Informationsmanagement mit XML

Transkript

1 Informationsmanagement mit XML Praktischer Ansatz zur Entwicklung einer Anwendung mit Semantik Web Techniken 30. April 2010 Erstellt von: Karl Glatz Hochschule Ravensburg-Weingarten Sebastian Wiedenroth Hochschule Ravensburg-Weingarten Benjamin Merkle Hochschule Ravensburg-Weingarten Andreas Kimpfler Hochschule Ravensburg-Weingarten

2 Abstract deutsch englisch

3 Inhaltsverzeichnis Abstract 2 Inhaltsverzeichnis 4 I. Einführung 5 1. Einleitung Motivation und Zielsetzung Arbeitsverteilung Einführung Thema Semantic Web und Linked Data Semantik Web Grundlagen Triples RDF OWL SPARQL Projekte Suchen Datahubs II. Projekt Projektidee Umsetzung Python Scripte RDFLib Arbeitsweise Jena und Joseki Empfehler0r Tests ZUSAMMENFASSUNG, Fazit, Ausblick Zusammenfassung 19 III. Anhang 20 Glossary

4 Inhaltsverzeichnis Abbildungsverzeichnis 22 Listings 23 Tabellenverzeichnis 24 Literaturverzeichnis 25 4

5 Teil I. Einführung 5

6 1. Einleitung 6

7 KAPITEL 1. EINLEITUNG [Einleitung/Aufteilung Dokument] 1.1. Motivation und Zielsetzung Motivation und Zielsetzung / Projektidee, Höheres Ziel 1.2. Arbeitsverteilung Arbeitsverteilung 1.3. Einführung Thema Semantic Web und Linked Data Das Semantic Web ist eine Erweiterung des World Wide Webs bei der es darum geht, bereits im Web vorhandene Daten durch Standardformate für Maschinen lesbar und verarbeitbar zu machen. Ursprung dafür war ein Artikel [Bern01] des Web-Begründers Tim Berners-Lee

8 1.3. EINFÜHRUNG THEMA SEMANTIC WEB UND LINKED DATA dududu Antwortdatei dadada citrus fruit und Active Directory (AD) dudu Erweiterte Backus-Naur-Form (EBNF) lalala sdfsdf Metadaten 8

9 2. Semantik Web Grundlagen 9

10 2.1. TRIPLES 2.1. Triples Ein Triple besteht im Bezug auf Semantic Web und insbesondere im Bezug auf RDF und OWL aus den drei Elementen Subjekt, Prädikat Objekt.Die Idee dahinter ist, dass eine Ressource über Subjekt oder Klasse verfügt, über bestimmte Eigenschaften haben. Das Subjekt wird mittels einer URI (Uniform Resource Identifier), identifiziert. Es kann sich dabei um ein Dokument, ein Gegenstand oder eine Information handeln. Die Eigenschaft, welche einer Ressource hat ist das Prädikat und der Wert dieser Eigenschaft ist das Objekt. Prädikate und Objekte können Zeichenketten sein, aber auch andere Ressourcen. So kann eine rekursive Struktur aufgebaut werden. Ein Triple wird öfters auch Statement genannt. Eine Möglichkeit Triples darzustellen, zu übertragen oder zu speichern, bietet das N-Triples Format. Dieses zeilenbasierte Format serialisiert das RDF-Format als Klartext. Dieses Format wurde 2004 als offizielle Recommendation vom W3C verabschiedet. Turtle ist noch eine Erweiterung von N- Triples, da diese zu wenig Funktionalität bieten. Beispielsweise wurde eine Kurzschreibweise hinzugefügt. Beide Formate sind im wesentlichen Teil des von Tim Berners-Lee vorgeschlagenen Formats N3 (Notation 3), aber beide beschränken sich darauf nur zulässige RDF-Graphen darzustellen RDF Begriff Term einbauen RDF ist ein Framewok um Informationen/Metadaten über bestimmte Informationen zu speichern. Praktisch also Daten über Daten (über Daten). Die beschriebenen Informationen sind meist Webressourcen. Dabei spielt es keine Rolle ob die Daten nur Informationen sind oder ein Objekt. Zum Beispiel können Informationen über den Autor oder das Erstellungsdatum eines Dokuments dargestellt werden oder Informationen über den Inhalt des Dokumentes selber beschrieben werden. Das Hauptziel ist mittels RDF Metadaten automatisch auszuwerten und zu bearbeiten. Weitere Ziele sind das auffinden von Informationen im Web (Katalogisierung) und Bewertungen von Inhalten (Rating). Außerdem ist RDF ein Baustein des Web of Trust. RDF bietet zusätzlich eine gute Interoperabilität zwischen verschiedenen Metadaten-Systemen. RDF wird vom World Wide Web Consortium bereits seit 1999 entwickelt. Das Framework ist offen für weitere Erweiterungen. RDF verwendet die in 2.1 Triples um die Informationen zu beschreiben. <?xml version =" 1.0 "? > < rdf:rdf xmlns:rdf =" http: // /1999/02/22 - rdf - syntax -ns#" xmlns:contact =" http: // /2000/10/ swap / pim / contact #"> < contact:person rdf:about =" http: // / People /EM/ contact #me"> < contact:fullname >Eric Miller </ contact:fullname > < contact:mailbox rdf:resource =" mailto:em@w3. org "/ > < contact:personaltitle >Dr. </ contact:personaltitle > </ contact:person > </ rdf:rdf > Listing 2.1: Beispiel für ein einfaches RDF-Dokument Im Codelisting 2.1 (entnommen aus [RDF-Prim]) findet sich ein kurzes Beispiel für die Beschreibung der Person Eric Miller in RDF-XML. Darin sind enthalten URIs welche Ressourcen 10

