s p o ti n t h ef u t u r eb e c a u s ei tp l a y sav e r yi m p o r t a n tr o l li nt h es t o r i n gx m ld o c u m e n t si n r d b m s t h i sp a p e rd i s c u s s e st h er e l a t i o nb e t w e e nx m lf i l e sa n dr e l a t i o n a ld a t a b a s e s w ep o i n to u tt h a tt h e yc a n n o te x c h a n g et h ed a t ad i r e c t l yd u et ot h e i rd i f f e r e n td a t a s t r u c t u r e s t h r o u g ha n a l y z i n gt h ep r i m a r ya l g o r i t h m sf o rm a p p i n gx m ls c h e m at o r e l a t i o ns c h e m a ，w ep o i n to u tt h ep r o b l e m sa n db u g si nt h e s ea l g o r i t h m s a f t e rs t u d y i n gt h ep r i m a r ya l g o r i t h m sa tp r e s e n t ，w ed e s c r i b ean e wa l g o r i t h m f o rm a p p i n gx m ls c h e m at or e l a t i o ns c h e m a ，a n dp r e s e n ti t sr e a l i z a t i o n ，a i m i n ga t t h e p r o b l e m s o ft h o s ea l g o r i t h m s c o m p a r e dw i t hs o m ee x i s t i n ga l g o r i t h m s ，m y a l g o r i t h mh a ss o m ea d v a n t a g e sa sf o l l o w s ： f i r s t ，m o r ed e t a i l sa r ed e s c r i b e da b o u tt h em a p p i n go fe l e m e n t ，s os a r i s f yt h e r e q u e s to fx m l s c h e m ab e t t e r s e c o n d ，t h ep r o b l e mo fk e e p i n gc o i n c i d e n c er e s t r i c t i o ni nx m ls c h e m ai s s o l v e d t h i r d ，s t r u c t u r ei n f o r m a t i o no ft h ex m ls c h e m ai sm o r ei n t e g r a t e d k e yw o r d s ：x m ls c h e m a ，r e l a t i o nm o d e ，j d o m ，d a t at r a n s f o r m i i 第1 章引言 1 - 1 研究背景和意义 近几年，x m l ( e x t e n s i b l em a r k u pl a n g u a g e ，可扩展标记语言) 的各项标准 日臻完善，在各个领域的应用也不断扩展和深入。由于其具有简单性、可扩展性、 易操作性、开放性等优点，因此x m l 在信息表现领域得到广泛的应用。如w e b 浏览、b 2 b 电子商务网上交易和各种w e b 应用等。x m l 已成为互联网上表征和 交换数据的统一标准。随着x m l 数据的大量涌现，需要用经典的关系数据库来 有效的存储、管理和查询x m l 数据。此外，原本存储在关系数据库中的信息又 需要转换成x m l 形式。于是，x m l 存储技术应运而生。这类技术需要解决一 个难题：如何将x m l 文档有效的转化为关系模式存储，并获得尽可能高的执行 效率。 另一方面，当今的数据库的两大主流类型是关系数据库和面向对象数据库， 还有一少部分其它类型，如x m l 数据库。然而由于关系数据库的众多优势：技 术成熟、应用广泛、数据管理能力强( 包括存贮、检索、修改等) 、数据安全程 度高、稳定可靠的并发访问机制等，使得关系数据库仍是目前数据存储的主流数 据库。