一種基于XML Schema的XML文檔到關系數據庫的映射方法

賈 穎

（山東工商學院 計算機基礎教學部，山東 煙臺 264005）

XML是W3C組織推出的一種半結構化的、自描述的數據描述語言，目前已成為Web上數據表示的標準，并為各種跨平臺、用不同編程語言編寫的應用程序提供了數據交流與分享的工具，同時還成為各種異構數據（關系數據庫、Excel數據表、文本文件）進行數據交換的中間橋梁。可以說，XML技術已經得到了非常廣泛的應用和支持。

隨著XML技術的廣泛應用，XML文檔大量涌現出來。然而，XML文檔本身不是一個數據庫[1]，缺乏成熟數據庫技術中關于并發訪問、完整性約束、安全控制等關鍵技術。并且以文檔方式存儲的XML數據支持的關鍵字查詢，查詢方式簡單，查詢能力低，不能滿足復雜條件查詢的需要[2]。所以，XML文檔在存儲和查詢機制上都缺乏系統支持。而關系數據庫仍是目前為止最成熟的數據管理技術。所以，已經有很多學者對XML文檔的關系數據庫存儲做出了研究，提出了結構映射和模式映射兩種主要的方法。由于結構映射保留了 XML文檔的結構和語義信息，成為了XML文檔在關系數據庫存儲的主流技術。結構映射要分析XML文檔的模式信息（DTD或XML Schema）。目前，基于XML Schema的結構映射方法中最具代表性的是Bohannon[3]的提出的P_Schema（Physical XML schema）。P_Schema是從XML Schema變化而來，將原始的XML Schema中的多值元素（元素屬性maxOccurs為unbounded的元素）提取出來，生成同名的新類型，同時，在該元素的父元素中保留對該元素的引用。P_Schema可以直接轉換為關系模式。然而，P_Schma僅進行了對多值元素的提取，沒有考慮其它形式復雜元素的提取，如遞歸嵌套結構、被不同父元素重復引用的元素、可選元素的映射問題，本文將進一步探討對這些類型元素的映射。

1 P-schema的改進

改進的P_Schema模式將XML文檔存儲到關系數據庫的步驟分為三步：第一步，將XML模式轉換為改進過的P_Schema++模式；第二步，將P-Schema++模式用DOM樹表示；第三步，將DOM樹映射為關系數據庫。

1.1 生成P_schema++模式

本文的實例文檔為The Purchase Order ，po.xml[4]，對應的XML Schema為po.xsd。[4]數據來源于www.w3.org。表 1給出了 po.xsd的類型標識模式（即 XML Query Algebra ），這種模式因其準確指定了元素和屬性類型，非常有利于XML數據的存儲，將之稱為原始模式。P_schema++模式是基于此模式，進行改進和擴充得到。

從原始的XML Schema類型定義到P_Schema++類型定義的轉換遵循以下幾個原則：

（1）提取用＜ComplexType＞…＜/ ComplexType ＞標識定義的復雜類型為新類型（如PurchaseOrder）；

（2）提取元素屬性maxoccurs=unbounded的多值元素為新類型（如items）；

（3）提取被多個父元素重復引用的元素為新類型（如USAdress和 comment）；

（4）提取用＜choice＞…＜/choice＞標識的可選元素為新類型（本實例不涉及）。

表1

1.2 DOM樹表示

DOM（Document Object Model）全稱文檔對象模型，是一種與平臺和語言無關的編程接口。[5]一個 XML文檔使用XML分析器分析之后，其中的信息就會被轉化成一棵對象節點樹。在這棵樹中，有且只有一個根節點，其它所有節點都是根節點的后代節點。節點樹生成之后，就可以通過DOM接口訪問、修改、添加、刪除和創建樹中的節點和內容。將P_Schema++轉換為DOM樹表示。在DOM樹中，用符號○表示簡單類型元素的節點，用符號◎表示復雜類型元素的節點，用符號△表示屬性節點。Po.xsd的 P_Schema++轉換為 DOM樹如圖1所示：

圖1 P_Schema++ DOM樹

得到DOM樹后，尋找DOM樹中子樹的根節點，又叫分級節點[3]。一個節點成為分級節點，必須滿足以下幾個條件之一：①不能由其他節點到達；②復雜類型的節點；③節點的入度＞1。根據以上規則，PurchaseOder，items，comment，USAdress為分級節點，要單獨映射為關系。其中Comment節點是簡單類型元素節點，可以分成兩個節點，分別內聯到PurchaseOrder子樹和items子樹中。但考慮到在po.xsd中，PurchaseOrder和Items中對comment的定義都是minoccurs=0，如果將comment作為PurchaseOrder表和items表中的屬性列，應允許NULL值。而comment元素中的數據內容一般比較多，需要為comment列設置較大的字符串長度，而如果有大量的空值，就會造成很大的存儲浪費。所以，本文將comment元素單獨建表，并建立Pid字段作為外鍵，指向父節點。

1.3 映射為關系數據庫

將DOM樹中分級節點映射為關系數據庫中的表，映射的方法為：

（1）為每一棵子樹T創建關系R，把滿足以下條件的節點Y作為R的屬性：Y是T可達到，從T到Y的路徑中不包含任何生成獨立關系的分級節點。

（2）為每個關系R創建Id字段作為主鍵。若T與其他分級節點存在父子關系，則在關系R中添加Pid 字段作為外鍵，記錄其父節點的Id。

根據上面的方法，把DOM樹轉換為4張表：

表2 PurchaseOrde r

表3 comment

表4 items

表5 USAdress

另外，在PurchaseOrder表中，Bill to_id和ship to_id字段分別指向其孩子節點，與USAdress表中Id字段相對應。

2 實驗驗證

為了驗證P_Schema++的有效性和可行性，采用 Microsoft Visual Studio2003和C#語言在Windows內部組件之一的.NET Framework代碼庫中進行XML文檔到SQL Server 2003關系數據庫的轉化。對其存儲代價和查詢代價進行評估，結果發現，該算法生成的關系數據表數目相對較少，表的規模合理，查詢時連接運算少，查詢效率較高。

[1] Bourrent R. XML Data Binging[EB/OL].http://www.rpborrent.com/xml/XMLDataBingding.htm,2010-12-21.

[2] 曾慶玲.基于模式的復雜 XML文檔到關系數據庫存儲的研究[D].桂林:廣西師范大學,2011

[3] Bohannon P, Freire J, Roy P et al.,From XML schema to relations: a cost based approach to XML storage[C].Proc of the18th International Conference on Data Engineering.2002:64 75.

[4] The Purchase Order[EB/OL] .http://www.w3.org/TR/2004/REC-xmlschema-0-20041028/.

[5] 岳歡.XML文檔在數據庫中存儲方案的研究[D].重慶:重慶大學,2003.