XML检索技术研究.pdf

XML 文档检索技术研究



姓名: 向永清
学号: 10748345
年级: 智能 07 硕士
指导老师: 张岩
日期: 2008 年 1 月





智能科学系
北京大学信息科学技术学院
摘要
随着互联网上信息量的急剧膨胀,互联网上的信息量每天在以数百万 GB 的速度增加。
人们已经不能仅仅依靠人力来有效的处理这些信息了,这就必须依靠计算机来有效组织和利
用这些信息,利用信息首先必须高效准确的获取信息,然后才能对其加以利用。目前存在的
信息获取工具中,人们使用最多的就是 HTML 网页搜索引擎了,例如百度和 google,是目
前人们比较喜欢的两款网页搜索引擎产品。但是,这些 HTML 文档搜索引擎有明显的几个
缺点就是:首先,HTML 检索的准确度不高,我们在用搜索引擎时,要精确找到想要的信
息不是件太容易的事情。其次,HTML 检索只是平面的文档检索,检索主要针对文章的内
容,而忽略了文章的结构信息,而文章的结构信息在对信息的处理和利用过程中是非常有效
的,这又主要是由于 HTML 语言本身的缺陷造成的,HTML 标签只有显示信息的能力,即
把信息以什么形式展示给用户,而没有描述信息的能力,这极大的局限了 HTML 文档的应
用。
为了改变 HTML 只能展示信息而不能描述信息这一现状,W3C 机构提出了一种全新的
信息描述语言标准——XML 标记语言,XML 和 HTML 有许多相似之处,比如,XML 和
HTML 都是由标签组成的,他们都由 SGML 发展而来的,但是 HTML 结构不严谨,能够表
示的信息非常有限,XML 正是为了克服 HTML 这些不足而出现的。XML 语言有非常严谨
的结构,能够表示丰富的语义信息,非常容易扩展,而且相对 SGML 来说,又非常简洁,
描述数据和表示数据的能力都非常强大。既然 XML 语言有这么多优点,那我们怎么来利用
它呢?首先我们必须掌握获取 XML 文档的技术,目前的 HTML 检索虽然也可以用作 XML
文档检索,但是这种检索没有体现 XML 的结构和语义描述能力的优势。为此,本文提出了
一些针对 XML 文档检索的模型和方法,并与 HTML 文档检索作了相关比较,对 XML 检索
的未来做出了一些展望。总而言之,XML 是互联网发展的一种趋势,必将得到大规模的应
用,XML 检索也将成为互联网信息获取的重要手段之一。
关键词 XML HTML SGML 信息检索
1. XML 文档检索概述
XML 文档简述
XML 是英文 eXtensible Markup Language 的英文缩写,中文全称叫做可扩展标记语言。
XML 第一个版本于 1998 年发布,是 SGML(Standard Generalized MarkupLanguage,标准
通用置标语言)的一个简化子集。由于它将 SGML 的丰富功能与 HTML 的易用性结合到了
Web 的应用中,以一种开放的自我描述方式定义了数据结构,在描述数据内容的同时能突出
对结构的描述,从而体现出数据之间的关系。这样所组织的数据对于应用程序和用户都是友
好的、可操作的。自 1998 年 W3C 发布 标准以来,迅速得到软件开发商的支持和
程序开发人员的喜爱,显示出其强大的生命力。虽然 XML 数据比普通的二进制数据要占用
更多的空间,但是它的数据处理中非常方便,目前已经广泛应用于基础数据的描述,异构系
统间数据的交换和系统集成,电子商务等重大信息科学领域。
以下是一个简单的 XML 文档程序示例,通过这个示例我们可以了解 XML 和 HTML 的
一些区别。
<?xml version="" encoding="UTF-8"?>
<书籍信息>
<教材>
<书名>JSP 程序设计</书名>
<作者>向永清</作者>
<出版社>清华大学出版社</出版设>
<价格单位="元"></商品价格>
</教材>
<参考书>
<书名>JSP 程序设计习题册</书名>
<作者>向永清</作者>
<出版社>清华大学出版社</出版设>
<价格单位="元"></商品价格>
</参考书>
</书籍信息>

通过上面的示例,我们了解到,在结构上 XML 和 HTML 很相似,但是 XML 的机构比
HTML 更规范,更容易处理,也能够表达更多信息,其主要的区别如下:
(1) XML 中的标签必须成对出现,即每个标签必须有个结束标签,而 HTML 没有这种