一种改进的XML哈希路径索引技术研究.pdfVIP

  一种改进的XML 哈希路径索引技术研究 周敏，郭旺，林琳 中国矿业大学（北京）计算机系，北京（100083 ） E-mail: melia.zm@ 摘 要：XML 已经成为一种Web 数据交换和信息集成的工具。随着XML 应用的普及，解 决好XML 文档的存储、管理和查询等问题特别是查询问题，已经成为一个急待解决的问题。 提高查询效率的一个重要手段就是建立有效的查询索引机制。为了有效地支持XML 查询， 特别是路径表达式查询，对XML 数据的各种索引技术和编码方案被提出，但是现有的索引 技术都存在着各种各样的不足。哈希路径索引树是一种新提出来的索引技术，本文针对其不 能查询从非根节点开始的查询和非完全路径查询的问题，引入了区间编码和 B-树索引，用 区间编码对哈希路径索引树进行编码，并对树中的标签节点建立B-树索引，建立BHR 两层 索引，解决了这两个问题。BHR 索引保留了原哈希路径索引树的所有优点，具有比较好的 扩展性，而且索引的维护相对容易。 关键词：哈希路径索引树，区间编码，B-树，BHR 索引 中图分类号：TP39 1. 引言 [1] XML是可扩展标记语言 ，它是SGML的一个简化子集，它将SGML的丰富功能与HTML 的易用性结合到Web应用中，以一种开放的、自我描述的方式定义了数据结构，在描述数据 内容的同时能突出对结构的描述，从而体现出数据之间的关系。随着Internet和信息技术的 高速发展，XML 已经成为Internet上信息交换和表示的重要标准，XML数据的数量正在呈指 数级增长，解决好XML文档的存储、管理和查询等问题特别是查询问题，已经成为一个急 待解决的问题。 为了有效地支持XML查询，特别是路径表达式查询，对XML数据的各种索引技术和编 码方案被提出。但是现有的索引技术都存在着各种各样的不足。如：DataGuide[2]索引减少 了遍历路径查询时所需的部分节点，它对从根部遍历XML文档是有效的，但是不使用于一 般的从任意节点为开始的查询；1-index[3]索引的大小和XML数据图大小成线性关系；索引的 扩展集之间不相交，但是结构概括通常太大，加速估计效率不高；Fabric[4]索引是一种平衡 树，对索引的所有访问都只需要同样小的I/O资源，但是只适合于以文档根结点为起点的路 径查询，其它路径查询则要求查询多个索引或要经过一个预处理；XISS[5]索引对路径查询处 理，无须遍历XML文档，但是未利用XML文档的结构信息，因此会产生冗余的结构连接操 作。 哈希路径索引树[6]是一种新提出来的路径索引技术，索引树有着比较好的扩展性，它存 储节点的哈希码来代替直接存储节点的字符串，大大减少了索引文件所占的存储空间。哈希 路径索引树跟Index Fabric 比较，并不需要维护一张designator dictionary表，因此相对简单， 容易实现。同时，哈希码是一个32位的整数值，整数的比较比字符串比较速度也要快的多。 哈希路径索引适应了XML文档半结构化、层次多而且不固定的特性，具有很好的扩展性， 索引所需的存储空间相对比较少，查找时磁盘I/O只需一次的特点，可以在XML文档数据很 大时保持很好搜索速度和性能。然而，哈希路径索引树只能处理从根结点开始的完全路径查 询，而不能处理从非根节点开始的查询和不完全路径查询。 我们选择了哈希路径索引树，针对其所存在的问题，对索引进行改进，解决了以上问题。 - 1 -   2 ．索引的改进过程 我们先介绍一下哈希路径索引树的结构，XML文档的一个节点相应生成一个索引树的 节点，索引树的非叶子节点存放着该节点在XML文档中的位置（或者本节点到其父节点的 偏移量），索引树的边存储着XML文档中父节点到其各个子节点路径的哈希码，索引树的叶 子节点存放XML节点数据的哈希码。 为了方便索引树的建立以及使用，我们仅对属性节点和元素