网络技术(光纤、网络协议等)的发展.ppt课件.ppt

1、1Instructor:E-mail: 谢谢观赏2019-9-132Outline Why Metadata Whats Metadata Whats XML Question谢谢观赏2019-9-133URI, HTML, HTTPStaticWWW500 million usermore than 3 billion pages2.1 Current Web谢谢观赏2019-9-134快速发展的因素快速发展的因素电脑技术的快速发展电脑的普及电脑知识的普及网络技术（光纤、网络协议等）的发展 带宽的提高 校园网、电信的ISDL用户对资源的需求 知识的需求 娱乐信息谢谢观赏2019-9-135引

2、发一系列问题（引发一系列问题（1 1） 信息发布 网络IP地址的分配问题产生虚拟IP网络、IPV6等方法来解决 信息获取 如何从这些海量信息中查到自己感兴趣的资源如何获取这些信息产生搜索引擎、信息挖掘技术 信息存储 如何存储海量信息 产生磁盘阵列、TB级存储器 谢谢观赏2019-9-136引发一系列问题（引发一系列问题（2 2） 信息传递 采用何种工具传递网络信息 产生FTP、BT等软件 信息使用 如何合法、正确使用网络信息 产生网络信息监管的职能部门和法规产生针对用户（如儿童）权限等的信息过滤技术 谢谢观赏2019-9-137Web信息结构信息结构 大部分采用HTML（HyperText M

3、arkup Language） 也采用XML（eXtensible Markup Language） HTML标记语言是在普通文本的基础上加上特殊标记(Tag)目的是运用标记使文件达到预期的显示效果方法是用“”扩住标记，起始标记用表示，终止标记用表示 谢谢观赏2019-9-138HTML网页片断（网页片断（1） 一个容器标记，用以指明这是表格，其它表格标记只能在这个标记范围内使用 表示表格的行。表示表格行中的单元。 谢谢观赏2019-9-139HTML网页片断（网页片断（2） 用来划分框格，每个框格由一个标记来表示 这里把页面分成上下两部分，上面显示a.html，下面显示b.html 谢谢观赏

4、2019-9-13102.2 搜索引擎搜索引擎 从1995年开始逐渐发展 产生原因 用户要在如此浩瀚的信息海洋里寻找信息，必然会“大海捞针”无功而返。搜索引擎正是为了解决这个迷航问题而出现的技术 目的 以一定的策略在互联网中搜集、发现信息 对信息进行理解、提取、组织和处理 为用户提供检索服务 谢谢观赏2019-9-1311现有的搜索引擎现有的搜索引擎 中文搜索引擎中文搜索引擎英文搜索引擎英文搜索引擎 百度中文搜索引擎Google搜索引擎北大天网中英文搜索引擎聪搜索引擎雅虎中国分类搜索引擎搜狐分类搜索引擎新浪搜索引擎 网易分类目录引擎 英文Google搜索引擎Inktomi/MSN搜索引擎 Fa

5、st/AllTheWeb搜索引擎AltaVista搜索引擎ASK/Temoa 搜索引擎英文Yahoo! 分类目录Dmoz 人工分类目录LookSmart 分类目录 谢谢观赏2019-9-1312Google 简简介介斯坦福大学的博士生 Larry Page 和 Sergey Brin在 1998 年创立 搜索时间通常不到半秒 每天需要提供 1.5 亿次查询服务 Google 的技术 代理搜索技术 高级 PageRank（网页级别）技术 Google 释义 由英文单词“googol”变化而来 表示 1 后边带有 100 个零的数字 代表Google想征服网上无穷无尽资料的雄心 PageRank利

6、用巨大的网络链接结构 网页 A 链接到网页 B 时， 就认为“网页 A 投了网页 B 一票避免任何人为感情因素 谢谢观赏2019-9-1313百度搜索引擎简百度搜索引擎简介介 李彦宏先生及徐勇先生 1999年底，百度成立于美国硅谷 2000年百度公司回国发展 百度的起名 辛弃疾的青玉案中 “众里寻她千百度” 象征着百度对中文信息检索技术执著的追求 竞价排名由用户为自己的网页出资购买关键字排名 按点击计费的一种服务 搜索结果的顺序将根据竞价的多少由高到低排列 谢谢观赏2019-9-1314雅虎搜索引擎简雅虎搜索引擎简介介 大卫费罗(David Filo) 和杨致远(Jerry Yang) 美国斯

