[发明专利]用于处理用于在XML数据库中存储的非XML文档的方法和系统

说明书

技术领域

本发明涉及一种用于处理用于在XML数据库中存储的非XML文档的方法和数据库系统。

背景技术

XML数据库是现代信息社会中最重要的技术工具之一。这种数据库的高度灵活性允许以非常高效的方式来存储和检索数据。通常，XML数据库设计用于XML文档。然而，在现有技术中也已知扩展XML数据库使得其能够存储其它类型的文档。例如，申请人的XML数据库Tamino适于存储非XML文档，例如文本文件、MS Office文件、PDF文件、图像和音频文件等。为了使得能从数据库检索这种非XML文档，已知分析要存储的非XML文档并且提取一些元数据，用于生成对应于该非XML文档的所谓XML影子(shadow)文档。使用XQuery，可随后搜索影子XML文档并且可检索对应的非XML文档。

通常由数据库系统的一个软件来执行对元数据的分析和提取，其中该软件专用于某种类型的非XML文档。作为候选，可为处理非XML文档提供更通用的分析和提取软件，该软件包括若干组件，每个组件特定地设计为处理预定义类型的非XML文档。类似的方法和系统从US6,549,922和已公开的US专利申请US 2005050086是已知的。

然而，现有技术用于处理用于在XML数据库中存储的非XML文档的所有方法和系统使用预定义格式或模式以用于所生成的XML文档。换言之，所有类型的非XML文档将总是导致某种类型的影子XML文档。例如上述的申请人的Tamino数据库使用固定XML模式，其依照“Dubin CoreMetadata Initiative”(http://dublincore.org/)并且遵循OpenOffice格式(http://openoffice.org)。结果，影子XML文档的内容有时不是非常有用，如果固定XML模式不允许用有意义的信息在影子XML文档上存储元数据的话。因此现有技术中已知的基于影子XML文档搜索非XML文档是低效和缓慢的。

上面略述的用于处理非XML文档的方法还导致一些问题，如果要处理新类型的非XML文档以供存储和/或如果要使用不同供应商的软件组件来处理不同类型的非XML文档的话。这尤其适用于如果新类型的文档不是标准的办公文档，而例如是图像，其中要提取的元数据(例如颜色分布、分辨率、大小或图像处理软件的任何结果)与用于标准办公文档的的元数据非常不同。

因此，本发明在一个方面基于技术问题提供了更灵活的方法用于生成影子XML文档，该方法克服了现有技术中上述缺点中的至少一些。

发明内容

在本发明的一个方面中，通过用于处理用于在XML数据库中存储的非XML文档的方法来解决该问题，该方法包括以下步骤：

-根据预定XML模式生成用于非XML文档的影子XML文档，影子XML文档包括从非XML文档提取的元数据，

-在XML数据库中存储影子XML文档和非XML文档；

其中XML模式包括适于包装至少部分未定义XML结构的XML内容的包装元素。

因此，本发明的方法在XML数据库中存储两个单独文档，非XML文档本身和对应的影子文档。如在XML模式中定义的影子XML文档的结构，是灵活的并且可以变化。这是因为没有完整地定义由本发明的XML模式的包装元素所包装的XML内容的结构。相反，任何良构的XML内容可布置在包装元素之内。结果，所述方法为生成XML影子文档的组件提供了更多的灵活性，因为它们不再必须严格地遵守不灵活的、固定的XML模式。

尽管包装元素可包装任何种类的良构XML内容，而不管其结构和内容，适于使用具有通配符的XQuery来搜索包装元素的XML内容。

根据本发明的另一方面，方法还包括在影子XML文档上创建索引的步骤，其中在一个示例中在XML模式中定义了用于索引的信息。因此，将包装元素的XML内容的结构的灵活性与一些定义结合，这些定义适于为影子XML文档和它们的非XML对应物的随后搜索和检索提供索引。在一个实施例中，影子XML文档包括标识对应非XML文档的唯一标识符。

根据另一方面，本发明涉及一种XML数据库系统，其具有适于分析非XML文档的分析器，以及适于从非XML文档提取元数据并且根据预定义XML模式生成用于非XML文档的影子XML文档的至少一个提取器，其中影子XML文档包括元数据。XML数据库系统还包括适于包装影子XML文档中所提取元数据的包装器，其中所包装元数据的结构是在XML模式中至少部分未定义的。