[发明专利]一种对结构化数据进行简化的方法

说明书

本发明提供一种对结构化数据进行简化的方法，所述方法包括：a)统计所述结构化数据中的至少一种路径模式出现的模式次数；b)针对统计的每一种路径模式，判断该路径模式出现的次数是否大于等于该路径模式对应的模式次数阈值；c)若是，则保留该路径模式对应的模式次数阈值个该路径模式之后的结点，将其他的该路径模式之后的结点删除。

技术领域

本发明涉及计算机领域，尤其涉及一种对结构化数据进行简化的方法。

背景技术

结构化文档，特别是XML(可扩展标记语言)文档，在当前信息技术领域被广泛运用，产生了各式各样的处理结构化文档的系统。

对这些系统的功能进行测试时，如何生成充分的利于用作测试数据的结构化文档，确保各种模式的结构都被测试到是一个课题。

特别地，对于既有文档处理系统针对某个客户进行定制化开发时，客户现场在使用既有系统过程中已经积累了大量的结构化数据(以下，现场数据)，在取得客户许可的前提下，直接运用现场数据进行测试无疑是非常有利的。但是，现场数据的体量往往非常大，比如有几百个文件，每个文件有几百兆字节，总计可达几个千兆字节。

直接拿这几个千兆字节的数据来测试，显然是不现实的，因为即使是不做任何加工处理的原样输出，光数据传输及文件系统输入/输出端口本身就要耗费大量时间。而有些测试，特别是单元测试，需要在日常开发中经常反复地执行。因此，如何从现场数据提取出利于测试的简化数据是一个课题。

现有的专利和其他公开文献包括：

(1)有很多涉及结构化文档生成的，但是都是关于如何从非结构化文档生成结构化文档的，比如印刷行业的关于从作者稿件自动化生成结构化文档的专利。

(2)很多涉及结构化文档中的冗余识别的，但是都是关于如何对结构化文档进行压缩以减小存储或传输时的数据量大小的。\

发明内容

本发明提供一种结构化数据简化的方法，其能将结构化数据中大量重复的路径模式去除，并以较小的数据量保留较多的路径模式。

根据上述目的，本发明提供一种对结构化数据进行简化的方法，所述方法包括：a)统计所述结构化数据中的至少一种路径模式出现的模式次数；b)针对统计的每一种路径模式，判断该路径模式出现的次数是否大于等于该路径模式对应的模式次数阈值；c)若是，则保留该路径模式对应的模式次数阈值个该路径模式之后的结点，将其他的该路径模式之后的结点删除。

在一实施例中，所述步骤a)进一步包括：从所述结构化数据的根结点开始遍历所述结构化数据的各结点，针对遍历到的结点，统计该结点与其之前的至少一个结点构成的路径模式出现的模式次数；若所述步骤b)的判断为是，则所述步骤c)进一步包括：删除该结点之后的结点，并保留该结点与其之前的所有结点。

在一实施例中，包括特定路径模式库，其中包含有至少一个特定路径模式，所述步骤a)进一步包括：判断该结点与其之前的至少一个结点构成的路径模式是否存在于特定路径模式库中作为特定路径模式，若是，则将该路径模式对应的模式次数进行累加。

在一实施例中，每一个所述特定路径模式包括N个结点；所述步骤a)进一步包括：统计该结点与其之前的(N－1)个结点构成的路径模式是否对应于所述特定路径模式库中的特定路径模式。

在一实施例中，所述步骤a)进一步包括：针对遍历到的每一个结点，判断与该结点对应的根结点到该结点之间的结点数；若所述结点数大于等于路径结点数N，则将该结点与其之前的(N－1)个结点构成的路径模式对应的模式次数进行累加。

在一实施例中，则所述方法还包括：将遍历到的结点输出至简化后文档。

在一实施例中，若所述结构化数据包含多个根结点，则将所述多个根结点合并。

在一实施例中，所述路径模式对应的结点中至少有一个结点为任意结点。