[發(fā)明專利]一種XML文檔的數(shù)字化方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011156122.1
• 申請日: 2020-10-26
• 公開（公告）號: CN112364604A
• 公開（公告）日: 2021-02-12
• 發(fā)明（設(shè)計）人: 吳海濤;郭麗紅;楊潔
• 申請（專利權(quán)）人: 南京工程學(xué)院
• 主分類號: G06F40/154
• 分類號: G06F40/154
• 代理公司: 南京鐘山專利代理有限公司 32252
• 代理人: 陳月菊

本發(fā)明公開了一種XML文檔的數(shù)字化方法，適于XML文檔之間相似度比較，包括：S1，提取主干結(jié)構(gòu)樹；S2，填充偽節(jié)點，統(tǒng)一樹型結(jié)構(gòu)；S3，抽取全路徑，生成元組串階段。本發(fā)明能夠通過提取主干結(jié)構(gòu)樹、統(tǒng)一結(jié)構(gòu)樹型和元組串轉(zhuǎn)換三個步驟，結(jié)合XML文檔的結(jié)構(gòu)特征和語義特征，實現(xiàn)了對XML文檔的數(shù)字化處理，處理過程高效快捷，數(shù)字化結(jié)果具有相似度檢測靈敏性高等特點，可以在復(fù)雜網(wǎng)絡(luò)環(huán)境下對海量XML文檔進(jìn)行數(shù)字化表示，不僅簡化了XML文檔本身，而且方便后續(xù)的文檔分類及應(yīng)用處理。

技術(shù)領(lǐng)域

本發(fā)明涉及XML文檔數(shù)字化處理技術(shù)領(lǐng)域，具體而言涉及一種XML文檔的數(shù)字化方法和系統(tǒng)。

背景技術(shù)

隨著網(wǎng)絡(luò)的迅速發(fā)展，互聯(lián)網(wǎng)上產(chǎn)生了大量以XML形式存儲的半結(jié)構(gòu)化數(shù)據(jù)，這些在不同領(lǐng)域積累下來的數(shù)據(jù)寶藏，具有無限潛能，孕育著巨大的價值。XML文檔作為半結(jié)構(gòu)數(shù)據(jù)的代表，由于其平臺無關(guān)性、便捷的數(shù)據(jù)處理和靈活的Web應(yīng)用等特征為越來越多的企事業(yè)單位所使用。因此，面對龐大的XML數(shù)據(jù)，其文檔的數(shù)字化表示是進(jìn)行數(shù)據(jù)分析、歸類及各種數(shù)據(jù)處理的基礎(chǔ)，其好壞直接影響著后續(xù)的各種操作。例如專利號為CN108984713A的發(fā)明中公開了一種XML文件處理方法及裝置，通過將XML文件依據(jù)結(jié)構(gòu)樹進(jìn)行拆分保存至若干個數(shù)據(jù)庫表中，可以解決單張表過大，造成查詢或者其他操作的耗時較長的問題。

但是，隨著互聯(lián)網(wǎng)上以指數(shù)級速度逐年增長的XML文檔的出現(xiàn)，為半結(jié)構(gòu)化數(shù)據(jù)的分類處理帶來了負(fù)擔(dān)。因此，面對海量XML文檔，尋找一種快捷高效的XML文檔的數(shù)字化方法，方便后續(xù)對XML信息的處理已經(jīng)成為一種必然趨勢。XML文檔的數(shù)字化表示能極大地提高XML文檔的分類速度，能夠為XML文檔的進(jìn)一步應(yīng)用處理帶來了保障。但是在目前的XML文檔數(shù)字化方法中，存在以下問題：第一，數(shù)字化結(jié)果簡單粗糙，不能準(zhǔn)確地反映出XML文檔信息，第二，表示方法復(fù)雜，轉(zhuǎn)化效率低下，第三，重視XML結(jié)構(gòu)特征，而忽略了其語義特征。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有技術(shù)中的不足，提供一種XML文檔的數(shù)字化方法和系統(tǒng)，通過提取主干結(jié)構(gòu)樹、統(tǒng)一結(jié)構(gòu)樹型和元組串轉(zhuǎn)換三個步驟，結(jié)合XML文檔的結(jié)構(gòu)特征和語義特征，實現(xiàn)了對XML文檔的數(shù)字化處理，處理過程高效快捷，數(shù)字化結(jié)果具有相似度檢測靈敏性高等特點，可以在復(fù)雜網(wǎng)絡(luò)環(huán)境下對海量XML文檔進(jìn)行數(shù)字化表示，不僅簡化了XML文檔本身，而且方便后續(xù)的文檔分類及應(yīng)用處理。

為實現(xiàn)上述目的，本發(fā)明采用以下技術(shù)方案：

一種XML文檔的數(shù)字化方法，適于XML文檔之間相似度比較，所述數(shù)字化方法包括以下步驟：

S1，提取主干結(jié)構(gòu)樹：

對導(dǎo)入的XML文檔進(jìn)行預(yù)處理，找出主干結(jié)構(gòu)樹，去除冗余的節(jié)點，實現(xiàn)在主干結(jié)構(gòu)樹中，相同的路徑出現(xiàn)且僅出現(xiàn)一次；

S2，填充偽節(jié)點，統(tǒng)一樹型結(jié)構(gòu)：

對預(yù)處理階段提取出來的XML文檔的主干結(jié)構(gòu)樹進(jìn)行偽節(jié)點填充，使用于分類的多個XML文檔對應(yīng)的多個主干結(jié)構(gòu)樹具有相同的層數(shù)和樹深，同時樹中同一層的每個節(jié)點孩子個數(shù)相同；

S3，抽取全路徑，生成元組串階段：

針對填充了偽節(jié)點的主干結(jié)構(gòu)樹，分別抽取每個XML文檔包含的所有不同的全路徑，從根節(jié)點到葉子節(jié)點，依次按元素名稱組合成不同的元組串，使每個XML文檔對應(yīng)一組元組串集合，完成XML文檔的結(jié)構(gòu)轉(zhuǎn)化。

為優(yōu)化上述技術(shù)方案，采取的具體措施還包括：

進(jìn)一步地，所述數(shù)字化方法還包括以下步驟：

S4，數(shù)字化結(jié)果的應(yīng)用驗證：

采用下述公式對任意兩個XML文檔間的相似度進(jìn)行比較：