7、坦福大学电机工程系的博士生 1994年4月建立了网络指南信息库 分类目录 站点目录分为14个大类，每一个大类下面又分若干子类 连接速度快，包含范围广 雅虎中国网站提供简单易用、手工分类的简体中文网站目录 谢谢观赏2019-9-1315性能指标性能指标 召回率（Recall）检索出的相关文档数和文档库中所有的相关文档数的比率衡量的是搜索引擎的查全率 精度（Pricision） 检索出的相关文档数与检索出的文档总数的比率 衡量的是搜索引擎的查准率 影响性能的因素 文档和查询的表示方法评价文档用户查询相关性的匹配策略查询结果的排序方法用户进行相关度反馈的机制 谢谢观赏2019-9-1316搜索引擎的

8、类别搜索引擎的类别 分类依据 信息搜集方法 服务提供方式 类别 目录式搜索引擎 机器人搜索引擎 元搜索引擎 谢谢观赏2019-9-1317目录式搜索引擎目录式搜索引擎 搜集信息 人工方式或半自动方式 信息处理 由编辑员查看信息之后，人工形成信息摘要并将信息置于事先确定的分类框架中 服务方式提供目录浏览服务 提供直接检索服务 优点 讨论缺点 讨论代表 YAHOO 、LookSmart、Dmoz等 谢谢观赏2019-9-1318机器人搜索引擎机器人搜索引擎 搜集信息 蜘蛛（Spider）的机器人程序 以某种策略自动地在互联网中搜集信息 信息处理建立索引库 服务方式 面向网页的全文检索服务 优点 讨

9、论缺点 讨论代表 Google 、天网等谢谢观赏2019-9-1319元搜索引擎元搜索引擎 技术方法将用户的查询请求同时向多个搜索引擎递交 将返回的结果进行重复排除、重新排序等处理 作为自己的结果返回给用户 服务方式面向网页的全文检索 本质特点没有自己的数据 优点 讨论缺点 讨论代表 WebCrawler、InfoMarket等 谢谢观赏2019-9-1320搜索引擎系统结构搜索引擎系统结构 搜索器 索引器 检索器 用户接口谢谢观赏2019-9-1321搜索器搜索器 功能在互联网中漫游，发现和搜集信息 尽可能多、尽可能快地搜集各种类型的新信息 定期更新已经搜集过的旧信息 搜集策略从一个起始UR

10、L集合开始，以宽度优先、深度优先或启发式方式循环地在互联网中发现信息 将Web空间按照域名、IP地址或国家域名划分，每个搜索器负责一个子空间的穷尽搜索 信息类型 HTML、XML、FTP文件、字处理文档、多媒体信息 其它支撑技术分布式、并行计算技术 谢谢观赏2019-9-1322索引器索引器 功能理解搜索器所搜索的信息从中抽取出索引项，用于表示文档以及生成文档库的索引表 索引项 客观索引项内容索引项 支撑技术统计法、信息论法和概率法（计算索引项的权值 ） 倒排表（Inversion List），由索引项反过来查找相应的文档 可以使用集中式索引算法或分布式索引算法 谢谢观赏2019-9-1323

11、检索器检索器 方法根据用户的查询在索引库中快速检出文档进行文档与查询的相关度评价对将要输出的结果进行排序并实现某种用户相关性反馈机制 如何实现多点的海量检索（讨论） 集中式海量检索 分布式海量检索谢谢观赏2019-9-1324用户接口用户接口 作用输入用户查询显示查询结果提供用户相关性反馈机制 目的方便用户使用搜索引擎高效率、多方式地从搜索引擎中得到有效、及时的信息简单接口只提供用户输入查询串的文本框 复杂接口 让用户对查询进行限制，如逻辑运算 、时间、长度等例子 Google提供多种用户使用界面 谢谢观赏2019-9-1325搜索引擎的研究动向搜索引擎的研究动向 提高信息查询结果的精度，提高

12、检索的有效性 基于智能代理的信息过滤和个性化服务 采用分布式体系结构提高系统规模和性能 交叉语言检索的研究和开发 国际会议 美国Infornotics公司主办的搜索引擎国际会议从1996年开始，每年举行一次IEEE主办的国际万维网会议、人机交互会议 谢谢观赏2019-9-1326当前搜索引擎的不足之处当前搜索引擎的不足之处 （1）1) 语义分析不足，缺少较好的中文分词技术支持 用google搜索引擎，关键词“和服”，在第3页有如下结果：外交部公布新版中国境外领事保护和服务指南 .外交部公布新版中国境外领事保护和服务指南（附全文）, 中国外交部通过其官方网站公布了中国境外领事保护和服务指南（20

