XML şi Baze de date

1. Noţiuni generale

Limbajul XML, recomandare W3C, permite modelarea unui spectru larg de informaţii, de la text în limbaj natural până la date complet structurate. Astfel XML pune la dispoziţie posibilitatea de reprezentare a propriilor date utilizând un set de standarde care să le asigure interoperabilitatea, stabilitatea şi independenţa.

Dintre motivele pentru care limbajul XML este răspândit în dezvoltarea arhitecturilor actuale, adăugând valoare informaţiei şi facilitând evoluţia documentelor în timp, indiferent de scopul şi natura acestora, amintim:

Conectarea slabă (Loose Coupling) reprezintă procesul de comunicare între sisteme sau componente care folosesc formate predefinite ale mesajelor, fără să se cunoască modul de implementare al sistemelor originare. Procesul de conectare slabă este necesar în situaţiile în care se încearcă integrarea mai multor sisteme folosind formate de comunicare specifice şi dependente de entităţiile care le transmit. Adopţia limbajului XML permite utilizarea conectării slabe pe o scală ridicată. Deoarece formatul mesajelor XML este independent de programul care-l procesează, se pot adăuga într-o reţea mai multe sisteme eterogene, fără a fi necesară schimbarea mecanismului mesajului. Un alt avantaj al limbajului XML este posibilitatea de "extindere" a arhitecturii mesajului fără a interfera cu procedurile deja existente, având posibilitatea de a adăuga îmbunătăţiri în decursul timpului;
Limbajul XML este un limbaj auto-descriptiv care conţine atât informaţia propriu-zisă cât şi schema de validare a structurii. Astfel este posibilă procesarea şi la nivel de client a conţinutului unui document XML, fie că ţine de afişarea sau prelucrarea informaţiilor respective. Aceste caracteristici dau posibilitatea creării unor aplicaţii puternice, capabile să prelucreze informaţii "inteligente";
Suport nativ pentru internaţionalizare datorită faptului că utilizează Unicode şi facilitează independenţa de codificare şi limbă;
Căutarea şi regăsirea cunoştinţelor (knowledge retrieval) datorită asocierii de meta-date, având modalitate de structurare a resurselor;
Format uşor de întreţinut de către dezvoltatori din punct de vedere al gestiunii erorilor;
Număr ridicat de unelte suplimentare existente pentru procesarea XML;
Posibilitatea separării conţinutului, prezentării şi interacţiunii;
Schimbul de informaţii între aplicaţii, baze de date, sisteme eterogene, adresarea fiind realizată într-un mod uniform, independent de sistemul de stocare şi de convenţiile reţelei;
Posibilitatea de redare a informaţiei pe multiple dispozitive de ieşire având scopuri şi audienţă diferită;

XML s-a dovedit a fi util atât în aplicaţii Web cât şi în cele non-Web, putând fi folosit în structuri informaţionale, programare distribuită, sisteme de tip integrat şi în stocarea de meta-date cu un caracter local.

2. Modalitate reprezentare date

Probabil, cel mai important element în crearea unei baze de date este stabilirea modelelor de date stocate: modele de tip înregistrare sau modele de tip document. De exemplu, meta-limbajul XML este folosit pentru a face transportul de date între baza de date şi o (posibil non-XML) aplicaţie? Sau este folosit integral, ca în cazul documentelor XHTML şi DocBook? Acest lucru este important deoarece toate reprezentările datelor orientate-înregistrare conţin o serie de caracteristici proprii, la fel ca şi reprezentările datelor centrate-document.

Modelul de reprezentare orientat-document este utilizat pentru a crea documente semi-structurate cu conţinut mixt care sunt menite a fi "consumate" de către persoane.

Un exemplu de utilizare a acestui tip de reprezentare a datelor este următorul:

<html xmlns ="http://www.w3.org/1999/xhtml">
	<head>
		<title>Sample Web Page</title>
	</head>
	<body>
		<h1>My Sample Web Page</h1>
		<p> All XHTML documents must be well-formed and valid. </p>
		<img src="http://www.example.com/sample.jpg" height ="50" width = "25"/>
	</body>
</html>

Un alt exemplu important de utilizare a meta-limbajului XML este cel orientat-înregistrare.