由于x m l 缺乏像关系数据库这样的有效的数据管理手段，x m l 数据库 尚不能代替关系数据库。但是x m l 在异构数据交换方面具有很大优势，因此， “以关系数据为存贮手段，以x m l 为交换载体”的数据管理方式就成为一种趋 势，而这两种数据间的集成和信息共享则成了研究的热点。 从数据库的内容转换到x m l 文档，这在很多流行的商业数据库产品中己经 实现，如o r a c l e 、m ss q ls e r v e r 、d b 2 等数据库，都可以直接使用s q l 语言输 出x m l 格式的文档。其中有些数据库甚至把内置的数据类型直接映射到x m l s c h e m a 上，如可以使用x m ls c h e m a 将d b 2 数据完整性约束映射至x m l 。但 到目前为止，仍旧没有一个比较完善的算法将一个x m l 文档转换到数据库。 本文只是对这种算法的某些方面进行研究，只给出一个从x m ls c h e m a 到 关系模式的映射算法解决方案，例如本文没有讨论转换中如何对待x m ls c h e m a 中山大学硕士学位论文第1 章引言 中的命名空间、多文档中的模式、抽象元素等等比较高级的内容。只是着重讨论 了一些在转换中必须要考虑的问题，如基础类型元素的转换、一般简单类型和复 杂类型元素的转换等等内容。每种部分的转换都基本给出了详细的转换规则。针 对目前的算法都过分追求性能的提升而损失的过多的结构信息，在转化过程中， 目的是尽量保证x m ls c h e m a 信息的完整性，对确实不能保证的，采用某种变 通的方式来实现。 1 2 国内外研究动态 在对现有的x m l 与数据库技术结合的研究基础上，我们可以发现现在主要 有以下几种不同的研究方向： 1 原生x m l 数据库 n x d ( n a t i v ex m l d b m s ) 1 1 】是专门为存储x m l 文档设计，也兼有一般数 据库的特性，例如支持事务，并发控制，查询语言，安全机制，二次开发接口等。 唯一的不同之处在于其内部存储模型是基于x m l 文档树形结构，而非关系模型。 尽管目前对于原生x m l 数据库( n a t i v ex m ld a t a b a s e ) 的研究还停留在一 个初级的阶段，但是还有一些研究是基于原生x m l 数据库的，这些数据库创建 一些索引，并将这些索引与x m l 文档一起存放到资源库中，以支持快速搜索资 源库以查找特定信息的文档。当前已有一些半结构化数据的研究成果，如l o r e 模型【2 】就一定程度上支持对x m l 数据的d b m s 功能，通过抽取结构信息建立半 结构化的模式，然后实现x m l 数据的查询。由于x m l 数据是半结构化的，已 有的基于半结构化的研究成果都可以应用于x m l 的研究中，半结构化数据的不 确定性使得对数据的插入和删除等操作尤为复杂、效率不高。同时由于半结构 化的数据库尚在研究阶段，应用并不广泛，通过这种方式存储x m l 数据并不合 适。 2 支持x m l 的数据库 一般来说，将x m l 数据存储于传统的数据库，例如关系型，面向对象型或 层次型数据库。并由第三方的中间件完成或数据库本身提供内在支持。该数据库 中山大学碗士学位论文第1 章引言 被称作支持x m l 的( x m l - e n a b l e d ) 【”。 借助支持x m l 的数据库，根据一定的映射关系进行数据转换，将x m l 数 据映射到现有的数据库系统中，然后再进行数据的存储和管理，最后以x m l 的 形式返还给用户。当前x m l 数据模型的映射的研究主要集中在面向对象数据库 和关系数据库的映射方面。 关系数据库以其成熟的技术特点，在当前的数据库市场上占有绝对优势，绝 大多数的数据库应用系统都是建立在关系数据库的基础之上。目前，许多主流的 数据库厂商都在把x m l 支持结合到其产品中，或者提供可在其数据库中使用 x m l 的工具。这种方式很难实现对传统关系数据的改造和继承，仅仅是提供了 融合的途径。在x m l - r d b ( x m l - 关系数据库) 映射转换研究中，由于x m l 和r d b 模式表示的语义、结构关系的机制、方式不尽相同，特别是x m l 语言 有很强的自由度和表现力，它们的数据语义约束信息在提取、映射、转换等方面 的困难性，造成现有带约束的x m l 与r d b 数据转换关键技术研究x m l 与r d b 数据转换的映射算法存在缺陷。仅仅考虑了数据结构信息上的转换，忽略了数据 语义约束的保留。保留约束条件的模式转换还处于研究阶段，还没有一种行之有 效的方法。 