13、03年版），以帮助中国公民了解中国驻外使、领馆的领事保护和服务范围。 . 谢谢观赏2019-9-1327当前搜索引擎的不足之处当前搜索引擎的不足之处 （2）2）智能化不足 都需要用户提供检索的关键词、关键词组，但还不能直接检索语句 要直接检索语句，需要更强的自然语言处理技术支持谢谢观赏2019-9-13282.3 Web信息提取信息提取 从提取规则角度，网页信息提取方法可分为两大类 基于标识规则的方法 应用网页文档的标识来提取网页信息 基于内容规则的方法 应用自然语言处理技术 从关键词匹配到有层次的句法分析 谢谢观赏2019-9-1329基于标识规则的方法基于标识规则的方法 Harvest信息

14、提取系统 利用手工编写的wrappers分析一批固定的Web资源 只能处理Web文档而忽略了Internet上提供的服务 依赖于提前定义的文档类型,对新文档结构则无能为力 斯坦福大学提出的对象交换模型(OEM)方法 一个简单的、自描述、嵌套的对象模型 一个带标记的有向图 这个模型依赖于具体问题的分析 DSE(Data-rich section extraction)算法 用树型结构表示HTML网页的布局 实质是针对具体问题建立文档对象模型，提取网页信息 谢谢观赏2019-9-1330基于内容规则的方法基于内容规则的方法 Artequakt系统 建立在自然语言处理技术和实体论基础上通过句法和语义

15、分析来确定实体及关系根据用户要求，产生描述格式，从而描述出艺术家传记DL(description logics)方法 建立在实体论基础上用DL方法从词汇关系、概念关系和上下文关系，抽取概念及其依赖关系树 Diffusion webIE系统 依照实例模型（又称IE规则）构出的框架依据关键词位置和值的特征的定位规则依据词类型和取值范围的表格提取规则句法分析规则 谢谢观赏2019-9-1331两种方法比较两种方法比较 基于标识的方法 不具有自适应能力 准确定位信息段的起止位置 基于内容的方法 不易准确定位信息段的起止位置 有一定自适应能力 依赖较强的自然语言处理技术谢谢观赏2019-9-1332信息

16、提取的研究趋势信息提取的研究趋势 融合两种规则 一些网页信息提取方法把这两种规则融合在一起 以求充分发挥着两种提取规则的特点 来提高提取效率 语义网 改变现有网页信息结构XML语言把信息结构、内容与数据的表现形式进行分离RDF把信息转换成元数据 本体论把信息的结构与内容相分离信息具有计算机可理解的语义 谢谢观赏2019-9-13332.4 2.4 元数据元数据 定义 data about data (关于数据的数据) 是对web信息的一种描述方式是机器可理解的信息 基本作用 管理数据，从而实现查询、阅读、交换和共享 组成 一系列元素或属性 例子：图书馆目录如:作者，书名，出版日期，主题，分类排

17、架号等元素谢谢观赏2019-9-1334元数据与资源之间的关联方式元数据与资源之间的关联方式 独立方式元素可包含在独立于该项资源的记录中 例如：图书馆目录 嵌入方式数据可嵌在资源本身中 例如：印在书内封上的在版编目(CIP)数据例如：电子文本的标题 关联方式的确定不预先规定 由具体情况决定 谢谢观赏2019-9-1335元数据的主要作用元数据的主要作用 用来组织和管理网络信息，并挖掘信息资源 准确地识别、定位和访问信息 （举例讨论） 帮助用户查询所需信息 可按照不同的地理区间、指定的语言以及具体的时间段来查找信息资源 （举例讨论） 组织和维护一个机构对数据的投资 可方便创建网页（举例讨论） 用

18、来建立信息的数据目录和数据交换中心 可以共享信息、维护数据（举例讨论） 提供数据转换方面的信息通过元数据，用户可以接受并理解信息 （举例讨论） 谢谢观赏2019-9-1336如何获取元数据如何获取元数据 元数据的编写标准 目的为实现领域中的数据信息交换和共享，为研究和生产服务 不同领域会根据不同的需求定义一个标准或几个标准 如MARC(Machine-ReadabIe Cataloging，机器可读编目)和Dublin Core等 实现的技术手段 XML RDF 谢谢观赏2019-9-1337XML技术技术 特点从数据与文档的底层实现格式化，保证了从里到外、从处理到交换的一致性 实现自动抽取采