11 KAPITEL 2. SEMANTIK WEB GRUNDLAGEN Abbildung 2.1.: Darstellung des Beispielgraphen im Web identifizieren können, Eigenschaften (properties) wie z.b. mailbox oder fullname und die Werte der Eigenschaften (values) z.b. Eric Miller. Der zugehörige Graph ist in 2.1.abgebildet Durch die Verknüpfung von Daten in Anwendungen werden die Zusammenhänge maschinenlesbar dargestellt. Diese Zusammenhänge können dazu verwendet werden um dem User weitere Hilfen oder Informationen zu bieten. Die Wichtigsten Eigenschaften von RDF sind: Unabhängigkeit Jede Ressource kann eigene Prädikate für seine Subjekte definieren. Austauschbarkeit Durch durch die Verwendung von XML wird der Austausch und die Kommunikation erheblich vereinfacht. Skalierbarkeit Große Mengen können durch die Einteilung der Triples schnell verarbeitet werden. 11

12 2.2. RDF Prädikate sind Ressourcen Durch den rekursiven Aufbau können können Prädikate eigene Prädikate haben, welche automatisch weiterverarbeitet werden können. Objekte können Ressourcen sein Wie bei den Prädikaten gilt hier auch der rekursive Aufbau und damit auch das diese eigene Ressourcen sein können und weiterverarbeitet werden können. Das ganze hat den Vorteil das sich die Daten aus verschieden Anwendungen exportiert lassen ohne das die Daten der Daten ihr Bedeutungen verliert. RDF selbst definiert keine Vokabular für die Beschreibung der Meta Daten, dafür eignet sich beispielsweise Dublin Core. Noch zu erwähnen ist das RDF nicht durch eine XML DTD definiert ist sondern durch die Erweiterte Backus-Naur-Form (EBNF), dadurch ist RDF unabhängig von XML. RDF Syntax RDF Dateien können auf zwei verschiedene Arten geschrieben werden, als Abbreviated oder Serialization Syntax. Bei der Serialization werden die Werte als XML-Elemente definiert. In der Abbreviated Syntax werden die Properties als Attribute definiert, dabei ensteht das Problem das mache Attribute dann mehrfach in einem XML Element auftauchen. Nachfolgend werden kurz die wichtigsten Elemente beschrieben. Dabei wird nur auf die Abbreviated Syntax eingegangen. Die Beispiele wurden [W3SRDF] entnommen. Es gibt fünf wesentliche Kategorien für die XML Notation: Das RDF Element RDF welches den Rahmen der Dokuments festlegt. Es ist das Wurzelelement und beinhaltet die verschiedenen Namespaces. Description definiert das Subjekt des Triple, dieses wird im about Attribut angegeben. Auch sind weiter Informationen welche die Ressource beschreiben enthalten. textitcontainer, welche Eigenschaften zusammenfassen. Die drei vorhandenen Containertypen sind rdf:bag, rdf:seq und rdf:alt. rdf:bag (Tasche, Sack) wird bei ungeordnete Menge von Aufzählungen verwendet. Bei rdf:seq(für Sequenz) handelt es sich um geordnete Listen, z.b. Alphabetisch. rdf:alt(alternative) wird verwendet wenn die Aufzählung nur einen vordefinierten Wert annehmen kann. Container können wieder beschrieben werden. Beispielsweise kann der Autor eines Container angefügt werden. Der Elementtyp type kann auf die Beschreibung eines RDF-Schema verwiesen werden. Anwendungsspezifische Elementtypen zur Beschreibung von Eigenschaften. <?xml version =" 1.0 "? > < rdf:rdf xmlns:rdf =" http: // /1999/02/22 - rdf - syntax -ns#" xmlns:cd =" http: // www. recshop. fake /cd#"> < rdf:description rdf:about =" http: // www. recshop. fake /cd/ Empire Burlesque " cd:artist =" Bob Dylan " cd:country =" USA " cd:company =" Columbia " cd:price =" " cd:year =" 1985 " /> </ rdf:rdf > Listing 2.2: Beispiel für die RDF Syntax 12

