完全支持数据更新的XML压缩编码

周 舟，刘先锋，刘 萍,张楚才

(湖南师范大学数学与计算机科学学院，中国 长沙 410081)

目前，XML被认为是互联网上的数据表示和数据交换的标准，并被大家广泛接受，越来越多的网上资源以XML的格式来表示．如何对这些XML数据进行有效地管理就成为一个重要的研究内容，人们针对XML的查询要求提出了一些如Xpath和Xquery查询语言．但这些查询语言都有一个共同的不足：当XML频繁地发生诸如删除、插入等更新操作时，需要重新建立索引或重新编码，更新代价极大．因些找到一种编码占用存储空间小，支持结点无限更新而查询效率又高的XML编码方法就迫在眉睫．

本文提出了一种新的压缩编码方法，具体在于：

(1) 提出了一种新的XML 压缩编码方法，该编码方法利用了分数特点和路径编码方案的优点．

(2) 编码占用存储空间小．目前XML文档越来越大，提高存储空间的利用率十分必要．该压缩编码方案将结点名，结点值和路径分别保存在不同的表中，并将其编号，这样可以避免记录相同的结点名，结点值和路径，提高了存储空间的利用率．

(3) 支持数据无限更新．该编码利用分数的特点即在任意两个分数间可以插入无穷多个分数，支持两结点间的任意操作，而不需要二次编码，是真正意义上的支持动态更新．

(4) 查询效率高．该编码将每一个结点的路径保存在一个表中，并将其路径编号，避免了以往查询算法的结构连接，且不受路径表达式长度和中间结果的影响,从而提高了查询效率．

1 背景知识和相关工作

为了解决XML更新带来的编码重构问题，很多学者和研究人员提出了一些编码[1-5]和查询算法[6-9]．

1.1 区间编码

一种常见的区间编码方案称为Zhang[1]编码，其编码规则为：XML文档树中的每一个结点被赋予一个二元组(begin，end)．对树T的所有结点访问两次，一次是在遍历该结点的所有后裔结点之前访问该结点，并产生该结点的序号begin；另一次是在遍历完结点的所有后裔结点后再一次访问该结点，并产生该结点的另一个序号end．

1.2 前辍编码

LSDX[2]编码是一种前缀编码，LSDX编码采用数字表示节点的层次关系，用字母表示节点的位置信息．LSDX编码格式为nx.y,其中n是数字，表示节点的层次，x是字母，表示节点的父节点编码，y是字母，表示节点是其父节点的子节点．如果节点没有父节点，显示格式为0x，表示该节点的层次为0，编码为x．

2 FAPE方案

2.1 编码方法

在该编码方法中，XML文档树中的每个结点用一个三元组来表示〈fenzi/fenmu,PathName,PathPosition〉,其中fenzi为该结点先序遍历所得到的值，初值设为1，以后按先序遍历的顺序每访问下一个结点，其值加1；fenmu恒设为1，保持不变；PathName为该结点的路径名；PathPosition表示结点的路径序号，因为不同的路径可能有相同的路径名，为了区别，在访问时按照从左到右的顺序.如果某条路径是第一次出现，则该路径的PathPosition为1，如果某条路径第二次出现，则该路径的PathPosition为2，以此类推．对于如下lib.xml文档，其文档树及分数路径编码(FAPE)如图1所示.

lib.xml

〈library〉

〈book id=″B001″〉

〈title〉 Distribute Database Systems〈/title〉

〈author〉 Jentoner Witom〈/author〉

〈/book〉

〈magazine〉

〈title〉 Object lanauage〈/title〉

〈author〉 Neichun Hsu〈/author 〉

〈/magazine〉

〈book id=″B002″〉

〈title〉 Popular Database Systems〈/title〉

〈author〉 Alfons Kemper〈/author〉

〈/book〉

〈/library〉

图1 XML文档树及分数路径编码

举例:对于右边的book结点，其编码为〈8/1,library/book,2〉，数字8表示magazine结点为先序编码的第8个结点; library/book为该结点的路径，数字2表示该路径为第2次出现，因为在左边已经有一个book结点具有相同的路径，也为bibrary/book,所以用2进行区分．