1 3 本文主要工作和创新点 本文的主要工作： 本文深入研究了现有基于x m ls c h e m a 的数据转换算法、模型以及相关理论， 指出了它们存在的问题；提出了一种新的x m ls c h e m a 到关系模式的映射算法( 带 约束) ，并给以实现。 本文的创新点： 建立了一套自己的从x m l s c h e m a 到r d b 模式的映射规则。 提出了一种带约束的x m ls c h e m a 到关系数据库模式的映射算法并加 以实现。 第2 章x m l 相关技术简介 2 1x m l 概述 x m l 是e x t e n s i b l em a r k u pl a n g u a g e 的缩写，即可扩展标记语言，是一种可 以用来创建自己的标记的标记语言。它由万维网协会( w 3 c ) 创建，用来克服 h t m l 的局限。和h t m l 一样，x m l 基于s g m l - 标准通用标记语言( s t a n d a r d g e n e r a l i z e dm a r k u pl a n g u a g e ) 。x m l 与s g m l 一样，是一个用来定义其他语言 的元语言。与s g m l 相比，x m l 规范不到s g m l 规范的1 1 0 ，简单易懂，是一 门既无标签集也无语法的新一代标记语言。 2 1 1x m l 的来历 早在1 9 6 9 年，i b m 公司就开发了一种文档描述语言g m l 用来解决不同系 统中文档格式不同的问题，g m l 是i b m 许多文档系统的基础，包括s c r i p t 和 b o o k m a s t e r ，接下来的日子里，这个语言在1 9 8 6 年演变成一个国际标准 ( i s 0 8 8 7 9 ) ，并被称为s g m l 。s g m l 是很多大型组织，比如飞机、汽车公司 和军队的文档标准，它是语言无关的、结构化的、可扩展的语言，这些特点使它 在很多公司受到欢迎，被用来创建、处理和发布大量的文本信息。 1 9 9 6 年，万维网协会( 或者叫w 3 c ，h t t p ：w w w w 3 c o r g ) 开始设计一种可 扩展的标记语言，使其能够将s g m l 的灵活性和强大功能与已经被广泛采用的 h t m l 结合起来。这种后来变成x m l 的语言继承了s g m l 的规范，而且实际上 就是后者的一个子集。从s g m l 入手使得该设计小组能够将精力集中在简化已 有的成果上。s g m l 已经提供了一种可以无限扩展的语言，它允许任何人能够根 据自己的需要加以扩充。x m l 之所以要较s g m l 更为简化，很大程度上是出于 易用性的考虑：人们对标记的读写过程应该使用现有的、简便通用的工具，同时， 我们也应当简化计算机对文档和数据交换的处理。由于有太多的可选功能， s g m l 变得过于复杂，以至于很难编写出针对这种语言的普通解释器，而x m l 的解释器则简单得多。此外，x m l 使得现有的i n t e r n e t 协议和软件更为协调，从 中山大学硕士学位论文第2 章x m l 相关技术简介 而简化了数据处理和传输。作为一个不错的s g m l 子集，x m l 还保持了对现有 的面向s g m l 的系统的向下兼容性，这样，用x m l 标记过的数据就仍然可以在 这些系统中使用，为基于s g m l 的行业节省了大笔的改造费用，同时，与w e b 的结合也使得它们更便于被访问峨 在1 9 9 8 年2 月，x m l l 0 的第一版产生了，它是一个推荐版本，是一个非 正式的“标准”。随后，w 3 c 又对它进行修改和更新，到2 0 0 0 年1 0 月，x m l l 0 的第二版出台了。到了2 0 0 4 年2 月4 日，w 3 c 推出了x m l l 1 版1 5 1 。 2 1 2x m l 文档的基本结构 x m l 把数据表示成为一个文本字符串，在字符串中包括了用于描述数据的 “标记”( t a g ) ，使用标记允许把文本和与它的内容或形式相关的信息散布在 一起。每个标记用尖括号“ ”包含字符( 例如，“ ”) 来区别字 符数据( 非标记文本) 。 一个字符串、一个文档由标记和字符数据组成，这些结合起来构成了元素 ( e l e m e n t ) 。元素以一个开始标记开始，以一个结束标记结束。结束标记用尖 括号和一个用来区分开始标记的正斜杠“”来表示，像“ ”。“ i n t e r s p e r s e d ”是一个元素，而“i n t e r s p e r s e d ”就是其中的文本内容。 此外开始标记中可阻包含属性( a t t r i b u t e ) 【6 j 。 如果在某个元素中包含了别的元素，那么这个元素就是所包含元素的父元 素，而那些被包含的元素就是它的子元素。每个x m l 文档都有一个没有父元素 的元素，它就是根元素。根元素是文档中第一个元素，它包含了其它所有元素。 