13 KAPITEL 2. SEMANTIK WEB GRUNDLAGEN In dem oben aufgeführten Codebeispiel wird eine Liste von Autohändlern definiert. Auf Grund der Tatsache das es verschiedene Autohändler geben kann werden diese in einem Container geschachtelt. Das Element <rdf:description about= #haendlerliste > verweist auf eine Ressource im gleichen Dokument. Dies wird durch # gekennzeichnet. Für weitere Informationen über die Syntax wird auf Link zu RDF Primer verwiesen RDF Schema RDF benötigt Erweiterungen um konkret Klassen und Eigenschaften für eine Anwendung genutzt zu werden. Für diesen Zweck wurde RDF Schema (RDFS) entwickelt. Damit kann eine Grammatik definiert werden, um die Inhalte von RDF-Elementen für eine Bestimmte Domäne zu modellieren. Somit ist eine Möglichkeit gegeben ein kontrolliertes Vokabular Applikationsspezifisch einzusetzen. Mit Hilfe von RDF-Schema kann man einfache Ontologien formalisieren. So wird beispielsweise der gleiche Gegenstand immer gleich benannt. Mit RDFS kann überprüft werden, ob eine Ressource von einem Typ ist, der die verwendeten Statements erlaubt oder nicht. Neben RDFS gibt es noch weitere Ontologien wie OWL (Web Ontology Language) oder F-Logic OWL OWL 2.4. SPARQL SPARQL 2.5. Projekte Verschiedene Projekte befassen sich bereits mit den Aufgaben und Möglichkeiten des Semantic Web. Diese haben teilweise verschiedene Herangehensweisen für die Verschiedenen Aufgaben. Teilweise sind diese auch nur Grundlagen für andere Projekte. Nachfolgen werden nun einige Projekte vorgestellt Suchen Die Suchmaschinen, welche die Informationen zusammentragen sind ein wichtiger Bestandteil. In dieser Arbeit werden kurz zwei Beispiel Suchmaschinen vorgestellt, welche Ontologien zusammentragen und für Abfragen zugänglich machen. Watson Watson ist eine von Knowledge Media Institute entwickelte Suchmaschine zur Auffindung von Ontologien und Semantischen Inhalten. Es ist nach eigenen Aussagen der Gateway für das Semantic Web, welches von den Anforderungen des Semantic Web und den Erfahrungen aus früheren Systemen geleitet wird. Es bildet den Ausgangspunkt für die Auffindung von 13

14 2.5. PROJEKTE Ontologien. Aufgaben sind dabei das Sammeln von Daten, diese Analysieren und Auszuwerten und die Beantwortung von Anfragen. Nähere Informationen sind unter [WATSON] Sindice Sindince ist eine Suchmaschine, welche die über das ganze Web verstreuten Definitionen des Semantic Web sammelt. Dabei spielt es keine Rolle von welcher Art von Seite die Informationen zusammengetragen werden. Es werden Daten welche in den Formaten RDF, RDFa und Microformats modelliert wurden. Diese zusammengetragenen Informationen können wie bei Watson auch abgefragt werden Datahubs Die Datenhubs sind Projekte, welche Informationen in Semantischer Form zusammentragen und abspeichern. Sie können. Diese Informationen können von Maschinen gelesen und verbunden werden um dem Benutzer vermehrt Informationen zu einem Bereich bereitstellen zu können. DBpedia DBPedia DBPrdia Community Projekt um Wissensinhalte aus Wikipedia zu extrahieren und die Informationen maschinenlesbar im Web zu veröffentlichen. Freebase Freebase 14

