Automatická konstrukce schématu pro množinu XML dokumentů

Abstract

Jazyk XML je stále důležitější formát pro uchování a výměnu dat. Pro korektní výměnu dat, jejich efektivní ukládání a zpracování je nutné znát jejich strukturu. Stále však existuje a je vytvářeno mnoho dokumentů bez popisu jejich struktury. Tato práce se zabývá možností automatického generování schémat popisujících strukturu na základě dané množiny dokumentů. Prezentovaný algoritmus rozděluje elementy dokumentu do skupin podle podobnosti. Pro každou skupinu je vygenerován regulární výraz co nejlépe popisující strukturu vstupních elementů s využitím možností jazyka XML Schema.

XML is still more and more important format for storing and exchanging data. In the face of this tendency, there are still lots of documents, and new ones are created, without any decribtion of their structure. However, for correct exchanging and efficient storing and quering of data, there is a weighty need for some structure description. This thesis is focusing on a possibility to automatically generate such description from the set of given documents. The presented algorithm clusters document elements into groups according to the similarity of their structure. For each group is then infered a regular expression describes the structure of input elements using advantages of XML Schema language. Finally, all partial schemas are joined to the XML Schema document.