19、用XML解析器开发的工具，可以从网上Web服务器的HTML、XML和数据库中自动抽取并索引元数据 谢谢观赏2019-9-1338RDF 技术技术 元数据的互操作性要求在由不同的组织制定与管理且技术规范不尽相同的元数据环境下，能够作到对用户保持一致性的服务 可同时携带多种元数据来往于互联网的架构 RDF特点提供能对结构化元数据进行编码，交换及再利用的体系框架 可使不同的用户或团体在这一框架下定义他们自己的元数据元素提供了各种不同的元数据体系之间的互操作性 谢谢观赏2019-9-1339元数据映射元数据映射(Metadata Mapping) 原因存在元数据的互操作性问题 定义利用特定转换程序对不

20、同元数据标准进行转换 方法一 （元数据标准的特定转化程序） Dublin Core与USMARC Dublin Core与EA 方法二（中介元数据格式）如UNIverse项目利用GRS格式进行MARC格式和其他记录格式的转换 比较方法一转换准确、转换效率较高 谢谢观赏2019-9-1340元数据类型元数据类型 内容元数据 描述对象内容的信息 如大字标题、主题、引导段落、图像、影片 管理元数据 描述和电子文档相关的信息 如作者、创建者、创建日期等 负载信息元数据 提供电子文档的物理属性 如文本中表示强调的粗体标识，电子邮件系统中邮件的大小标识 参考信息元数据源自电子文档中的超链接 扩展到表达任何

21、万维网信息、文档和资源的参考链接 包括环境信息，以及文档的结构信息 如经常出现电子文档中指向各章节的链接 谢谢观赏2019-9-1341元数据表示语言元数据表示语言 标记语言 标准通用标记语言SGML超文本标记语言HTML可扩展标记语言XML虚拟现实模型语言VRML无线标记语言WML 元数据标准 Dublin Core HL7（描述医学网络资源的元数据 ）教育资源元数据 机读目录（MARC） 谢谢观赏2019-9-1342SGML 标准通用标记语言是一种描述语言的语言，定义了以电子形式表示文本的方法 特点 正式的，能允许验证文档的正确性 结构化的，能够处理复杂的文档 可扩充的，能够支持大型信息

22、存储的管理 组成部分SGML声明，设定基本情况 定义DTD文档类型，设定标记语言结构的语法 描述用于标记的语义规格说明，做出了DTD表达的语法限制 描述用于标记的语义规格说明，做出了DTD表达的语法限制应用实例HTML、XML 谢谢观赏2019-9-1343其它标记语言其它标记语言 虚拟现实模型语言VRML用于对3维虚拟场景进行建模的描述性语言 HTML定义2维，而VRML定义3维 无线标记语言 WML 类似于HTML的测览语言提供测览支持、数据输入、超级链接、文本和图像表现以及表格交互 应用于“无线应用软件”环境下的网页语言 为WAP(Wireless Application Protoco

23、l)协议所包括的一种标记协议语言 谢谢观赏2019-9-1344Dublin CoreDublin Core元数据标准元数据标准 背景 搜索引擎的查准率比较低 创建者 OCLC(Online Computer Library Center，Inc.，美国在线计算机图书馆中心) 目的 从用户的角度出发 创建了一种新的网络资源描述标准或格式 第一次国际研讨会 1995年3月，在都柏林(Dublin)召开 探讨如何建立一套描述网络上电子文件特征、提高信息检索效果的方法 开始启动电子图书馆对象元数据标准的研究项目 谢谢观赏2019-9-1345DC元数据集元数据集 包括15个核心元素 按照信息的类型和

24、范围分为三个子集数据资源内容 数据知识产权 数据实体 特点简练、易于理解、可扩展能与其他元数据形式兼容被称为一个良好的网络信息资源描述元数据集 谢谢观赏2019-9-1346数据资源内容子集数据资源内容子集 元元 素素定定 义义TITLE（数据集名称）由数据生产者或分发者确定的数据集名称SUBJECT（主题)数据集的主题，可以是说明数据集主题或内容的关键字或短语，最好使用规定的缩写词或统一分类名称DESCRIPTION（描述）数据集内容的简要说明SOURCE（数据源）生产数据集的原始资料说明，包括原始资料出版日期、生产者、格式、标识码或其他说明信息LANGUAGE（语言）数据集使用的语言，该元