除了根元素以外的其它每个元素有且仅有一个父元素，也就是说这些元素必然封 闭在另一个元素中。每个父元素可以拥有许多子元素1 5 】。 2 1 3x m l 的特点 x m l 以其良好的数据存储格式、可扩展性、高度结构化、便于网络传输等 优势将在许多领域一显身手，便于软件开发人员和内容创作者在网页上组织信 息。不仅能满足不断增长的网络应用需求，而且还能够确保在通过网络进行交互 合作时，具有良好的可靠性与互操作性。它具有以下特点【1 0 】： 中山大学顶士学位论文第2 章x m l 相关技术简介 1 易于扩展。x m l 是摒弃了s g m l 中一些复杂性并考虑到适合w e b 特性 的一个子集，可以定义其他语言，同时x m l 的标记是用户定义的，所以从理论 上讲，其类型的数量可以是无限的。 2 结构性强。x m l 的文件结构嵌套可以复杂到任意程度，能表示面向对象 的等级层次。 3 交互性好。用户与应用进行交互时，使用x m l 可以非常方便地在本地 排序、过滤和进行其他的数据操作。不需要与服务器进行交互。减轻了服务器的 负担。 4 语义性强。x m l 可以白行设计有意义的标记便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 ，使得程序可以更简单，从 而提供了从小配置文件到企业级数据仓库的可扩展性。 6 基于内容的数据标识。因而可以被不同程序用于不同目的。 7 可格式化。可扩展样式语言x s l ( e x t e n s i b l es t y l el a n g u a g e ) 可以指定如 何显示数据。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 很强的链接能力。可以定义双向链接、多目标链接、扩展链接和两个文 档问的链接。 9 易于处理。x m l 对格式的定义严格，具有层次结构，而且与厂商无关。 1 0 与平台无关。x m l 文档可无须任何更改直接移植到其他平台上 1 1 。 2 1 4x m l 的优越性 x m l 具备几项革命性的特质，有助于大幅改善现今的电脑、网络世界。下 面针对x m l 最重要的几项特性详细说明： 1 异构系统间的信息互通 从商业的角度来看，这点可以说是x m l 最大的贡献。目前系统与系统之间， 中山大学硕十学位论文第2 章x m l 相关技术简介 往往因为不同的平台、数据库软件等，造成信息流通的困难。在这些异构系统之 间做信息交流，往往需要使用特殊的软件，才能顺利的跨越彼此的门槛、疆界， 非常麻烦。有了x m l 之后，异构系统之间可以很方便的通过x m l 来做交流媒 介。x m l 格式简单易读，对于各类型资料、文章、图形，不论是文本文件还是 二进制文档，都能标注。要做信息交流的各大小系统上只需要装有x m l 的解析 器，便可解读由其他机器所传来的信息，进而加以利用。x m l 解析器取得容易， 有很多优秀的软件供人免费下载。异构系统之间不用再担心看不懂对方的资料格 式，商务往来的公司之间，用不着、也不需要知道对方内部是采用何种格式储存 资料，大家都用x m l 来做中介格式即可。如此一来，某个系统内部的变更，并 不会殃及和它交流往来的其他系统，因为x m l 提供了一层理想的缓冲【1 2 】。 2 保值 s g m l 是一套有十几年历史的国际标准，h t m l 便是一项s g m l 的应用实 例。s g m l 当初设计的一大目标是保值一它是设计来提供文件5 0 年以上寿命的。 多年以来，因为s g m l 太过庞杂，所以一直没有在世界上大量流行起来，一般 只有大型企业或政府机构在使用。 x m l 是s g m l 精简之后的网络版，s g m l 保值的特性，在x m l 中并未消 失。我们不敢保证，使用现在流行的文本编辑软件编写的文档。在5 0 年后还可 以被打开、被识别。如果要让这些文件随着软件的更新和升级，不断的转换、升 级到最新的格式，是非常没有效率的。而且新版的文本编辑软件，对旧版的文件 中的样式，也不一定能忠实重现。 x m l 文件则没有这些问题，在未来的世界，要从x m l 文件转换成其他格 式的文件，更是轻而易举。在图书大量电子化的2 1 世纪，要如何长久保存这些 文件和记录，必将是一大课题。而s g m l 和x m l 的设计，为解决这个问题提供 了一个有效的途径1 1 0 】。 3 更精确的搜索 目前网络中的数据检索主要有两种：一种是分类检索，一种是全文检索，但 是这两种检索数据的方法，在信息量爆炸式增长的今天越来越力不从心。而以 中山大学硕上学位论文 第2 章x m l 相关技术简介 x m l 格式保存的数据具有以下两种功能i ” 以语意标记作为检索索引。 在文件中截取关键部分。 