時間：2022-10-04 17:03:28
緒論：在尋找寫作靈感嗎？愛發表網為您精選了8篇關系數據庫，愿這些內容能夠啟迪您的思維，激發您的創作熱情，歡迎您的閱讀與分享！
（白城師范學院計算機科學學院，吉林白城137000）
【摘要】關系數據庫、數據倉庫和數據挖掘是作為三種獨立的信息技術出現的，是數據庫研究、開發和應用最活躍的分支之一，通過對三種技術的內在聯系性和互補性分析，從而更好的使用數據庫技術處理各種信息需求，建立更加完善的數據庫應用系統或新的決策系統。
關鍵詞 關系數據庫；數據倉庫；數據挖掘；關
0引言
關系數據庫是20世紀70年代初提出來，經過數據庫專家幾十年的努力，理論和實踐都取得了顯著成果，標志著數據庫技術的日益成熟。但它仍然難以實現對關系數據庫中數據的分析，不能很好地支持決策，因此在80年代，產生了數據倉庫的思想，90年代，數據倉庫的基本原理、架構形式和使用原則都已確定。主要技術包括對數據庫中數據訪問、網絡、C/S結構和圖形界面，一些大公司已經開始構建數據倉庫。針對數據倉庫中迅速增長的海量數據的收集、存放，用人力已經不能解決，那么數據倉庫中有用的知識的提取就需要數據挖掘來實現。數據挖掘與統計學子領域“試探性數據分析”及人工智能子領域“知識發現”和機器學有關，是一門綜合性的技術學科。了解關系數據庫、數據倉庫與數據挖掘三者之間的區別與聯系，使之更好的使用這3種技術，處理各種信息需求是非常必要和重要的。
1關系數據庫、數據倉庫和數據挖掘之間的關系
1.1關系數據庫和數據倉庫之間的聯系與區別
關系數據庫是面向事務的設計，數據倉庫是一個面向主題的設計；關系數據庫存儲在線事務數據，數據倉庫通常存儲歷史數據，關系數據庫的設計將盡量避免冗余，但數據倉庫是傾向于引入冗余；關系數據庫設計用于捕獲數據，數據倉庫設計用于分析數據。傳統的關系數據庫面向以事務處理為主的系統應用，所以它無法滿足決策支持系統的分析要求。事務處理和分析處理有非常不同的性質，他們有不同的需求數據。
1.2數據倉庫與數據挖掘之間的聯系與區別
數據挖掘是基于數據倉庫和多維數據庫中的數據，找到數據的潛在模式進行預測，它可以對數據進行復雜處理。大多數情況下，數據挖掘是讓數據從數據倉庫到數據挖掘數據庫中。從數據倉庫中直接得到進行數據挖掘的數據有許多優點，因為數據倉庫中數據的清理和數據挖掘中幾乎是相同的，如果數據在數據倉庫中已被清除，數據挖掘中不再被清除，并且數據不一致也得到了解決。數據倉庫是數據挖掘的先期步驟，通過數據倉庫的構建，提高了數據挖掘的效率和能力，保證了數據挖掘中的數據的寬廣性和完整性。
1.3關系數據庫與數據挖掘之間的聯系與區別
數據挖掘的數據源不一定是數據倉庫。也可以是一個關系數據庫中的數據，但要事先進行數據預處理，才能用于數據挖掘。數據預處理是數據挖掘的關鍵步驟，并且是數據挖掘過程中的主要工作部分。因此，數據倉庫和數據挖掘沒有必然的聯系，有些人簡單地認為，數據倉庫是數據挖掘的準備，這種理解是不全面的，也可以使用關系數據庫中的數據作為數據挖掘的數據源。
2三種技術的應用
2.1應用價值
2.1.1關系數據庫
關系數據庫的主要價值體現在事務處理。關系數據庫已經滲透到各行各業的日常事務，該事務管理離不開關系數據庫的應用系統，這是對傳統事務管理的一個重大突破，是社會甚至家庭不可或缺的工具，它對社會的應用價值是100%。
2.1.2數據倉庫
數據倉庫的主要價值體現在為決策分析提供數據源。一方面，在一個事務中，用戶要求高效的訪問系統和數據庫，操作時間應該短。在一個決策分析中，決策問題的一些請求可能會導致系統的操作，解決這一問題的決策分析需要遍歷大多數數據庫中的數據，這對一般日常事務處理系統是困難的，所以操作數據和決策分析數據應該分開。另一方面，決策數據需求問題。在決策分析時，由于不同的應用系統中，實體、字段存在數據類型、名稱和格式的不符，需要在集成時進行轉換，這個轉換必須在決策之前完成；一些決策數據需要動態更新，需要經常進行匯總和總結，這些需求用事務處理系統解決比較繁瑣。三是數據的操作模式問題。決策分析人員要以專業用戶身份，使用各種工具以各種形式來操作數據，對數據操作的結果以商業智能的方式表達出來。事務處理系統不能滿足這一要求，只有數據倉庫系統能夠滿足數據挖掘技術對數據環境的要求，所以使用數據倉庫中的數據省去了對數據預處理的步驟。