Într-un model de reprezentare centrat pe înregistrări, meta-limbajul XML este folosit ca un format de stocare sau de interschimbare pentru date structurate, care apar într-o ordine regulată, acestea fiind procesate de către maşină şi nu de către om. În acest model, faptul că datele sunt stocate sau transferate în format XML, este pur întâmplător, din moment ce acestea ar putea fi stocate sau transferate în alte formate care ar putea fi sau nu mai potrivite pentru sarcina de îndeplinit, în functie de date şi de modul în care acestea sunt utilizate. Un exemplu de utilizare a formatului XML este SOAP. Acesta este un protocol bazat pe XML, folosit pentru schimbul de informaţii într-un mediu descentralizat şi distribuit. Un mesaj SOAP este constituit din trei părţi: un plic care defineşte un cadru de lucru pentru a descrie ce conţine mesajul şi cum trebuie procesat acesta, un set de reguli de codificare pentru reprezentarea instanţelor tipurilor de date definite-aplicaţie şi o convenţie pentru reprezentarea procedurilor de cerere şi de răspuns.

Un exemplu de mesaj SOAP este următorul:

<SOAP-ENV:Envelope  xmlns:SOAP-ENV="http://schemas.xmlsoap.org/soap/envelope/"
SOAP-ENV:encodingStyle="http://schemas.xmlsoap.org/soap/encoding/">
	<SOAP-ENV:Body>
		<m:GetLastTradePrice xmlns:m="Some-URI">
			<symbol>DIS</symbol>
		</m:GetLastTradePrice>
	</SOAP-ENV:Body>
</SOAP-ENV:Envelope>

În ambele modele care folosesc meta-limbajul XML, este uneori necesară stocarea datelor XML într-un depozit sau într-o bază de date care permite stocarea şi trimiterea la nivel înalt a datelor, mai ales dacă acestea vor fi accesate de mai mulţi utilizatori.

3. Date centrate-înregistrare

Documentele centrate-înregistrare folosesc meta-limbajul XML pentru transportul de date. Sunt proiectate pentru a fi inţelese la nivel de maşină. Nu este important pentru aplicaţie sau pentru baza de date dacă aceste date sunt sau nu stocate, pe o perioadă de timp, într-un document XML. Exemple de documente orientate-înregistrare sunt: comenzile de vânzări, orarele de zbor, datele ştiinţifice şi cotaţiile la bursă.

Aceste documente centrate-înregistrare se caracterizează printr-o structură regulată, date bine definite (cea mai mică unitate independentă de date este la nivel de atribut sau de token-uri - PCDATA) şi au posibilitatea de a avea conţinut mixt. Ordinea în care apar datele nu contează decât atunci când se face validarea documentului.

Tipurile de date care se găsesc în documentele ce folosesc reprezentarea centrată pe înregistrare pot avea origini atât în baza de date (caz în care se vrea expunerea acesteia în limbajul XML) cât şi în afara bazei de date (caz în care se vrea stocarea datelor într-o baza de date). Un exemplu pentru cele menţionate anterior este multitudinea de date moştenite stocate în baze de date relaţionale.

Multe documente care sunt bogate în text sunt centrate-înregistrare. De exemplu, a se considera o pagina de pe Amazon.com care afişează informaţii despre o carte. Chiar dacă pagina conţine foarte mult text, structura acelui text este în mod evident regulată, o mare parte din el este comună pentru toate paginile care descriu cărţi şi fiecare din acele texte specifice tuturor paginilor sunt de dimensiuni limitate. Astfel, pagina ar putea fi construită dintr-un document simplu şi orientat-înregistrare care conţine informaţie despre o singură carte şi este obţinut din baza de date, şi dintr-o singură foaie de stil XSL care adaugă textele comune.

În general, orice sit Web care construieşte dinamic documente HTML, completând un sablon cu ajutorul înregistrărilor dintr-o baza de date, poate fi probabil înlocuit cu o serie de documente centrate-înregistrare şi una sau mai multe foi de stil.

De exemplu, se consideră următorul document care descrie informaţii despre zborul unui avion:

<FlightInfo>
<Airline>ABC Airways</Airline> provides <Count>three </Count>non-stop flights daily from 
<Origin>Dallas</Origin> to<Destination>Fort Worth</Destination>. Departure times are 
<Departure>09:15</Departure>, <Departure>11:15</Departure>, and 
<Departure>13:15</Departure>. Arrival times are minutes later.
</FlightInfo>

Acesta poate fi construit din următorul document şi o simplă foaie de stil: 

<Flights>
	<Airline>ABC Airways</Airline>
	<Origin>Dallas</Origin>
	<Destination>Fort Worth</Destination>
	<Flight>
		<Departure>09:15</Departure>
		<Arrival>09:16</Arrival>
	</Flight>
	<Flight>
		<Departure>11:15</Departure>
		<Arrival>11:16</Arrival>
	</Flight>
	<Flight>
		<Departure>13:15</Departure>
		<Arrival>13:16</Arrival>
	</Flight>
</Flights>

La momentul actual, documentele centrate-înregistrare stau la baza serviciilor Web, iar sistemele de baze de date relaţionale se potrivesc ca platformă pentru procesarea documentelor XML centrate-înregistrare.

