樹模型XML多文檔壓縮技術的研究.pdf

1、XML技術出現(xiàn)后，已經(jīng)逐步成為各種網(wǎng)絡應用中數(shù)據(jù)交換和存儲的事實標準。目前，已經(jīng)有很多大型數(shù)據(jù)庫完全采用了XML格式來表示和存儲數(shù)據(jù)。應用XML格式管理數(shù)據(jù)面臨的最大困難在于XML數(shù)據(jù)中存在大量的數(shù)據(jù)冗余。模式和數(shù)據(jù)混合存儲導致模式信息在數(shù)據(jù)中存在大量重復，這極大地增加了XML數(shù)據(jù)存儲、交換和處理的代價。
　　對XML文檔進行壓縮可以在一定程度上解決這個問題。但是，現(xiàn)有的XML壓縮方法大都只關注單個文檔中的信息冗余，而沒有考慮利用

2、文檔間的相似性來進行壓縮。因此，在壓縮XML文檔集合時不能獲得很好的壓縮效果。基于此，本文提出了基于聚類的兩種不同的XML多文檔壓縮方法XMdelta和XMcluster。二者能夠充分利用文檔間的信息冗余來進行壓縮，因此，十分適合于壓縮XML多文檔集合的應用。
　　XMdelta方法的目的是：提高XML文檔集合的壓縮比，進而更有效地壓縮存檔大量XML文檔的集合。它首先基于改進的pq-gram近似距離進行Single-link層次聚

3、類。這樣既保證了同類文檔間的較大相似性，又降低了聚類過程的計算復雜度。然后，它根據(jù)不同應用場景的具體要求選取四種具有不同特性的增量式壓縮策略之一進行壓縮。實驗結果表明，在真實和生成的XML多文檔數(shù)據(jù)集上，與通用文本壓縮器Gzip和面向存儲的XML壓縮器XMill相比，XMdelta方法有著更高的壓縮比和相當?shù)慕鈮嚎s時間。
　　XMcluster方法的目的是：在解決XML文檔集合數(shù)據(jù)冗余問題的同時，支持壓縮數(shù)據(jù)集上不解壓或部分解壓的