25、素的内容应当与“语言标识码”标准 (RFC1766) 一致，如en(英国)、de(德国)、fr(法国)等RELATION（关系）其他生产者标识码及其与数据生产者之间的关系COVERAGE（时空覆盖范围）数据集内容的空间和时间覆盖范围。空间覆盖范围可以用坐标或地名表示；时间范围是指数据的现势性，按ISO 8601日期和时间格式标准，即YYYY-MM-DD谢谢观赏2019-9-1347数据知识产权子集数据知识产权子集 元元 素素定定 义义CREATOR（数据生产者）负责生产数据的主要单位或个人PUBLISHER（出版者）将数据集提供用户使用的负责单位，如出版社等CONTRIBUTOR（其他生产者）

26、除数据生产者元素中说明以外的其他参与生产者 (如编辑、转换等)RIGHTS（版权）版权说明。与版权管理声明链接的标识码，或与提供数据集版权管理信息的服务链接的标识码谢谢观赏2019-9-1348数据实体（形式）子集数据实体（形式）子集 元元 素素定定 义义DATE（日期）数据集生产或提供使用的日期，按ISO 8601日期和时间格式标准，即YYYY-MM-DDTYPE（类型）数据集的类型FORMAT（格式）数据集的数据格式，用于识别显示或操作数据集的软件及硬件。IDENTIFIER（标识码）唯一标识数据集的字符串或数字，对于联网数据资源，包括URL和URN，或ISBN谢谢观赏2019-9-134

27、9DCMI DCMI(Dublin Core Metadata Initiative) 都柏林核元数据研究行动 已经成为一个国际性的电子数据对象标准研究组织 有来自英国、澳大利亚、芬兰、加拿大、美国等国的具有多种不同专业背景的个人和团体参加 从事元数据标准、实践指南、支撑技术及相关政策的研究与开发 成立了一个教育工作组DCE 从数字图书馆元数据标准中筛选出上述DC中的15个核心元素作为学习对象数据要素 谢谢观赏2019-9-1350HL7(Health Level 7) 开发机构 1987年，由美国国家标准局(ANSI)授权的HL7(Health Level Seven Inc)开发领域专门用

28、于医疗卫生机构及医用仪器、设备数据信息传输的标准支持的国家在1994年HL7已纳入美国ANSI国家标准 澳洲、加拿大、德国、以色列、日本、纽西兰、荷兰及英国 用途适用于医院内部的信息交换适用于医院与医院之间，医院与保险公司、医院与上级主管部门之间的大量信息交换 谢谢观赏2019-9-1351HL7技术技术 参考了OSI的通讯模式 HL7纳为最高的一层，也就是应用层 谢谢观赏2019-9-1352HL7HL7标准的內容标准的內容(1)(1) Ch1: Introduction (概述与HL7历史)Ch2: Control (控制)Ch3: Patient Administration (病患管理

29、, 挂号)Ch4: Orders (医令)Ch5: Query (查询)Ch6: Financial Management (病患帐务)Ch7: Observation Reporting (检验报告传送)Ch8: Master Files (参考档同步机制)谢谢观赏2019-9-1353HL7HL7标准的內容标准的內容(2)(2)Ch9: Medical Records/Info. Management (病历)Ch10: Scheduling (排程)Ch11: Patient Referral (转诊)Ch12: Patient Care (病患看护)附录A: Data Definiti

30、on Tables (参考表)附录B: Lower Layer Protocol (LLP)附录C: Network Management附录D: BNF Message Descriptions附录E: Glossary谢谢观赏2019-9-1354HL7 HL7 特点特点 可应用于多种操作系统和硬件环境 所有不同平台的医院信息管理系统通过HL7都可以顺利沟通 设备可以做到无缝联接和医学数据信息的无障碍交换 汇集了的一些标准接口格式 针对不同厂商设计应用软件谢谢观赏2019-9-1355教育资源元数据教育资源元数据 IEEE LOM 学习对象元数据 IMS 教学管理系统 CELTS 中国教育

