[发明专利]一种大型XML文档转换方法

说明书

技术领域

本发明涉及一种XML文档转换方法。

背景技术

XML（Extensible Markup Language，可扩展标记语言）是W3C（World Wide Web Consortium，万维网联盟）于1998年2月10日推出的用于数据传输和存储的标准，它是Internet上的不兼容系统之间进行数据交换的最常用的工具。

一个拥有正确语法的XML文档被称为“形式良好的”（well-formed）XML文档，它应该满足以下5个特性：

1）XML文档必须要有关闭标签。在XML中，开始标签和结束标签必须配套，例如：<age>…</age>。空元素标签必须被关闭，例如：<age/>。

2）XML标签对大小写敏感。在XML中，标签<Name>与标签<name>是不同的。

3）XML元素必须被正确的嵌套。在XML中，所有的标签都必须合理嵌套，例如：<patient><name>…</name></patient>。在此例中，正确嵌套的意思是：<name>元素是在<patient>元素内打开的，那么它必须在<patient>元素内关闭。

4）XML文档必须有根元素。XML文档必须有一个元素是所有其他元素的父元素。该元素称为根元素。

5）XML属性必须加引号。所有标签的属性值都必须使用双引号或单引号。

XML文档形成了一种树结构，它从“根部”开始，然后扩展到“枝叶”。图1所示为一个简单的XML文档的树结构。

在此树形结构中，树上的每个元素都可称为节点（node），顶层元素<hospital>称为“根节点”，节点之间的关系具体包括：父节点（parent）、子节点（child）、兄弟节点（sibling）、祖先节点（ancestor）和后代节点（descendant）。

其中，祖先节点是指包含上下文节点的祖先节点。上下文节点的祖先节点由上下文的父节点，以及父节点的父节点，依此类推组成。如果上下文节点不是根节点，那么它的祖先节点总是包含根节点。例如，元素<age>的祖先节点包含其父节点<patient>，父节点的父节点<patients>，以及根节点<hospital>；元素<id>的祖先节点包含其父节点<department>，父节点的父节点<departments>，以及根节点<hospital>。

为了实现异构信息的交换与共享，我们通常需要把一种格式的XML文档转换成另外一种格式的XML文档。目前，典型的XML文档格式转换的方法包括：

1)使用DOM（Document Object Model，文档对象类型）；

2)使用SAX（Simple API for XML，简单应用程序编程接口）；

3)使用XSLT（XSL Transformations，XSL转换）。

其中，XSLT作为现在最流行的实现XML文档格式转换的技术之一，

是在1999年11月16日被确立为W3C标准的，其功能十分强大。XSLT指XSL转换，它是XSL中最重要的部分，可将一种XML文档转换为另外一种XML文档。

XSLT转换的基本思想是将XML文档视为一种树结构，转换过程就是从源文档树生成结果文档树的过程，具体实现过程如图2所示。XSLT转换通常涉及三个文档：源文档、目标文档和含有模板规则的文档。其中，含有模板规则的XSL文档也被称作是XSLT转换样式表，它的每条模板规则都包含一个模板，并对应一种模式。

在转换过程中，XML源文档先是被解析成DOM树存放在内存中，然后将DOM树中的每一个节点与XSL文档中的一个模式相比较，当二者相匹配时，就会按照模板中定义的规则进行转换；否则，将继续向下匹配。如此循环，直至整个文档处理完毕。

近年来，随着计算机技术和信息化的快速普及，各种信息系统收集了大量数据。这些数据经过不同的计算机系统收集、加工、处理，形成多种异构数据源。当对这些异构数据源进行处理时，首先要解决的问题就是将存储格式不同的数据进行转换，形成统一的数据格式，然后才能对其进行处理。为此，基于XML的文档或数据转换算法就被提出。