4 数据的显示 由于x m l 将数据保存的格式与数据显示的方式分开，使得x m l 文件可以 轻易的更换数据显示的方式。仅需改变x s l 的设置，用户就可以将同一数据制 作成h t m l 、p d f 、w m l 、h d m l 等不同格式，供不同的硬件显示f 1 3 】。 2 2n m l 模式 2 2 1d t d x m l 被作为一种元标记语言，是一种描述标记语言的语言。这些新的标记 语言( 也叫标记集) 要通过文档类型定义( d t d ) 来定义。各个文档要与d t d 相比较，这一过程称为合法性检验。如果文档符合d t d 中的约束，这个文档就 被认为是合法的，否则就是不合法的。 d t d 代表文档类型定义( d o c u m e n tt y p ed e f i n i t i o n ) 。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。它可以包括在包含它描述的文档的文件中，或者与外部的u r l 相链接。这些外部d t d 可以被不同文档和网站所共享。d t d 为应用程序、组织 和兴趣组提供了共同遵循的方法，同时也以文档形式阐述了标记标准并强制遵守 此标准。 d t d 有助于不同的人们和程序互相阅读文件。例如，如果化学家们通过专 业机构( 如美国化学协会) 为中介同意将单一的d t d 用于基本的化学记号，那 么他们就能够阅读和理解他们当中任何人的文章。d t d 精确地定义了什么允许 或不允许在文档中出现。d t d 还为查看和编辑软件必须支持的元素建立了标准。 更重要的是，它建立了超出d t d 声明的非法范围。这就使它有助于防止软件商 乘机利用和扩展开放协议以便将用户锁定在他们的专利软件上。 而且，d t d 可以在没有实际数据的情况f 展现出页面上的不同元素是如何 中山大学硕= 匕学位论文第2 章x m l 相关技术简介 安排的。d t d 使人们能脱离实际数据看到文档结构。这意味着可以将许多有趣 的样式和格式加在基本结构上，而对基本结构毫无损害。 d t d 作为x m l1 0 规范的重要组成部分，对于x m l 文档的结构起到很好 的描述作用。但是，它也具有一些缺点，比如，它采用了非x m l 的语法规则、 不支持数据类型、扩展性较差等等。s c h e m aj e 好解决了这些问题。 2 2 2x m ls c h e m a x m l 是一个缺乏良好类型系统的语言。在x m l 的文档中找到的信息只能 被当作文本来对待，这就要求开发人员事先知道“真正的类型”，以便在他们的 代码中采取必要的强制措施。最初，在传统s g m l 派系中文档规则的表示曾经 是d t d 不过，有一些d t d 无法实现的相当常见的约束；d t d 的主要限制在于 它们缺乏数据类型的表达。所以w 3 c 又提出了x m ls c h e m a 规范，为x m l 处 理环境提供了一种类型系统，可以描述打算使用的类型。它可以在把x m l 文档 中的信息传递给应用之前，先检查x m l 文档的有效性。 x m ls c h e m a 就是由一组s c h e m a 组件组成。在x m ls c h e m a 中一共有1 3 种组件。分为3 个类： 1 主要组件( p r i m a r yc o m p o n e n t s ) ：简单类型和复杂类型的定义、元素和 属性的声明。它包括：简单类型定义( s i m p l e t y p ed e f i n i t i o n s ) 复杂类型定义 ( c o m p l e x t y p ed e f i n i t i o n s ) ，属性声明( a t t r i b u t ed e c l a r a t i o n s ) ，元素声明( e l e m e n t d e c l a r a t i o n s ) ； 2 二级组件( s e c o n d a r yc o m p o n e n t s ) 包括：属性组定义( a t t r i b u t eg r o u p d e f i n i t i o n s ) 、一致性约束定义( i d e n t i t y c o n s t r a i n td e f i n i t i o n s ) 、模型组定义( m o d e l g r o u pd e f i n i t i o n s ) 和表示法声明( n o t a t i o nd e c l a r a t i o n s ) ； 3 最后是辅助组件( h e l p e rc o m p o n e n t s ) ：它们不能被命名或独立访问。 