31、信息化技术标准 谢谢观赏2019-9-1356IEEE LOM （1） 由IEEE学习技术标准委员会P1484.12学习对象元数据工作组建立 目的使用最小属性集完成对学习对象的管理、检索和评估便于将来对其属性进行扩展 目标定义学习对象元数据的语法与语义对安全、隐私、商业和评估等应用提供了描述符 学习对象指一切可为教学和培训目的服务的对象 可以是物理的：如实验器材、课本 可以是数字的：如教学软件，网络课件 谢谢观赏2019-9-1357IEEE LOM （2） 元素 9个基本类别（即通用类、生命周期类、宏元数据类、技术类、教育类、权利类、注解类、关系类、分类类） 每个类别包括若干元素 对每个元素

32、定义了其名称、解释、值域、数据类型、附注和示例 作用 在不操作学习对象的情况下通过元数据信息来了解学习对象的一些有用的属性 可以对学习对象进行有效的分类管理和查找 可以从元数据信息中获取学习对象的评价信息，也可以把自己的评价加入到元数据 谢谢观赏2019-9-1358IMS 1997年美国EDUCOM （美国多所大学联合组成的联盟 ）专门对电子学习(e-Learning劫标准进行研究项目目的 能达成各校间网络化教材的共享目标 达成分布式学习环境下之应用系统或服务的互操作性，定义、发展所需的技术规范 协助其他单位，将IMS规范纳人产品或服务中 主要任务 主要发展和推广有关教育的开放规范 促进线上

33、分布式的学习活动 如搜寻和使用教育用途的内容、追踪学习者的学习进度 性质 并非开放性组织 所制定的规范还未成为正式的标准 谢谢观赏2019-9-1359IMS 规范规范 用于内容描述、发现和交换的规范 IMS内容包装说明(IMS Content Packaging Specification) IMS问题与测试互操作性说明（IMS Question & Test Interoperability Specification） IMS学习资源元数据说明(IMS Learning Resource Metadata Specification) 数字资源库互操作(Digital Repositor

34、ies Interoperability) 用于内容交互与跟踪的规范 简易串序/简易排序（Simple Sequencing） 能力（Competencies） 学习设计（Learning Design） 可用性（Accessibility） 用于应用系统互操作的规范 IMS学习者信息包装说明(IMS Learner Information Package Specification) IMS企业说明（IMS Enterprise Specification 谢谢观赏2019-9-1360中国教育信息化技术标准中国教育信息化技术标准 2001年开始启动 基于LOM 目标 实现资源共享支持系统互

35、操作保障网络教育服务质量 方法跟踪国际标准研究工作和引进相关国际标准根据我国教育的实际情况修订与创建各项标准 谢谢观赏2019-9-1361CELTS 体系体系学习对象元数据（CELTS-3）规定了描述学习对象的基本方法与准则 属于CELTS体系中的基础标准 教育资源建设技术规范（CELTS-41）面向资源建设领域包括基础教育、高等教育、职业教育和培训等领域）是对学习对象元数据与具体应用领域结合的产物 基础教育教学资源元数据规范（CELTS-42）应用领域则更为具体主要面向基础教育的资源建设 关系一脉相承的都是以LOM为核心建立的 谢谢观赏2019-9-1362机读目录（机读目录（MARC）

36、广泛用于图书馆书目记录数据 是目前图书馆描述、存储、交换、处理以及检索信息的基础 特点 可变长字段的记录格式采用目次方式 每条MARC记录分三个区（头标区，目次区，数据区） 谢谢观赏2019-9-13632.5 XML2.5 XML 性质 W3C于1998年2月发布的一种标准 是SGML的一个简化子集 可扩展标记语言 特点较好地解决了HTML无法表达数据内容等问题允许各个组织、个人建立适合自己需要的标记集合 谢谢观赏2019-9-1364XML与与HTML比较比较 文档的3个要素数据、结构以及显示方式 HTML 显示方式内嵌在数据中 在创建文本时，要时时考虑输出格式 创建文档的重复工作量大 不

37、易抽取语义信息 XML显示格式从数据内容中独立出来，保存在样式单文件(Style Sheet)中 自我描述性质能够很好地表现许多复杂的数据关系 谢谢观赏2019-9-1365XML结构结构 文件头 与HTML类似，是可选的 文件主体 包括一个或多个元素 形式是一棵分级的树 混杂的“结尾部分” 由注释、处理指令和空白组成 注释用表示，可在文档中任意位置 谢谢观赏2019-9-1366元素元素(Element) 表示方法由开始标记、结束标识以及标识之间的数据构成 标记之间的数据被认为是元素的值 每个元素都有不同的标记名 王力元素名是director 元素值是“王力” 王力 元素名是actor元素值

