4.1.4.2: Indexierungsmethoden

Eine Übersicht über Methoden und Systeme für die Indexierung von und die Suche nach XML-Dokumenten findet sich in Luk, Leong, Dillon, Chan, Croft und Allan (2002) [->] . Sie stellen Indexierungskonzepte, Implementierungsansätze und Eigenschaften konkreter Systeme zusammen. Die getrennte Beschreibung von Indexierungs- und Suchmethoden hat den Vorteil, dass genau spezifiziert werden muss, welche Informationen und Strukturen zum Zeitpunkt der Indexierung extrahiert werden müssen. Sie erschwert allerdings die integrierte Darstellung der Suchkonzepte. Deshalb wird sie in der folgenden kurzen Darstellung dieser Konzepte nicht wirklich durchgehalten.

Textuelle Indexierung

Die textuelle Indexierung (flat-file indexing) betrachtet ein XML-Dokument als Text und berücksichtigt die durch XML gegebene Struktur nicht. Dabei kann man zwischen Ansätzen unterscheiden, die die Tags ignorieren, und solchen, bei denen auch nach Tags gesucht werden kann. Es können die normalen Indexierungs- und Suchverfahren für unstrukturierte Texte angewendet werden.

Feldindexierung

Die Feldindexierung (field-based indexing) identifiziert einzelne XML-Elemente und behandelt sie als Felder, wie sie am Beispiel einer Literaturdatenbank (Abbildung 1.1.3 ) beschrieben wurden. Es können Gewichtungs- und Suchverfahren angewendet werden, die die Feldinformation bei der Suche nutzen: Zum einen kann spezifiziert werden, in welchem Feld eines Dokuments (bzw. seines Indexes) ein Term auftauchen soll, zum anderen können einzelne Felder sowohl im Dokumentvektor als auch in der Anfrage unterschiedlich gewichtet werden. Dieser Ansatz nutzt nur einzelne Elemente der XML-Struktur, nicht aber komplexere Schachtelungen. Die genutzten Elemente müssen aber nicht alle auf der gleichen Ebene liegen, sie können auch Unterelemente besitzen, deren XML-Struktur aber nicht genutzt wird.

Ein ganz ähnlicher Ansatz ist die Integration von IR und Fakten-Retrieval (IR/DB indexing), bei der aus dem XML-Dokument Einträge für eine Faktendatenbank extrahiert und z.B. in einer relationalen Datenbank gespeichert und suchbar gemacht werden (siehe Abschnitt 1.1.4 ). Damit stehen die Vorteile dieser Systeme wie sichere Transaktionen und schneller Zugriff auf einzelne Tabellen zur Verfügung.

Strukturindexierung

Bei der Strukturindexierung (structured indexing) kann die volle Strukturinformation eines XML-Dokuments zur Indexierung genutzt werden. Der wichtigste Fall ist die Pfadindexierung (path-based indexing), bei der die Position eines Elements in der Baumstruktur der Elemente des XML-Dokuments genutzt wird, also im Wesentlichen die Möglichkeiten, die durch XPath gegeben sind. Damit ist es möglich, gezielt nach bestimmten Teilen eines Dokuments zu suchen.

Werden relative Pfade benutzt, kann nach direkten Beziehungen zwischen Elementen gesucht werden. Zum Beispiel könnte geprüft werden, ob ein author-Element ein Unterelement name enthält. So kann man zwischen dem Namen eines Autors oder einer Autorin und einem sonst verwendeten Namen unterscheiden, wenn die DTD entsprechend angelegt wurde.

Andere nutzbare Strukturen sind z.B. Verweisstrukturen, die aber nicht mehr hierarchisch sein müssen. Über die Verwendung von Verweisstrukturen zwischen Dokumenten wird in Abschnitt 4.3.4.3.1 berichtet.

Eine weitere Möglichkeit ist die (Layout-)positionsbasierte Indexierung (position-based indexing), bei der die Position im tatsächlichen Seitenlayout, das z.B. in Stylesheets vorliegt, verwendet wird. Sie bietet im Prinzip eine Möglichkeit, das Chaos, das viele Web-Designer und ihre Design-Programme im Quelltext hinterlassen, zur strukturierten Suche zu nutzen. Es ist allerdings fraglich, wie erfolgreich ein solcher Ansatz ist.