它包括：注释( a n n o t a t i o n s ) 、模型组( m o d e lg r o u p s ) 、粒子( p a r t i c l e s ) 可 以分割的元素组、通配符( w i l d c a r d s ) 、属性使用( a t t r i b u t eu s e s ) 。x m ls c h e m a 使用x m l 语法，当看到x m ls c h e m a 时，感觉它和d t d 的区别最明显的地方 就是x m ls c h e m a 是真正在x m l 中写的。由于d t d 的语法是用巴斯科范式定 9 中山大学硕士学位论文第2 章x m l 相关技术简介 义的，所以一般不容易理解。而x m l s c h e m a 是使用x m l 来描述一个文档，使 用者就用不着再去学习新的语法和相关规则了【7 】1 8 l 【9 】。 2 2 3x m l s c h e m a 与d t d 的比较 由于x m l d t d 具有的一些缺点，比如它采用了非x m l 的语法规则、不支 持数据类型、扩展性较差等等，使得x m ls c h e m a 在近年来得到了国际上许多 知名企业和组织的重视。这是因为x m ls c h e m a 与x m ld t d 相比具有其自身 的许多优点： 1 x m ls c h e m a 相对于d t d 最大的优势就是丰富的数据类型支持，d t d 中几乎没有数据类型的定义。而在x m ls c h e m a 中，却能够知道一个元素或者 属性的内容是字符串、整数、布尔数、浮点数或是其它任何一种类型，这是一个 很大的优势。从属性中读取正确的数据类型，并且在应用处理之前把字符串转换 成合适的数据类型： 2 一致性：x m ls c h e m a 使得对x m l 的定义不必再利用一种特定的形式 化的语言，而是直接借助x m l 自身的特性，利用x m l 的基本语法规则来定义 x m l 文档的结构，使得x m l 达到了从内到外的完美统一，也为x m l 的进一 步发展奠定了坚实的基础； 3 互换性：可根据需要设计适合自己应用的s c h e m a ，并且可以同其他人交 换彼此的s c h e m a 。还可以将不同的s c h e m a 进行转换，以实现更高层次的数据 交换； 4 扩展性：d t d 作为描述x m l 的语言自身却不是可以扩展的，而x m l s c h e m a 是用x m l 书写的，所以它继承了x m l 的可扩展性。在可扩展性方面， 主要表现为： 在一个模式中复用另一个模式部分功能的能力。 定义在不同模式中复用复杂结构的能力。 p 从己有数据类型出发制定自己的新数据类型的能力。 在一个文档实例中引用多个模式的能力。 中山大学硕= b 学位论文第2 章x m l 相关技术简介 我们可以更容易的共享标准的词汇，可以依据我们的要求修改已经存在的模 式而不必每人都从头写起： 5 规范性：同d t d 一样，s c h e m a 也提供了一套完整的机制以约束x m l 文 档中置标的使用。相比之下，后者基于x m l ，更具有规范性。s c h e m a 利用元 素的内容和属性来定义x m l 文档的整体结构，如哪些元素可以出现在文档中、 元素间的关系是什么、每个元素有哪些内容和属性、元素出现的顺序和次数等， 可一目了然； 6 易用性：s c h e m a 取代d t d 的另一个原因要归结于d o m 和s a x ，作为 一种x m l a p i ，d o m 和s a x 只是对x m l 实例文档有效，对d t d 则无能为力。 2 3x m l 的编程接口 2 3 1d o m d o m ( d o c u m e n to b j e c tm o d e l ，文档对象模型) 是一套为合法的w e l l f o r m e d 文件设计的a p i ( a p p l i c a t i o np r o g r a m m i n gi n t e r f a c e ，应用程序接口) ，它同时 定义了h t m l 文档和x m l 文档的逻辑结构，并给出了一种访问和处理h t m l 文档和x m l 文档的方法。利用d o m ，程序开发人员可以动态的创建文档、浏 览文件结构以及增加或删除文件的某些内容。可以这样说，文档代表的是数据， 而d o m 则代表了如何去处理这些数据。通过d o m 接口，应用程序可以在任何 时候访问x m l 文档中的任何一部分数据，因此，这种利用d o m 接口的机制也 被称作随机访问机制。利用d o m 所生成的模型都是节点树的形式。也就是说， d o m 强制使用树模型来访问x m l 文档中的信息。由于x m l 本质上就是一种 分层结构，所以这种描述方法是相当有效的【1 4 】。 作为w 3 c 的标准接口规范，目前，d o m 由三部分组成，包括：核心( c o r e ) 、 h t m l 和x m l 。