3 FAPE存储结构

FAPE用5个表记录了XML文档的信息，分别如下:

3.1 值索引表

记录了结点的值和结点的值编号，不同的结点值具有不同的值编号，相同的结点值具有一样的值编号，这样可以节约存储空间．表1记录了上述lib.xml文件的结点值和值编号．

3.2 结点名索引表

结点名索引表记录了结点名称和结点名编号，不同的结点名称具有不同的结点名编号，相同的结点名称具有相同的结点名编号，这样可以节约存储空间．表2记录了上述lib.xml文件的结点名称和结点名编号．

3.3 属性表

属性表记录了属性所属的结点编号，属性名和属性值．表3记录了上述lib.xml文件的结点编号，属性名和属性值．

3.4 路径索引表

路径索引表记录了结点的路径和路径的编号．路径名指从根结点到该结点的路径(该结点包括在路径名里面)．不同路径名具有不同的路径编号，相同的路径名具有相同的编码．表4记录了上述lib.xml文件的路径名和路径编号．

3.5 结点信息表

结点信息表记录记录了结点编号、结点的路径序号、路径编号、结点名编号、结点值编号和该结点的分数．表5记录了上述lib.xml文件的相关信息．

表1 值索引表

表2 结点名索引表

表3 属性表

表4 路径索引表

表5 结点信息表

4 编码结点关系判断

4.1 父子关系判断

设u〈f1,n1+node1+“/”,p1〉,v〈f2,n2+node2+“/”,p2〉是XML文档树T中的2个结点,其中node1和node2 分别为该路径名的最后一个结点名．如果n1+node1+“/”=n2,且p1=p2,则u结点是v结点的父结点，v是u结点的子结点．例如:结点u〈2/1,library/book/,1〉(n1=library/,node1=book)是结点v〈3/1,library/book/title/,1〉(n2=library/book/,node2=title)的父结点．

4.2 祖先/后裔关系判断

设u〈f1,n1+node1+“/”,p1〉,v〈f2,n2+node2+“/”,p2〉是XML文档树T中的2个结点，其中node1和node2 分别为该路径名的最后一个结点名．如果n1+node1+“/”是n2的前辍，且p1=p2,则u结点是v结点的祖先结点，v是u结点的后裔结点．

4.3 兄弟关系判断

设u〈f1,n1+node1+“/”,p1〉,v〈f2,n2+node2+“/”,p2〉是XML文档树T中的2个结点，其中node1和node2 分别为该路径名的最后一个结点名．如果n1=n2且p1=p2，则u结点与v结点是兄弟结点;如果n1=n2且p1=p2，f1

4.4 结点所在层次判断

设u〈f1,n1+node1+“/”,p1〉，则n1中“/”符号的个数即为该结点所在的层次．

5 数据更新

数据结点的更新包括新增、删除和修改．节点的删除和修改不会影响到原有的编码数据，但新增节点会对已经编码的数据造成影响．下面分析一下结点的插入情况， 在介绍结点的插入之前，先介绍一个重要的定理[3]:

下面讨论新增结点的插入，分4种情况：

(d)新插入节点无兄弟(同时无左兄弟和右兄弟),在结点A下面插入结点B(结点名设为price)，如图5所示：设A结点的编码为〈4/1,library/book/author/,1〉，则B结点的编码为〈5/1, library/book/author/price/,1〉．

图2 有右兄弟但无左兄弟 图3有左兄弟但无右兄弟 图4 既有左兄弟也有右兄弟 图5 即无左兄弟也无右兄弟

6 实验环境

实现了FAPE方案，实验中的算法用JAVA编程语言来实现．软件环境是Windows XP+MyEclipse7.0+JDK 6.0,硬件环境是：Pentium(R)4 cpu 3.00 GHZ,内存：512 MB DDR1,硬盘：80 G．

6.1 测试数据

实验中的数据集采用Xmark[10]生成的数据，XMark来源于一个针对XML的基准测试项目.

