Kapitel 8. Indexstrukturen für XML-Dokumente. Werteindexe Volltextindexe Pfadindexe

Transkript

1 Kapitel 8 Indexstrukturen für XML-Dokumente Werteindexe Volltextindexe Pfadindexe

2 Indexstrukturen Ermöglichen effizienten Datenzugriff für bestimmte Arten von Anfragen verschiedene Arten von Indexen sind in der Regel für verschiedene Arten von Anfragen geeignet/optimiert Erzeugen gewisse Redundanz Aktualität eines Indexes muss durch Propagierung von Datenänderungen gewährleistet werden Indexstrukturen sind oftmals auch zugleich Speicherstrukturen bestimmen die Art der Speicherung der "Daten auf der Platte" siehe Kapitel 5 1-2

3 Arten von Indexstrukturen Wertindex indexiert atomare Werte eines XML-Dokumentes, etwa Elementinhalte oder Attributwerte Indexform für strukturierte Anteile eines XML-Dokumentes aus dem relationalen DB-Bereich bekannt, z.b. B-Bäume oder Hash-Indexe Volltextindex indexiert einzelne Worte des Volltextes Indexform für unstrukturierte Anteile eines XML-Dokumentes aus dem Information-Retrieval-Bereich bekannt, z.b. invertierte Liste, Tries oder Suffix-Bäume Pfadindex indexiert Teilstrukturen/Pfade in einem XML-Dokument Indexform für semistrukturierte Anteile eines XML-Dokumentes aus dem Objektdatenbankbereich bekannt, z.b. Access Support Relations 1-3

4 B-Baum Baum als Werteindex für ein XML-Dokument Benjamin Franklin 8.99 Benjamin Franklin Hermann Melville <store> < genre = "autobiography"> <title> The Autobiography of Benjamin Franklin </title> <name> Benjamin Franklin </name> <price currency = "EUR">9.99</price> </> < genre = "novel"> <title> The Confidence Man </title> <name> Herman Melville </name> <price currency = "EUR"> </price> </> 1-4

5 Eigenschaften von Werteindexen Schemabeschreibung Anfragen Weitere Besonderheiten erforderlich (für den zu indexierenden Teil des Dokumentes) Werteanfragen Abbildungsvorschrift notwendig keine Auswertung des XML-Markups Markups Einsatz für datenzentrierte XML-Anwendungen für Details über Werteindexe siehe Saake/Heuer: "Datenbanken: Implementierungstechniken", International Thomson Publishing,

6 Volltextindexe Nicht nur Suche nach exaktem Auftreten der Begriffe möglich stichwortbasierte Suche und boolesches Retrieval Mustersuche (mit regulären Ausdrücken) Verwendung von Statistischen, wortbasierten Verfahren Stoppwortlisten Streichen von selten vorkommenden Begriffen Linguistischen Verfahren Wortnormalisierung Groß-, Kleinschreibung, Getrennt- und Zusammenschreibung, Umlaute Wortdekomposition durch Regeln (engl.) oder Wörterbücher (dt.) Stammformreduktion Wissensbasierten Verfahren Einsatz von Ontologien und Thesauren zur Suche nach Synonymen sowie Über- und Unterbegriffen 1-6

7 Invertierte Liste als Volltextindex für ein XML-Dokument Wort store genre autobiography title benjamin franklin name price currency eur 9.99 novel confidence man hermann melville Vorkommen {1} {2, 24, 25, 44} {3, 26} {5, 8} {6, 12, 28, 32} {10, 15} {11, 16} {13, 18, 33, 38} {14, 17, 34, 37} {19, 23, 39, 43} {20, 40} {21, 41} {22} {27} {30} {31} {35} {36} {42} Wortposition im Text <store> < genre = "autobiography"> <title> The Autobiography of Benjamin Franklin </title> <name> Benjamin Franklin </name> <price currency = "EUR">9.99</price> </> < genre = "novel"> <title> The Confidence Man </title> <name> Herman Melville </name> <price currency = "EUR"> </price> </> 1-7