4. Date centrate-document

Datele centrate-document sunt utilizate pentru a crea documente semi-structurate menite a fi citite de către utilizatori. Exemple ar fi: cărţi, email-uri, advertismente şi orice document HTML. Aceste documente sunt caracterizate printr-o structură minimal regulată sau neregulată, date mai mari şi dispersate (cea mai mică unitate de date poate fi la nivelul unui element cu conţinut mixt sau la nivelul documentului în întregime) şi mult conţinut mixt. Ordinea în care elementele similare sau token-urile PCDATA apar este aproape mereu semnificativă.

Documentele centrate-document sunt de obicei scrise de mână în format XML sau alt format, cum ar fi: RTF, PDF, SAU SGML şi convertite apoi în XML. Spre deosebire de documentele centrate-înregistrare, de obicei, cele centrate-document nu işi au originea în baza de date.

Următorul exemplu este centrat-document:

<Product>
	<Intro>
		The <ProductName>Turkey Wrench</ProductName> from <Developer>Full
		Fabrication Labs, Inc.</Developer> is <Summary>like a monkey wrench,
		but not as big.</Summary>
	</Intro>
	<Description>
		<Para>The turkey wrench, which comes în <i>both right- and left-
		handed versions (skyhook optional)</i>, is made of the <b>finest
		stainless steel</b>. The Readi-grip rubberized handle quickly adapts
		to your hands, even în the greasiest situations. Adjustment is
		possible through a variety of custom dials.</Para>
		<Para>You can:</Para>
			<List>
			<Item><Link URL="Order.html">Order your own turkey wrench</Link></Item>
			<Item><Link URL="Wrenches.htm">Read more about wrenches</Link></Item>
			<Item><Link URL="Catalog.zip">Download the catalog</Link></Item>
			</List>
		<Para>The turkey wrench costs <b>just $19.99</b> and, if you
		order now, comes with a <b>hand-crafted shrimp hammer</b> as a
		bonus gift.</Para>
	</Description>
</Product>

5. Comparaţie între date orientate-înregistrare şi date orientate-document

O multitudine de date orientate-înregistrate pot fi citite la fel de uşor ca o linie dintr-un raport de inventar, însă o multitudine de date orientate-obiect oferă mai multe de citit: paragrafe, antete, liste şi formatare (eventual şi link-uri hipertext), pentru distingerea unor cuvinte specifice sau a unor fraze.

Un exemplu de date orientate-document:

<Memo>
	Please make sure you are at the <Location>ninth floor</Location>by 
	<MeetingTime>10:30 AM</MeetingTime>
	to<Purpose>discuss the budget</Purpose>
</Memo>

Un exemplu de date orientate-înregistrare:

      <Memo>
	<MeetingTime>10:30AM</MeetingTime>
	<Purpose>Discuss Budget</Purpose>
	<Location>ninth floor</Location>
      </Memo>

Datele XML orientate-document sunt folosite pentru a marca texte narative menite a fi citite de către om. Datele orientate-înregistrare sunt folosite pentru a interschimba înregistrari între baze de date, menite a fi procesate de catre masina.

Instanţele documentelor orientate-document sunt uşor de citit, fără marcaje, iar instanţele documentelor orientate-înregistrare sunt lipsite de sens fără marcaje.

Datele XML orientate-document au de obicei conţinut mixt, iar cele orientate-înregistrare nu.

În documentele orientate-înregistrare, ordinea sub-elementelor contează în general doar în anumite situaţii, însă pentru documentele orientate-document contează aproape mereu această ordine.

Documentele orientate-document pot opera de obicei cu marcaje necunoscute, eliminând marcajele şi păstrând conţinutul. Aplicaţiile orientate-înregistrare operează în general cu marcaje necunoscute ignorand aceste marcaje şi conţinutul de asemenea.

Documentele ce conţin date orientate-document sunt uşor de redat pe anumite tipuri de dispozitive de ieşire. Este foarte uşor a formata primul exemplu in HTML. Aceasta deoarece exemplul chiar seamăna cu formatul HTML.