6.2 空间性能分析

第一个实验用来检测FAPE对文档编码所花的时间.用Xmark数据集作为测试数据.Xmark数据集选择参数分别为0.018和0.27，分别生成大小约为2 MB和30 MB的XML文档．用FAPE，zhang编码，LSDX编码对文档编码进行编码，所占用的存储空间如表6所示．

表6 存储空间的比较

从实验结果可以看出，相同大小的的XML文档，LSDX所占用的空间最多，原因在于，当结点个数增加时，其结点包括其父亲结点的编码，长度呈非线性增加．Zhang编码所占用的存储空间比较小，随着结点个数的增加，其编码长度呈线性增加．FAPE所占用的存储空间最小，原因在于其分别通过值索引表,结点名索引表和路径索引表避免了记录重复的结点值，结点名和结点路径，最后只记录其相应编号即可．

6.3 数据的查询效率

第2个实验用来检测FAPE查询的效益，依旧采用Xmark作为测试数据集，选择参数为0.27，生成了30M左右的文件，其结点个数为1 022 976．针对不同的查询条件选择了6个查询实例，如表7所示．使用的编码为FAPE，XISS[5]，B+TREE[6],DUIX[7]实验结果如表8所示．

表7 6个查询实例

表8 查询处理的性能

从实验可以看出，FAPE在查询时效率最高，关键在于其保存了结点的路径，完全避免了结构连接，查询效率不受查询路径表达式长度和中间结果集大小的影响，从而使查询较快．XISS在查询时所花的时间较长，关键在于其使用了结构连接．B+TREE相对XISS有所改进，但其查询效率受中间结果集的影响较大．DUIX相对XISS和B+TREE都有所改进，但在一定程度上仍受中间结果集的影响．

7 结论及展望

从上面几个实验可以看出，不管在空间性能，还是在数据查询的效率方面，FAPE相对其他的编码都具有优势，且支持结点的无限更新．

本文提出的编码方案还有很多待完善的地方，如在实际应用中，XML文档中的节点值往往具有多种类型，如日期、文本等，本文没有考虑不同的数据类型，把他们全当成字符型数据来处理，在后续工作中，将会研究不同数据类型的查询和存储情况．

参考文献：

[1] ZHANG C, NAUGHTON J, DEWITT D,etal. On supporting containment queries inrelational database management systems: proceedings of the 2001 ACM SIGMOD international conference on management of data, Santa Barbara, CA, USA, Newcastle, May 21-24, 2001[C]. New York: NY,2001.

[2] MAGGIE DUONG, ZHANG Y C. LSDX:a new labelling scheme for dynamically updating XML data:ADC′05 proceedings of the 16th Australian database confereace. Australian Newcastle, January, 2005[C]. Australian: Australian Computer Society, 2005.

[3] 孙勇义，高 军，王腾蛟，等.一种更新友好的基于分数的XML编码方法[J].计算机科学，2008,35(10A):165-169.

[4] 曹耀钦，宋建社，赵 霜，等.基于O-D的XML编码及对信息查询与更新的支持[J].计算机工程，2007，33(5)：53-58.

[5] 曾 捷，谢 宁，王 晖.放大转发中继网络中一种改进的分布式空时编码[J].湖南师范大学自然科学学报，2011，34(3)：20-23.

[6] LI C Q, LING T W, HU M. Efficient processing of updates in dynamic XML data: proceedings of the 22nd international conference on data engineering (ICDE’06), USA，April 3-7, 2006 [C]. USA:[s.n.],2006.

[7] CHIEN S Y, VAGENA ZOGRAFOULA, ZHANG D H,etal. Efficient structural joins on indexed XML documents:proceedings of the 28th VLDB conference, Hong Kong, China, 2002[C].Hong Kong: VLDB Endowment, 2002.

[8] 刘先锋，朱清华，陈凤英. 一种有效支持数据更新的XML索引研究[J].计算机工程与应用，2009，45(20):140-143.

[9] 邹为伟，宋余庆，耿 飙，等.基于Schema的XML索引方法研究[J].计算机工程，2011，37(6)：74-76.

[10] 于亚新，王国仁，张海宁，等.有效支持XML结构化连接的索引——CATI[J].计算机研究与发展，2007，44(1)：111-118.

[11] SCHMIDT A, WAAS F, KERSTEN M,etal. XMark: a benchmark for XML data management:proceedings of the 28th VLDB conference, Hong Kong, China, 2002[C]. Hong Kong: VLDB Endowment, 2002.