8 Invertierte Liste als Volltextindex für XML-Dokumente Wort Vorkommen store D1: <store> {D1, D2} genre autobiography {D1, D2} title {D1, D2} benjamin {D1, D2} franklin {D1, D2} {D1, D2} name price {D1, D2} currency {D1, D2} eur 9.99 novel confidence man hermann melville firstname {D2} lastname {D2} USD {D2} 8.99 {D2} < genre = "autobiography"> <title> The Autobiography of Benjamin Franklin </title> <name> Benjamin Franklin </name> <price currency = "EUR">9.99</price> </> < genre = "novel"> <title> The Confidence Man </title> <name> Herman Melville </name> <price currency = "EUR"> </price> </> D2: <> <title> The Autobiography of Benjamin Franklin </title> <firstname> Benjamin </firstname> <lastname> Franklin </lastname> <price currency = "USD">8.99</price> </> 1-8

9 XML-Retrieval mittels invertierter Liste b neues XML-Dokument Merkmalsextraktion Einfügen a c Resultat 4 Übereinstimmung RSV(Q,D1) =.8 RSV(Q,D4) =.6 RSV(Q,D899) =.3 1 D1 D4 D899 Anfrage- Transformation Retrieval 3 The confidence man 2 Q= {man, men, confidence, trust} DocID = D1 man word 31 confidence word 30 word 13, 18, 33, d Indexierung Invertierte Liste: man D1, D53, D988 men D4, D890 confidence D1, D4, D

10 Eigenschaften von Volltextindexen Schemabeschreibung Anfragen Weitere Besonderheiten nicht erforderlich Anfragen des Information Retrieval Volltextfunktionen keine Auswertung des XML-Markups Markups Einsatz für dokumentzentrierte XML-Anwendungen 1-10

11 Pfadindexe Strukturinformationen müssen aus dem Index erkennbar und wiederherstellbar sein Zuordnung des Markup zu den Inhalten sowie Darstellung der hierarchischen Schachtelung und Anordnung der Elemente/Attribute Besonders geeignet für Stichwortsuche unter Berücksichtigung der Struktur bzw. Pfaden FOR $b IN // WHERE CONTAINS($b/, "Benjamin") RETURN $b 1-11

12 Arten von Pfadindexen Geschachtelter Pfadindex erlaubt von jedem Element aus den Zugriff auf das Wurzelelement store Multi-Index store gestattet Zugriff auf Eltern-Elemente Verbundindex ermöglicht Zugriff auf Eltern- und Kind- Elemente store Access Support Relations (ASR) verallgemeinern obige Indexarten, indem sie alle Pfade in einer Tabelle auflisten store bs1 bs1 b1 b2 Benjamin Franklin Hermann Melville 1-12

13 Eigenschaften von Pfadindexen Schemabeschreibung Anfragen erforderlich (für den zu indexierenden Pfade des Dokumentes) Auswertung des Markup in den Anfragen XML-Anfragen möglich Weitere Besonderheiten Einsatz Effiziente Navigation über DOM-Methoden Methoden für dokumentzentrierte und semistrukturierte XML-Anwendungen 1-13

14 Kombinierter Pfad-/Volltextindex für ein XML-Dokument Pfadindex Element store genre title name price currency Wort autobiography benjamin franklin eur 9.99 novel confidence man hermann melville Volltextindex Vorgänger store price Vorkommen {1} {2, 24, 25, 44} {3, 26} {6, 12, 28, 32} {13, 18, 33, 38} {14, 17, 34, 37} {19, 23, 39, 43} {20, 40} Element [genre, title] [title, ] [title, ] [currency,currency] [price] [genre] [title] [title] [] [] [price] Vorkommen [5, 8] [10, 15] [11, 16] [21, 41] [22] [27] [30] [31] [35] [36] [42] <store> < genre = "autobiography"> <title> The Autobiography of Benjamin Franklin </title> <name> Benjamin Franklin </name> <price currency = "EUR">9.99</price> </> < genre = "novel"> <title> The Confidence Man </title> <name> Herman Melville </name> <price currency = "EUR"> </price> </> 1-14

15 Zusammenfassung Effiziente Anfrageauswertung auf XML-Dokumenten benötigt verschiedene Arten von Indexstrukturen Wertindexe für effiziente Zugriffe über die strukturierten Anteile Schlüsselwortsuche, Werteanfragen Volltextindexe für effiziente Zugriffe über unstrukturierte Anteile Volltextsuche Pfadindexe Ausnutzung der Dokumentstruktur navigierende Anfragen 1-15