[发明专利]XML关键字检索的最低公共祖先快速查找方法

说明书

技术领域

本发明属数据库技术领域，具体涉及一种高效的对XML数据进行关键字检索的方法。

背景技术

随着XML的流行，XML上的关键字检索也正在成为一个研究热点。XML上的关键字检索不需要用户对所查询XML的DTD或schema模式、复杂的XML查询语言(比如XQuery)等相关知识有所了解，因此更容易被用户接受。通常在Web上的关键字检索，比如google或者百度，他们的返回结果是包含用户提供的关键字的整个网页。但如果对大XML文档上的关键字检索，由于XML文档通常被建模成树形结构，有着层次性的嵌套关系，用户通常希望能得到最小结果片断，此时返回结果应是包含这些关键字的结点集，而且结点集中的任一结点的子孙结点都不能再包含所查询的关键字。

以往的XML关键字检索在求解任意两个结点的最低公共祖先结点(LCA)的时候，都是基于Dewey编码，所谓Dewey编码是指每个结点的编码以父亲结点的编码为前缀，这样两个结点的LCA结点就是他们最长公共前缀所指示的结点。使用这种编码好处在于给定任意两个结点，只需比较他们的编码就可以求解出LCA，但同时应看到编码随着结点的深度在增加，一方面在求解最长公共前缀时将会比较耗时，另一方面存储这样的编码对空间的耗费也是很巨大的。

发明内容

本发明的目的在于提出了在XML关键字检索中应用基于RMQ(RangeMinimum Query)的LCA求解算法，该方法在假设XML元素的个数为n的情况下，通过0(nlogn)的预处理可以达到0(1)的LCA求解时间效率，从而消去XML上关键字检索时借助Dewey编码求解共同祖先的时间系数d，同时由于仅存储结点的欧拉序列而不是Dewey编码，可以有效减少存储空间的开销。

该方法首先进行预处理，预处理的具体步骤是：

步骤1，在解析XML文档的过程中，构建欧拉序列E和深度序列L，记录XML文档中每个结点的开始位置，结束位置和深度信息，对XML文档进行序列化，并在处理文本信息的时候，建立倒排表记录每个单词；

步骤2，将深度序列L按长度logn/2划分成2n/logn个块，在每个块上选取最小值组成一个长度为2n/logn的新序列，利用新序列建立SparseTable；

步骤3，枚举每个等价块，计算并存储块内任意序号间最小值的位置。

在预处理方法中，是在计算两个结点的LCA结点时，先判断两个结点是否在同一个块中，如果在同一个块中，直接取出相应等价块中两个结点的间最小值的位置，如果不是，则分别求解在新序列上的最小值和块内的最小值；无论哪种情况，时间复杂度都为0(1)。相比于现有的算法，本发明不仅避免了求LCA结点时逐层比较两个结点的Dewey编码，消去了时间系数d，而且仅存储结点的欧拉序列而不是Dewey编码，可以有效减少存储空间的开销。

采用预处理后的文档结构，对XML进行关键字进行检索，给定k个关键字结点集S₁，S₂，…，S_k，检索的方法如下：

步骤1，求出结点集最小的关键字集合，假设为S₁，作为SLCA结点的候选结点集；步骤2，对候选结点集进行k-1次迭代，每次迭代对候选结点集和另一个关键字结点集进行SLCA结点的计算，并将结果集作为下一次迭代的候选集；

步骤3，在经过k-1次迭代后，得到k个集合的SLCA结点集，其中SLCA结点计算得出候选slca结点，然后删除所有非SLCA结点。

本发明的优点在于，这种检索方法通过有效的预处理，可以消去XML上关键字检索时借助Dewey编码求解共同祖先的时间系数d，同时由于仅存储结点的欧拉序列而不是Dewey编码，可以有效减少存储空间的开销，所以在性能和空间利用上要优于现有算法。

附图说明

图1为LCA算法流程图。

图2为SLCA算法流程图。

图3为XML文档树图。

具体实施方式

1.与本发明有关的一些概念和定义。

1，XML文档：

在本发明中，一个XML文档D被建模成有序的带标记树T(N，E)。其中树结点集N包含文档中的所有元素、属性或者值。而边集E表示元素之间的包含关系。为简便起见，我们忽略了结点间可能的引用边。

2，LCA结点集：