關于XML檢索和索引技術的研究.pdf

1、隨著Internet和WWW的迅速發(fā)展，Internet上的資源日趨豐富，為了幫助人們在浩如煙海的互聯(lián)網中得到有用的信息，基于Internet的各類信息檢索服務應運而生并得到了迅速發(fā)展。但是，僅僅檢索出文檔和網頁已經不能滿足現(xiàn)在用戶的需求，人們希望能夠獲得最精準的信息，這種信息應該具有一個合適的粒度，在這個粒度上檢索結果包含最少的無用信息。而XML作為一種用戶自定義的標記語言，可以很好的解決這個問題。 目前，XML已成為萬維網數(shù)

2、據(jù)表示和交換的標準，隨著XML文檔的大量涌現(xiàn)，XML檢索成為目前研究的熱點方向之一。XML作為一種半結構化數(shù)據(jù)，既不同于數(shù)據(jù)庫記錄中的結構化數(shù)據(jù)，也不同于文本文檔（如HTML）的非結構化數(shù)據(jù)。盡管基于HTML關鍵字的搜索引擎已取得很大的成功，但由于XML與HTML在諸多方面存在差異，若不加修改直接用于XML數(shù)據(jù)查詢，則不能完全發(fā)揮XML所帶來的好處。HTML是一種表示性的語言，包含的語義很少，XML允許擴展元素標記，在這些擴展標記中，包

3、含了更多的語義信息。通過對XML檢索的研究，我們可以合理充分的利用XML中的語義信息，從而為用戶返回更為精確的查詢結果。 在XML檢索中，有效的XML索引可以加快檢索速度，減少用戶等待時間，因此，針對XML數(shù)據(jù)建立有效的索引機制是實現(xiàn)高效查詢的重要手段，是左右XML數(shù)據(jù)處理性能的重要因素，這也成為Web信息檢索的一個重要研究點。 針對XML數(shù)據(jù)索引問題，本文通過對現(xiàn)有的XML索引技術進行分析，建立了基于Dewey編碼的新

4、型索引PCiD（Path & Content Index）及其查詢處理方法。該索引不同于其他索引的一點，在于使用了結構/內容分而治之的思想，即為路徑信息和值信息分別建立索引。該索引使用路徑索引保存路徑信息，這樣任何一個結構化查詢中的路徑信息，可以在路徑索引中輕松的找出與之相匹配的元素；另一方面，使用內容索引存放XML文檔中的值信息，對于結構化查詢中的值限制，我們可以在內容索引中找出與之對應的索引項，并進行處理。最后通過合并兩個索引得到結