Modelo de dados semi-estruturado e tipificação em XML

1. Modelo de dados semi-estruturado e tipificação em XML Helena Galhardas DEI IST

2. Agenda • Resumo da aula passada • Modelo de dados semi-estruturado • Tipificação em dados semi-estruturados e XML

3. Resumo da aula passada

4. Resumo: o que interessa lembrar • Semi-estruturado: casamento entre sistemas documentais e SGBDs • XML • Árvores ordenadas, etiquetadas e com ligações • Semântica e tipos estão nas tags • Formato de transferência de dados

5. Resumo: tecnologia • SGBDs: • B-tree, hash table, optimização de interrogações • Documentos: • Indíce texto, classificação • XML: • Autómato de árvores

6. Resumo: problemas antigos ressurgem • Optimização de interrogações distribuídas • Integração de dados • Procura de dados e serviços • Gestão de actualizações de dados

7. Exercício Considere uma BD relacional que contém uma relação “ensina” com atributos “disciplina” e “docente”. Esta relação representa uma associação entre as disciplinas ensinadas no Mestrado de Bolonha em Informática e os professores que nele ensinam. Escreva um documento XML que representa uma instância dessa relação contendo dois tuplos (arbitre a disciplina e o nome dos professores)

8. Modelo de dados semi-estruturado e XML

9. Modelo de dados semi-estruturado • Dados semi-estruturados são muitas vezes conotados como “sem-esquema” (schemaless) ou “explicáveis por si próprios” (self-describing) • Dados são descritos através de uma sintaxe simples: {nome: {primeiro: “Bruno”, ultimo: “Martins”}, tel: 21 4233290, email: “bruno@tagus.ist.utl.pt”}

10. Representação gráfica nome email tel “bruno@tagus.ist.utl.pt” 214233290 primeiro ultimo “Bruno” “Martins”

11. Variações na estrutura {pessoa: {nome: {primeiro: “Bruno”, ultimo: “Martins”}, tel: 21 4233290, email: “bruno@tagus.ist.utl.pt”}, pessoa: {nome: “Pável”, tel: 21 4233267, email: pavel@tagus.ist.utl.pt}, pessoa: {nome: “Helena”, tel: 21 4233246, altura: 1,60} }

12. Representação de dados relacionais { r1: {linha: {a: a1, b: b1, c: c1}, linha: {a: a2, b: b2, c: c2} }, r2: {linha: {c: c2, d: d2}, linha: {c: c3, d: d3}, linha: {c: c4, d: d4} } }

13. Representação de BDs de objectos { pessoa: &o1 {nome: “Ana”, idade: 35, filho: &o2, filho: &o3 }, pessoa: &o2 {nome: “João”, idade: 7, parentes: {mae: &o1, irma: &o3} }, pessoa: &o3 {nome: “Joana”, país: “Portugal”, mae: &o1 } }

14. Modelo de dados semi-estruturado Bib &o1 complex object paper paper book references &o12 &o24 &o29 references references author page author year author title http title title publisher author author author &o43 &25 &96 1997 last firstname atomic object firstname lastname first lastname &243 &206 “Serge” “Abiteboul” “Victor” 122 133 “Vianu” Object Exchange Model (OEM)

15. Sintaxe para expressões semi-estruturadas <ssd-expr> ::= <value> | oid<value> |oid <value> ::= atomicvalue | <complexvalue> <complexvalue> ::= {label: <ssd-expr>,..., label:<ssd-expr>} • Um oid o é definido numa ssd-expression s se s tem a forma ov para algum valor v ou s tem a forma {l1:e1, ..., ln:en} e o está definido numa das e1,..., en • Qualquer oid é definido no máximo uma vez em s • Se um oid o é usado em s, então tem que ter sido definido em s

16. Terminologia de grafos para descrever dados semi-estruturados • Grafo(N, E) consiste num conjunto N de nós e um conjunto E de arcos (edges) • Associado a cada e  E, existe um par ordenado de nós, o nó fonte s(e) e o nó destino t(e). • Um caminho (path) é uma sequência e1, e2, ..., ek de arcos tal que: • t(ei) = s(ei+1), 1<=i<=k-1, • K: tamanho do caminho • Um nó r é a raíz do grafo se existir um caminho de r para n, para qualquer n  N • Um ciclo num grafo é um caminho entre um nó e ele mesmo. Um grafo sem ciclos é aciclico.