Pe de altă parte, documentele orientate-înregistrare sunt tipic mai uşor de procesat cu ajutorul programelor deoarece datele sunt mai bine organizate.

Sunt documentele orientate-înregistrare mai eficiente decât cele orientate-document? Uneori nu există un răspuns evident. Dar, din moment ce XML a fost creat pentru a reprezenta date, nu text liber de format, cum ar fi memo-urile, documentele XML ar trebui sa fie centrate-înregistrare.

6. Comparaţie cu baze de date relaţionale

XML este un limbaj de marcare capabil să stocheze conţinut informaţional din diverse surse, incluzând documente structurate sau semi-structurate, baze de date relaţionale şi containere de obiecte.

Ca metodă de reprezentare a acestor informaţii se foloseşte o reprezentare ierarhică care fiind auto-descriptivă, oferă posibilitatea de redare a datelor fără pierderea semanticii, fiind uşor de interpretat de aplicaţii. Astfel o aplicaţie care primeşte un document XML poate să-l interpreteze în multiple feluri, poate să-l filtreze în funcţie de conţinut sau poate să-l restructureze în funcţie de nevoile respectivei aplicaţii. Această caracteristică de auto-descriere împreună cu modul de structurare, face ca limbajul XML să fie ideal pentru reprezentarea şi schimbul de informaţii. Având această modalitate de stocare în format ierarhic ne putem folosi de proprietăţile nodurilor care joacă rol de părinţi şi copii şi care pot să moştenească atribute sau să deţină unele proprii. Dacă documentele sunt stocate şi reprezentate în format XML, atunci este posibil să interogăm conţinutul acestor documente cu rolul de a-l extrage, sintetiza şi analiza. Totuşi eficienţa de extragere a acestor date depinde de felul în care aceste date sunt stocate şi de aplicaţia care realizează această operaţiune.

Cel mai evident mod de a integra XML în baze de date convenţionale este acela de a implementa structurile XML cu ajutorul modelelor de date folosite la ora actuală, cum ar fi modelul relaţional. Maparea documentelor XML în baze de date relaţionale nu se realizează uşor datorită diferenţelor între cele două modele de reprezentare. Modelul relaţional este un model structurat pe trei nivele, unde bazele de date sunt reprezentate ca o colecţie de tabele ce conţin înregistrări formate dintr-un număr fixat de câmpuri. Valorile câmpurilor trebuie să fie atomice şi nu pot fi liste de valori. Spre deosebire de acest model, documentele XML sunt arbori adnotaţi de o adâncime arbitrară. Din punct de vedere structural este mai uşor de mapat baze de date relaţionale în format XML. XML este format din elemente cu atribute. Un element părinte poate avea unul sau mai mulţi copii ca într-o bază de date tipic ierarhică. Modul de ordonare al elementelor devine astfel important într-o schema XML. Asta face din reprezentarea în XML a bazelor de date mai dificilă.

O bază de date oferă posibilitatea indexării informaţiei şi facilitează astfel accesul atât prin structură cât şi prin conţinut. Totuşi această metodă nu este eficientă de a fi mapată în structurile ierarhice ale documentelor XML, mai ales pentru volume mari de date.

Dacă se doreşte integrarea formatului XML în baze de date convenţionale se pot implementa structuri XML asemănătoare modelului relaţional cum ar fi structurile de date SQL. Conversia datelor SQL existente în obiecte XML este îngreunată de absenţa tipurilor de date în XML, prezente doar în XMLSchema.

XML	RDMS
Date într-o singură structură ierarhică	Date în tabele multiple
Nodurile au valori ale elementelor şi/sau atributelor	Celulele au o singură valoare
Elementele pot fi imbricate	Valori atomice ale celulelor
Elementele sunt ordonate	Ordinea nu este definită pentru rând/coloană
Elementele pot fi recursive	Suport scăzut pentru elemente recursive
Schema optională	Schema obligatorie
Preluare/Stocare directă de documente XML	Operaţiuni de JOIN necesare pentru preluare de date
Interogări cu standarde XML (XQuery, XPath)	Interogări cu SQL

7. Bibliografie

Wikipedia
World Wide Web Consortium
Sabin Buraga, Tehnologii Web, Polirom, 2006;
Ronald Bourret,"XML and Databases";
Dare Obasanjo,"An exploration of XML in database management systems"
Vinay Bansal, Asna Alam, "Study and Comparison of Techniques to Efficiently Store and Retrieve XML Data";