38、是“王力”谢谢观赏2019-9-1367元素要点元素要点 关键的3点 所有元素必须有结束标记 所有元素必须正确嵌套，不允许交迭 所有属性值必须加引号 注意点 XML文档主体有且仅有一个XML根元素 可以嵌套XML元素，形成一棵树形结构 谢谢观赏2019-9-1368XML文档文档例子例子 数据结构 许卓群等 数据挖掘 韩家炸等 谢谢观赏2019-9-1369例子的例子的树状结构树状结构 书类 书 书 标题 作者 标题 作者 谢谢观赏2019-9-1370XML属性属性 给元素提供进一步的说明信息 必须出现在起始标记中 以名称/取值对出现，属性名不能重复 名称与取值之间用等号“=”分隔 用引号把

39、取值引起来 例如 100000说明了工资的货币单位是人民币元 谢谢观赏2019-9-1371XML处理器处理器 目的解析XML文档提供对XML文档内容和结构的访问 文档对象模型(Document Object Model，DOM)将完整的XML转换成一棵树的形式放在内存中 供随机访问元素、属性 XML简单API(Simple API for XML，SAX) 采用事件驱动模型 通过标记的起止来触发事件 DOM与SAX的比较（讨论）谢谢观赏2019-9-1372处理指令处理指令(Processing Instruction) 目的给XML处理器提供信息，使其能够正确解释文档内容 表示起始标记是“

40、” 方法 XML分析器把这些信息原封不动地传给应用程序 由应用程序来解释这个指令 遵照它所提供的信息进行处理 谢谢观赏2019-9-1373两种处理指令两种处理指令 XML声明 必须包括version属性，指明所采用的XML的版本号，而且它必须在属性列表中排在第一位 standalone属性表明该XML文档是否和一个外部文档类型定义DTD配套使用 encoding属性则指明了数据所采用的编码标准 XSL样式单引用 告诉XSL样式单解析器，样式单的类型是text-xsl 类型text-xsl可以在文档contacts.xsl中找到 谢谢观赏2019-9-1374XML的名字空间的名字空间 背景由

41、于XML对互操作性的支持，每个人都可以创建属于自己的XML词汇 不同的开发者会用相同的元素来代表不同的实体 作用为XML文档元素提供了一个上下文 允许开发者按一定的语义来处理元素 为什么引入NS(命名空间) 讨论谢谢观赏2019-9-1375XML NS XML NS 例子例子?xml version=1.0?hamburgersxmlns:purchasexmlns:purchase= =http:/fastfood.org/franchise/pricesxmlns:salesxmlns:sales= =http:/fastfood.org/customer/priceshamburger

42、 lowfat=dream onnameCowBurger/namedescriptionGreasy and good./descriptionpurchase:pricepurchase:price0.99/pricesales:pricesales:price2.99/price/hamburger/hamburgers谢谢观赏2019-9-1376XSL(Extensible Stylesheet Language) 背景用标准的DOM API来实现XML数据的交互，是十分单调乏味的 如想找到所有满足某些条件的元素，或转换为简单的HTML表格，必须手工书写代码遍历整棵树来寻找 目的为标

43、准化及简化人们完成这些任务所需做的工作 谢谢观赏2019-9-1377食品的例子食品的例子 XML文档 月饼 中秋节食用的传统食品 2.99 HTML文档 食品 月饼, 中秋节的传统 食品, 2元 谢谢观赏2019-9-1378XSL文件文件 xsl : template match=/ 选取了当前结点的所有食品子结点选取了当前结点的所有食品子结点 hamburgers xsl =dream on 标识出符合给定条件的结点标识出符合给定条件的结点 xsl , : value-of select =name/, xsl ,: value-of select =description/, xsl

44、: value-of select =price/ 取结点中各个元素的值 谢谢观赏2019-9-1379XSLXSL用途用途 增强了互操作性 XML数据转换为HTML从一种XML格式到另一种XML格式之间的转换 开发人员不用为了描述某种类型的数据而采用通用的词汇某个人向你的系统发送了一篇XML文档，而你的系统不认识它所采用的XML词汇只要进行一次简单的XSL转换就可以得到自己熟悉的词汇 谢谢观赏2019-9-1380文档类型定义文档类型定义 DTD 目的定义XML文档结构，即其中的元素、属性以及元素之间关系的 定义了文件中的元素能用什么名字，能放在什么位置，应该怎样组合 可以检测XML文档的结