17. Terminologia de grafos para descrever dados semi-estruturados (2) • Um grafo com raíz é uma árvore se existir um caminho único de r para n, para qualquer n  N • Um nó é terminal ou folha se não é a fonte de nenhum arco em E. • DAG: Directed Acyclic graph • Modelo de dados semi-estruturados: grafo com arcos etiquetados (edge-labeled graph) • Tb pode incluir etiquetas nos nós

18. XML e dados semi-estruturados <person> <name> Alan </name> <age> 42 </age> <email> ab@com </email> </person> Ssd-expression: {person: {name: “Alan”, age: 43, email: agb@abc.com}} Função de tradução T: T(valoratomico) = valoratomico T({l1:v1, ..., ln:vn} = <l1> T[v1] </l1> ... <ln> T[vn] </ln>

19. Referências XML • XML permite associar identificadores únicos a elementos, como sendo o valor de um determinado atributo. <state id = “s2”> <scode> NE </scode> <sname> Nevada </sname> </state> <city id = “c2”> <ccode> CCN </ccode> <cname> Carson City </cname> <state-of idref =“s2”/> </city>

20. <personid=“o123”> <name> Alan </name> <age> 42 </age> <email> ab@com </email> </person> { person: &o123 { name: “Alan”, age: 42, email: “ab@com” } } father person father person name email age name age email Alan 42 ab@com Alan 42 ab@com Semelhanças e diferenças <personfather=“o123”> … </person> { person: { father: &o123 …} } Semelhante em árvores, diferente em grafos

21. Ordem em XML • Em XML, existe a noção de ordem, em ssd não. Person:{fn:”John”, ln:”Smith”} igual a Person:{ln:”Smith”, fn:“John”} Mas <person><fn>John</fn> <ln>Smith</ln></person> Diferente de: <person><ln>Smith</ln> <fn>John</fn></person> • Atributos em XML não têm noção de ordem

22. Mistura de elementos e texto • XML pode misturar texto e elementos <talk> Making Java easier to type and easier to type <speaker> Phil Wadler </speaker> </talk> • Além disto, XML tem uma panóplia de outras construções como entidades, instruções de processamento, comentários, etc. Todas estas diferenças fazem com que a gestão de dados XML seja mais complexa

23. Tipificação em XML

24. Não é imposta Mas Melhora o armazenamento Facilita a navegação nos dados (data guide) Facilita a interrogação Facilita a descrição e explicação dos dados Ajuda à optimização Permite a interoperabilidade entre programas Permite proteger os dados Tipificação em XML

25. Root person company Company works-for managed-by Employee Company c.e.o. Employee name address name string Melhora o armazenamento Store rest in overflow graph

26. Bib paper book address year title title journal author string int string string last name first name zip street city string string string string string Ajuda na optimização de interrogações select X.title from Bib._ X where X.*.zip = “12345” select X.title from Bib.book X where X.address.zip = “12345”

27. Dados relacionais vs dados semi-estruturados Esquemas em dados relacionais • Definidos antes dos dados • Os dados têm que obedecer ao esquema • Cada instância de dados obedece exactamente a um esquema Esquemas em dados semi-estruturados • Definidos depois dos dados • Alguns dados podem não ter esquema associado • Uma instância de dados pode ter vários esquemas

28. Quando é que o esquema é criado nos dados semi-estruturados? • Criado pelo utilizador • Antes ou depois dos dados • Não tem que ser único • Extraído dos dados • Isto não existe em BDs relacionais • Extraído das interrogações • Como inferência de tipos em linguagens de programação

29. Grafos de esquema (schema graphs) • Dado um conjunto de dados semi-estruturados, podemos querer extrair o seu esquema • O grafo de esquema especifica que arcos são permitidos num grafo de dados • Todos os caminhos (paths) que ocorrem no grafo de dados ocorrem no grafo de esquema

30. &r1 person person company person manages company works-for employee &p1 &c1 &p2 &c2 &p3 c.e.o. c.e.o. works-for works-for position phone name name address name position name address name description &s0 &s1 &s2 &s3 &s4 &s5 &s6 &s7 &s8 &s9 url “Paris” “Sales” “Jones” “Gadget” “Dupont” “Widget” “5552121” “Smith” “Trenton” “Manager” &s10 description &a5 1998 &a1 “www.gp.fr” eval &a4 1997 salesrep procurement &a7 task &a3 &a2 &a6 “below target” contact “on target” Exemplo (OEM) Dados:

31. Grafo de esquema Root person company works-for managed-by Person Company c.e.o. | employee name | address | url name | phone | position description string Any *

32. Duas questões Conformance: os dados são conforme o esquema? Classificação: se sim, então que objectos pertencem a que classes?