核心部分是结构化文档比较底层对象的集合，这一部分所定义 的对象已经完全可以表达出任何h t m l 和x m l 文档中的数据了。h t m l 接口 和x m l 接口两部分则是专为操作具体的h t m l 文档和x m l 文档所提供的高级 接口，使对这两类文件的操作更加方便。 d o m 解析器通过对x m l 文档的解析，把整个x m l 文档以一棵d o m 树的 中山大学硕士学位论文 第2 章x m l 相关技术简介 形式存放在内存中，应用程序可以随时对d o m 树中的任何一个部分进行访问与 操作，也就是说，通过d o m 树，应用程序可以对x m l 文档进行随机访问。这 种访问方式给应用程序的开发带来了很大的灵活性，它可以任意地控制整个 x m l 文档中的内容。然而，由于d o m 解析器把整个x m l 文档转化成d o m 树 放在内存中，因此，当x m l 文档较大或者文档结构比较复杂时，对内存的需求 就比较高。而且，对于结构复杂的树的遍历也是一项比较耗时的操作。所以， d o m 解析器对机器性能的要求比较高，实现效率不十分理想。不过，由于d o m 解析器的树结构的思想与x m l 文档的结构相吻合，而且，通过d o m 方式容易 实现随机访问。 2 3 2s a x s a x 的全称是s i m p l e a p i sf o rx m l ，即x m l 简单应用程序接口。与d o m 不同，s a x 提供的访问模式是一种顺序模式，这是一种快速读写x m l 数据的方 式。当使用s a x 解析器对x m l 文档进行解析时，会触发一系列事件，并激活 相应的事件处理函数，应用程序通过这些事件处理函数实现对x m l 文档的访问， 因而s a x 接口也被称作事件驱动接口t 1 4 】。 s a x 解析器在对x m l 文档进行解析时，触发一系列的事件，应用程序通过 事件处理函数实现对x m l 文档的访问。由于事件触发本身是有时序性的，因此， s a x 解析器提供的是一种对x m l 文档的顺序访问机制，对于已经解析过的部分， 不能再倒回去重新处理。s a x 解析器在实现时，它只是顺序地检查x m l 文档中 的字节流，判断当前字节是x m l 语法中的哪一部分，检查是否符合x m l 语法 并触发相应的事件。对于事件处理函数本身，要由应用程序自己来实现。同d o m 解析器相比，s a x 解析器对x m l 文档的处理缺乏一定的灵活性，然而，对于那 些只需要访问x m l 文档中的数据而不对文档进行更改的应用程序来说，s a x 解 析器的效率则更高。由于s a x 解析器实现简单，对内存要求比较低，因此实现 效率比较高，具有广泛的使用价值。 2 3 3 j i ) o m j d o m = j a v a b a s e d “d o c u m e n to b j e c tm o d e l ”= j a v a b a s e dd o m ，即：基于j a v a 的文档对象模型、基于j a v a 的d o m 。 中山大学硕= l 学位论文 第2 章x m l 相关技术简介 j d o m 是j a s o nh u n t e r 与b r e t tm c l a u g h l i n 于2 0 0 0 年春建立的一个开源项目 ( h t t p ：w w w j d o m o r g ) ，它是一个基于j a v a 的对象模型，与d o m 一样也采用 树状结构，能使读取、操作和写入x m l 文档，但比d o m 更容易、更高效。j d o m 1 0已经于2 0 0 4年9月 9 日正式推出 。 ( h t t p ：w w w j d o m o r g d i s t f o i n a r y j d o m 1 0 z i p ，3 7 m b ) 。 j d o m 是基于树的处理x m l 的j a v aa p i ，它抛开了d o m 的局限与假设， 完全从新开始构建。它是纯粹为x m l 和j a v a 设计的，没有必要担心与旧版的向 下兼容性，因此比d o m 更简单、更整洁。 和d o m 相似( 与s a x 不同) ，j d o m 可以在内存中建立新的x m l 树。树 的数据可以来自数据库之类的非x m l 库、来自j a v a 程序中的直接量或来自计算。 从头开始建立新的x m l 文档时( 而不是从分析器读取时) ，j d o m 检查所有数据 的形式合理性【1 。 文档装入内存以后，无论是从头生成还是从流中分析，j d o m 都可以修改这 个文档。j d o m 树是完全读写的，树的所有部分都可以移动、删除和增加，只是 受到通常的x m l 限制( 例如可以将属性加进元素，但不能将属性加进说明) 。 