15 Teil II. Projekt 15

16 3. Projektidee 16

17 4. Umsetzung 17

18 4.1. PYTHON SCRIPTE 4.1. Python Scripte Die Konvertierung der Datenquellen nach RDF ist mit Hilfe von drei kleinen Python Scripten umgesetzt. Für jede Datenquelle wurde ein Script verfasst RDFLib Dank RDFLib 1 ist das erstellen eines Graphen und die Ausgabe als RDF/XML sehr einfach zu realisieren. RDFLib ist eine Python Bibliothek welche Parser und Serialisierer für viele Varianten von RDF enthält. Des weiteren ist ein in-memory Graphstore enthalten. Es besteht aber ebenso die Möglichkeit den Graphen persistent zu speichern Arbeitsweise Die Scripte arbeiten in zwei schritten. Im ersten Schritt werden die Originaldaten geladen und in eine interne Datenstruktur gebracht. Für XML Quellen wird xml.dom.minidom als Parser eingesetzt. Für das CSV Format bietet Python von haus aus einen Parser. Im zweiten Schritt wird die Datenstruktur abgearbeitet und in Triples strukturiert. Diese Triples werden dann in einen temporären Graphen eingefügt. 1 for betreuer in firma [ betreuer ]: 2 betreuer_node = PDB_BETREUER [ betreuer [ id ]] 3 g. add (( betreuer_node, RDF.type, FOAF [ Person ])) 4 g. add (( betreuer_node, FOAF [ member ], firma_node )) 5 g. add (( betreuer_node, FOAF [ name ], Literal ( betreuer [ name ]))) Listing 4.1: Alle Betreuer einer Firma werden zum Graphen g hinzugefügt 4.2. Jena und Joseki 4.3. Empfehler0r 4.4. Tests ZUSAMMENFASSUNG 4.5. ZUSAMMENFASSUNG, Fazit, Ausblick GLOSSAR RDF XML SPARQL AIISO FOAF Triplestore

19 5. Zusammenfassung 19

20 Teil III. Anhang 20

21 Glossary Glossar Active Directory Active Directory ist in einem Windows 2000/Windows Server 2003-Netzwerk der Verzeichnisdienst, der die zentrale Organisation und Verwaltung aller Netzwerkressourcen erlaubt. Es ermöglicht den Benutzern über eine einzige zentrale Anmeldung den Zugriff auf alle Ressourcen und den Administratoren die zentral organisierte Verwaltung, transparent von der Netzwerktopologie und den eingesetzten Netzwerkprotokollen. Das dafür benötigte Betriebssystem ist entweder Windows 2000 Server oder Windows Server 2003, welches auf dem zentralen Domänencontroller installiert wird. Dieser hält alle Daten des Active Directory vor, wie z.b. Benutzernamen und Kennwörter. AD Active Directory Antwortdatei Informationen zum Installieren einer Anwendung oder des Betriebssystems. citrus fruit fruit of any citrus tree. Erweiterte Backus-Naur-Form (EBNF) formale Metasyntax zur darstellung kontextfreier Gramatiken Metadaten Daten über Daten, Daten welche den Inhalt näher beschreiben 21

22 Abbildungsverzeichnis 2.1. Darstellung des Beispielgraphen

23 Listings 2.1. Beispiel für ein einfaches RDF-Dokument Beispiel für die RDF Syntax Alle Betreuer einer Firma werden zum Graphen g hinzugefügt

24 Tabellenverzeichnis 24

25 Literaturverzeichnis [Bern01] [RDF-Prim] [WATSON] [W3SRDF] Tim Berners-Lee, James Hendler, Ora Lassila «The Semantic Web: a new form of Web content that is meaningful to computers will unleash a revolution of new possibilities. In: Scientific American, 284 (5), S , May 2001»http: // Frank Manola, Eric Miller «RDF Primer W3C Recommendation 10 February 2004» «WATSON Ontologie Suchmaschine für das Semantic Web» open.ac.uk/ «W3Schools Tutorial zu RDF» 25