基于XML數據源的ETL技術的研究.pdf

1、經過長期的信息化建設，使企業(yè)和組織內部產生了大量遺留系統(tǒng)，這些系統(tǒng)在實施過程中缺乏系統(tǒng)性、一致性考慮，因而產生了大量異構信息。這些信息無法進行有效的共享和交換，導致以XML為基礎的信息集成平臺成為信息技術發(fā)展的一種必然趨勢。信息集成過程中，數據質量難以保證，導致分析決策的可靠性降低，使得ETL(數據抽取、轉換、清洗、裝載)成為一個十分重要的環(huán)節(jié)，它將源系統(tǒng)中的數據轉換為有用的信息用于決策支持。因此，以XML為基礎的ETL技術的研究尤為重

2、要。本文主要的研究工作可概況為以下幾個方面：
　　第一，在分析XML、CWM與信息集成相融合的優(yōu)勢基礎上，提出了一種利用公共倉庫元模型CWM解決信息集成中數據抽取的方案，構建了一個基于公共倉庫元模型CWM的結構化數據信息集成架構，設計了一個公共的、獨立于任何特定實現模型的元模型基礎上的Wrapper，解決了結構化數據抽取過程中由于數據源發(fā)生變化引起的Wrapper維護問題。
　　第二，在分析現有XML數據相似性檢測技術基礎上

3、，提出了一種節(jié)點加權與樹編輯距離相結合的檢測方法，該方法通過計算XML帶權樹的相似度來對數據進行粗略匹配、簡單聚集，然后在每個集合中利用樹編輯距離算法進行相似性檢測。由于對XML數據進行了預處理，減少了不必要的樹編輯操作，因而時間復雜度大大降低。
　　第三，為了將理論應用于實踐，在一個應用實例中進行實驗模擬。構建了特種設備整合系統(tǒng)的體系結構，設計了信息集成過程中數據抽取的元數據統(tǒng)一格式，并抽取出所需要的XML數據。另外，為了驗證本