与d o m 不同的是：树中没有不能改变的只读部分。 j d o m 本身不包括分析器，而是依赖s a x 分析器，用自定义c o n t e n t h a n d l e r 分析文档和由其建立j d o m 模型。 2 3 4s a x ，d o m ，j d o m 技术对比 技术优点 缺点最适合于 无需将整个文档 没有内置的文档导航支只从x m l 读取 加载到内存，因 持数据的应用程( 不可 s a x 而内存消耗少 不能够随机访问x m l 文用于操作或修改 推模型允许注册 档x m l 文档) 多个 不支持在原地修改x m l c o n t e n t h a n d l e r不支持名字空间作用域 中山大学硕l j 学位论文第2 章x m l 相关技术简介 易于使用整个x m l 文档必须一次需要修改x m l 丰富的a p i 集解析完文档的应用程序或 合，可用丁轻松地将整棵树加载到内存成x s l t 应用程序( 不 d o m 导航本较高可用于只读x m l 的 整棵树加载到内 一般的d o m 节点对于必应州程序) 存，允许对x m l 须为所有节点创建对象 文档进行随机访的对象类型绑定不太理 问想 是基于树的处理 不能处理大于内存的文 x m l 的j a v a 档 a p i ，把树加载在j d o m 表示x m l 文档逻 内存中辑模型。不能保证每个字 j d o m 没有向下兼容的节真正变换。 限制，因此比针对实例文档不提供 d o m 简单d t d 与模式的任何实际 速度快，缺陷少模型。 具有s a x 的 不支持与d o m 中相应遍 j a v a 规则 历包 1 4 第3 章x m l 的关系数据库存储 现在，越来越多的行业都将关键数据放置于数据库中进行管理，一来目前数 据库技术已经相当成熟，二来其管理功能的确非常强大。而x m l 作为一种可扩 展的标记语言，其自描述性使其非常适用于不同应用问的数据交换，因此具有广 阔的应用前景。为了使基于x m l 的业务数据交换成为可能，就必须实现数据库 的x m l 数据存取。 3 1x m l 与数据库 3 1 1x m l 与关系数据库的发展概况 1 9 7 0 年，e d g a rc o d d 在i b m 的s a nj o s e 研究实验室推出了一种新的称之为 关系数据模型的数据表达框架。c o d d 提出了1 2 个关系数据库的规则，用来验证 一个数据库是否是关系的【1 5 】。在2 0 世纪8 0 年代末期推出的关系数据库查询语言 s q l 得到了标准化。从最初的s q l - 8 6 到现在最新的s q l - 2 0 0 3 版，s q l 标准在 不断的得到更新和修改。 从体系结构上看，数据库技术的发展经历了网状数据库、层次型数据库、关 系型数据库、面向对象数据库、x m l 数据库( 内部以x m l 格式存储数据) 到 目前为止，在各个领域使用最广的还要数关系型数据库。关系型数据库管理系统 ( r d b m s ) 采用二维表格作为存储数据的基本模型，表格由行和列组成，一般 情况下，列被称为“字段”用于表示组成数据有效信息的属性，行则用于表示一 条完整的数据纪录。由于数据间的相关性可以通过表之间关键字( 外键) 来关联， 由此产生了“关系”类型数据库的由来。 关系数据库针对x m l 数据，一般有两种存储方式：一是将其按结构层次拆 分开来分别存于不同字段，二是将x m l 文档原封不动地存入数据库。实际应用 中，后者的应用环境将受到一定限制，因为关系数据库不能很好地处理大容量的 结构化的信息和文本数据。至于前一种方式，因为关系型数据库并不能很好地支 持层次、顺序、包含等在结构化标记语言中十分本质的关系，所以在开发中也仍 中山大学硕士学位论文第3 章x m l 关系数据库存储 有很多问题要解决。 3 1 2 商用数据库对x m l 的支持 1 o r a c l e o r a c l e 公司从o r a c l e8 i 就开始提供了对x m l 的支持，使其成为开发基于 x m l 的i n t e m e t 应用的系统平台。作为o r a c l e8 i 数据库的一个主要组成部分， j a v a 版本的x m l s q l 实用工具在o r a c l e 公司的x m l 战略计划中扮演着重要角 色。该工具包包含了一组j a v a 类，可完成下述两大功能： 向数据库发送查询语句，然后从返回的结果中输出x m l 文档( 文本或 d o m 节点树) 。 将x m l 数据保存至数据库。 这两大功能可以说是s q l 数据库支持x m l 的最基本要求，却足以体现当 今x m l 技术发展的潮流。 2 m s s q l s e r v e r m i c r o s o f ts q ls e r