Date Semistructurate

C01. DS

Date semistructurate

XML

Istoric XML. Marcarea documentelor

De ce XML?

Avantaje / Dezavantaje XML

Sintaxa XML

Tipuri de date:

structurate (relational)

semistructurate

nestructurate (text).

=> date partial structurate

Motive pentru care datele ar fi semistructurate:

structura datelor poate fi implicita, ascunsa, necunoscuta, sau utilizatorul decide sa o ignore

nu se cunoaste structura sau se poate modifica in viitor

integrarea datelor din surse eterogene – intr-un asemenea caz, un model de date structurat este prea rigid, cel putin intr-o prima faza; exemplu: o bibliografie

date „sparse” – pe modelul relational am avea multe date NULL

datele sunt modelate pe structura ierarhica, structura recursiva

ordinea e importanta

nu se poate interoga o baza de date structurata fara a cunoaste schema (de fapt se poate, insa e putin mai greu ), insa uneori apare nevoia de a interoga datele fara a cunoaste schema

=> Date semistructurate – depozite de date XML, BD OO sau BD obiect-relationale

Caracteristici:

nu au o schema fixa (precum cea relationala)

structura este implicita sau non-regulata

imbricate sau eterogene

Exemple: pagini Web, integrare informatii din surse eterogene (ex: o bibliografie), XML.

Marcarea unui document electronic – marcarea o constituie codurile care se gasesc prin textul documentului (meta data), care ofera informatie necesara procesarii electronice, precum nume, stil, sau structura documentului, s.a.

Origine marcare: industria publicistica (“instructiuni” pentru tipograf).

Marcare procedurala:

in procesarea textelor, utilizatorul alege din meniul aplicatiei diferite operatii de formatare, poate sa includa un anumit text la o pozitie pe pagina, s.a.

=> aceste informatii sunt marcaje si sunt retinute prin coduri speciale in text

=> instructiunile de formatare spun aplicatiei cum sa faca afisarea / tiparirea textului

o asemenea operatie este in general numita marcare procedurala deoarece marcarea este o procedura pentru „output device” (ex: RTF).

nu inregistreaza structura documentului (da doar indicatii de afisare, desi am plecat de la structura documentului)

este inflexibil (o schimbare a regulilor de formatare – de exemplu – subject-ul sa fie bold-underlined – trebuie materializata manual); marcarea depinde de soft-ul folosit (nu este portabil); (ex: formatarea unei bibliografii – titlu, autori, editura, etc.)

este o operatie costisitoare ca timp