基于子序列匹配的压缩XML查询-计算机科学与技术专业论文.docxVIP

Classified Index: TP311.135.4 U.D.C: 004.6 Dissertation for the Master Degree in Engineering SUBSEQUENCE MATCHING BASED COMPRESSED XML QUERY Candidate：Gao Candidate： Gao Hongyuan Supervisor： Prof. Chu Binshe Academic Degree Applied for： Master of Engine Speciality： Computer Scienc Affiliation： School of Com Technology Date of Defence： June, 2009 Degree-Conferring-Institution： Harbin Institute o e and Technology puter Science and f Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 - - I - 摘要 XML 在许多应用中已经成为数据交换的标准。然而，XML 数据的自描述特 性和半结构化特性使得 XML 数据中存在大量的数据冗余，这使得人们在获得 XML 数据带来的灵活性的同时不得不忍受数据存储和数据交换的低效率。数据的 XML 表示格式经常比其它表示格式多占用 5 到 10 倍的空间。尽管国内外已有不 少关于 XML 压缩方面的研究，但是尚没有一种压缩方法支持在压缩文档上直接执 行包括 Twig 查询在内的各种复杂查询。为了提高 XML 数据存储和数据查询的效 率，本文研究 XML 数据的压缩方法，以及在压缩 XML 数据上直接执行复杂查询 的方法。 本文的压缩方法在对文档进行压缩时保留了源文档的框架，这使得本文的查 询算法可以在压缩文档上直接工作而无须解压文件，也使得许多 XML 处理工具只 需经过少量修改就能在压缩文档上工作。本文的压缩方法减少了 XML 文档的存储 空间，也加快了在查询时由文档到序列的转换速度。实验表明本文的压缩算法在 支持查询情况下仍具有较低的压缩率和较快的压缩速度。 本文的查询方法首先把 XML 文档和 XML 查询按一定规则转换为序列，然后 在这两个序列上进行子序列匹配，子序列匹配的结果再经过结构约束检查以得到 最终的查询结果。这种查询方法支持在本文的压缩方法上直接执行包括 Twig 查询 在内的各种复杂查询。这一算法既可以工作在经本文的压缩方法压缩过的 XML 文 档上，也可以工作在普通的未压缩的 XML 文档上。 在整个查询过程中，序列匹配算法是关键。本文指出了现有的序列匹配算法 的缺点并提出了新的序列匹配算法。理论分析和实验都表明本文的算法在执行时 间上要大大优于现有算法。此外，本文还提出了为文档序列建立索引、文档序列 的整数化、同时进行序列匹配与结构检查等优化策略以加快查询的执行。 关键词 XML 数据压缩；查询处理；序列匹配 - - II - Abstract The Extensible Markup Language (XML) has emerged as a popular format for data interchange in many areas. While XML offers the advantages of flexibility and extensibility, its expressiveness leads to greater verbosity. It is not uncommon for an XML representation of a data set to be five to ten times larger than alternative data encoding formats. Although there has been many research works on compressed XML data, none of them could enforce complex query like twig query directly on compressed XML documents. In order to improve the storage and query efficiency of XML data, this paper focused on the compression method of XML data and the execution of complicated XML query on compressed