45、构是否正确 例如描述一组，其中每个又可以包含若干个DTD中应该有语句: 生成的表 ：管乐弦乐器乐 谢谢观赏2019-9-1381DTD DTD 引用引用 内部引用 包含在XML文档的前导说明部分 如 文档体 外部引用 作为一个外部文档被引用 如 文档体 SYSTEMSYSTEM指一个作者或组织所编写的通用的DTD 或是 PUBLIC 指由权威机构制订的、提供给特定行业或公众使用的DTD 谢谢观赏2019-9-1382DTDDTD中中ETD(元素类型声明元素类型声明) )作用 声明所有有效的文档元素 结构 类型 空元素类型 使用空元素标记，元素中没有内容 ANY元素类型 元素中可以包含任何内容

46、父元素类型 元素中可以包含子元素 在DTD中通过正则表达式规定子元素出现的顺序和次数 混合元素类型 元素中可以包含文本 文本之间可以有选择地插入子元素，子元素出现的顺序和次数不受限制 谢谢观赏2019-9-13832.6 XML Schema2.6 XML Schema DTD缺点 采用了非XML的语法规则 不支持数据类型 扩展性较差 XML模式己经渐有取代DTD的趋势拥有比DTD更强大的功能 用于更精确和有效地描述XML文档结构谢谢观赏2019-9-1384XML模式的优点模式的优点一致性 直接借助XML自身的特性 利用XML的基本语法规则 定义XML文档的结构 不必再利用一种特定的形式化的

47、语言扩展性 引入了数据类型、命名空间在基本数据类型基础上用户可自己扩展数据类型 互换性 利用模式能够书写XML文档并验证文档的合法性 对不同的模式进行转换，以实现更高层次的数据交换 规范性 利用元素的内容和属性来定义XML文档的整体结构 基于XML，更具有规范性 谢谢观赏2019-9-1385数据类型数据类型 用途为Element Type和Attribute Type指定数据类型 基本数据类型 （10种) entity，entities，enumeration，id，idref，idrefs，nmtoken，nmtokens，notation和string 扩展数据类型 bin.baSe64

48、，bin.heX，boolean，char，date，dateTime，dateTime.tz，fixed.14.4，float，int，number，timetime.tz，i1 ，i2, i4，r4, r8，ui1, ui2，ui4, uri，uuid 谢谢观赏2019-9-1386XMLS元素类型元素类型 基本格式 取值及含义 (略）谢谢观赏2019-9-1387XMLS属性类型属性类型 基本格式 取值及含义 (略）谢谢观赏2019-9-1388数据类型的数据类型的使用例子（使用例子（1 1） 定义元素“名字”和“生日” 其中string和date类型都是Schema中自带的基本数据类型

49、 minOccurs和maxOccurs是最少和最多出现次数的约束，这里表示有而且只出现一次 谢谢观赏2019-9-1389数据类型的数据类型的使用例子（使用例子（2 2）扩展数据类型 Schema中没有规定的类型，如“性别”类型 定义例子 注释 name属性是该数据类型的名称 数据类型由restriction子元素进行约束该元素中的base属性是基类型 谢谢观赏2019-9-13902.72.7元数据自动抽取技术元数据自动抽取技术 预处理 剔除在格式、内容、语言等方面存在问题或严重缺失的文档 产生格式相对规整的文本文档 提取元数据 由数字化文档元数据的规范定义，产生提取元数据的各种模式 依据

50、元数据模式进行数字化文档的挖掘与匹配 利用与数字化文档相关的启发式规则和经验规则，有效提取元数据 各 类文档 格 式文档 预处理 元数据提取 元 数 据信 息 元数据模式 启发规则 谢谢观赏2019-9-1391MathML 含义 Mathematical Markup Language 用途用来描述数学符号、纪录其结构和内容 目标是在Web上实现能像HTML处理文本一样，处理数学问题 谢谢观赏2019-9-1392例：例：x2 + 4x + 4 =0 applyplus/plus/applypower/power/cix/cicn2/cn/applyapplytimes/times/cn4/