33. R G1 G2 x1 x2 a a R y1 y2 Simulação de grafos Definição Dois grafosedge-labeled G1, G2 Uma simulação é uma relação R entre nós: se (x1, x2) pertencem a R, e (x1,a,y1) está em G1, Então existe (x2,a,y2) em G2 (mesma etiqueta) tal que (y1,y2) está em R

34. Simulação entre uma instância de dados SS (OEM) e um grafo de esquema • Permite-se que um arco x1[l]y1 nos dados seja simulado por algum arco x2[l’]y2 quando l’ é um wild card ou uma alternância contendo l • AS raízes têm que estar na simulação rRr’ onde r e r’ são as raízes dos dados e do grafo de esquema, respectvamente. Diz-se que a simulação é “rooted” • Sempre que xRy, se y é um tipo atómico então x também tem que ser um nó atómico e ter um valor desse tipo. Diz-se então que a simulação é tipificada.

35. Exemplo &r1 person person company Root person person manages company works-for company employee &p1 &c1 &p2 &c2 &p3 c.e.o. c.e.o. works-for managed-by works-for works-for position phone name name address position name name address name Person Company description c.e.o. | employee &s0 &s1 &s2 &s3 &s4 &s5 &s6 &s7 &s8 &s9 url “Paris” “Sales” “Jones” name | address | url “Gadget” “Dupont” “Widget” “5552121” “Smith” “Trenton” “Manager” name | phone | position description &s10 description string &a5 1998 “www.gp.fr” eval &a1 &a4 Any 1997 salesrep procurement * &a7 task &a3 &a2 &a6 “below target” contact “on target” Grafo de esquema Dados

36. Usando Simulação Grafo de dados D, esquema S • conformance: encontrar a simulação máxima R de D para S: • Notação: D  S • classificação: verificar se (x,c) estão em R • Notação: x  c

37. Extracção de esquema (data guides) • Data guide é um sumário preciso e conciso do grafo de dados • Preciso: todos os caminhos (paths) nos dados ocorrem no data guide e vice-versa • Conciso: todos os caminhos no data guide ocorrem exactamente uma vez • Data Guide é o grafo de esquema mais específico para um dado grafo de dados, ou seja, existe uma simulação do data guide para qualquer outro grafo de esquema que o grafo de dados satisfaça • Um grafo de dados é análogo a um NFA (nondeterministic finite state automaton) • Dado um NFA N, o data guide é análogo a um DFA (deterministic finite state automaton) equivalente ao NFA N

38. Exemplo: Grafo de Dados D = &r employee employee employee employee employee employee employee employee manages manages manages manages manages &p1 &p2 &p3 &p4 &p5 &p6 &p7 &p8 managedby managedby managedby managedby managedby worksfor worksfor worksfor worksfor worksfor company worksfor worksfor worksfor &c

39. Exemplo: Data Guide Result Sd = Root &r employee Employees &p1,&p1,&p3,P4 &p5,&p6,&p7,&p8 company managedby manages worksfor Bosses &p1,&p4,&p6 Regulars &p2,&p3,&p5,&p7,&p8 manages managedby worksfor Company &c worksfor

40. Referências • Serge Abiteboul, Slides of the course: “Données Semistructurées”, Master Recherche Informatique Paris Sud,http://www-rocq.inria.fr/~abitebou/Master-SSD/index.html • Dan Suciu, Slides on “The semistructured data model”, CSE 590ds: Management of XML and Semistructured Data, http://www.cs.washington.edu/education/courses/cse590ds/01sp/ • S. Abiteboul, P. Buneman, D. Suciu, “Data on the Web, From Relations to Semistructured Data and XML”, Morgan Kaufmann, 2000, (caps 2, 3 e 7)

41. Tópicos próximas aulas • DTD, XML Schema, XSDL • XSLT • XPath • XQuery