2.1.3數據挖掘
面對日益激烈的市場競爭，客戶對迅速應答各種業務問題的能力要求越來越高，對過量數據的及時處理要求越來越高，帶來的挑戰一方面大規模、復雜數據系統讓用戶感覺漫無頭緒，無法開始；另一方面，這些大量數據背后隱藏很多有意義的有價值的決策信息。如計算機界都熟知的“啤酒與尿布”的故事，就是零售業巨頭“沃爾瑪”從大量銷售數據中分析出來的規律：美國的男士在下班要去超市買嬰兒尿布，同時他們還會買啤酒。“沃爾瑪”就把這兩種“毫不相干”的商品擺放在靠近的貨架上，并且還擺放一些下灑小菜，使這些商品銷量大增。所以應用數據挖掘從大量數據中發現規律，具有具體的指導意義。
2.2應用領域
2.2.1關系數據庫
關系數據庫應用領域非常廣泛，如：證券行業、醫院、銀行、銷售部門、公司或企業，以及政府、國防工業，科學和技術發展領域等等，這些領域都需要使用數據庫來存儲數據。例如:人事管理系統、工資管理系統，xxx部門信息管理系統，手機話費管理系統等，都需要關系數據庫作為后臺提供數據源。
2.2.2數據倉庫
數據倉庫應用領域主要有兩個方面：一是全局應用。因為數據倉庫獲得來自多方面的數據，所以在把數據向數據倉庫輸入時，要進行轉換、計算和綜合等集成處理。通過處理把來自不同地方的數據源轉換成統一的格式，以促進全局應用。二是復雜系統。信息處理的要求越來越復雜，除了數據處理操作，如添加、刪除、修改、和統計匯總，高級管理層也希望對歷史的和現在的數據進行各種復雜性分析，以支持決策。數據倉庫中就是存儲了舊的歷史數據，方便復雜分析、應用，為高層決策服務。
2.2.3數據挖掘
數據挖掘的應用領域主要表現在特定應用問題和應用背景。數據挖掘技術已經應用于各行各業，如電信，保險，交通，學校、銀行、超級市場等。例如：數據挖掘技術應用在大學。高校擴招，學生增加到幾萬人，但是學生的學習積極性不高，成績不好，因此引入數據挖掘技術找出影響學生學習積極性和學習成績的原因，制定措施，提高教育和教學質量。分析的數據源是考試成績和成績之外的影響因素，分析的方法是采用關聯規則、模型庫、去“噪”處理、粗糙集等進行數據挖掘，得出的結論是：傳統的學習方法不能完全滿足需要，改進教學方法和教學模式，從而調動學生學習的積極性，提高教學質量。
3關系數據庫、數據倉庫與數據挖掘的融合
日常事務處理需要關系數據庫，構建分析處理（下轉第318頁）（上接第59頁）環境需要數據倉庫，幫助決策者尋找數據之間的潛在的關聯需要數據挖掘。他們之間是相互聯系又有區別的，不能互相取代的，又需要相互融合。數據倉庫中的數據并不是最新的，專有的，而是來源于其他關系數據庫，它是建立在一個更全面和完善的信息應用的基礎上，用于支持高層決策分析的數據基地。數據倉庫是數據庫新技術，到目前為止，數據倉庫仍用關系數據庫管理系統管理數據。數據挖掘是從大量存儲在數據庫、數據倉庫或其他信息庫中發現有趣知識的過程。只有這三個數據庫技術互相融合，取長補短，各盡其責，才能更好的為廣大用戶所使用，為社會各個領域所應用。
參考文獻
［1］華冠萍.數據倉庫、數據挖掘及OLAP之兩兩關系[J].福建電腦,2007,8.
［2］牛承珍.馬季蘭.淺談數據挖掘應用[J].山西科,2008.5.20.
【關鍵詞】關系數據庫；數據倉庫；數據挖掘；關系
0 引言
關系數據庫是20世紀70年代初提出來，經過數據庫專家幾十年的努力，理論和實踐都取得了顯著成果，標志著數據庫技術的日益成熟。但它仍然難以實現對關系數據庫中數據的分析，不能很好地支持決策，因此在80年代，產生了數據倉庫的思想，90年代，數據倉庫的基本原理、架構形式和使用原則都已確定。主要技術包括對數據庫中數據訪問、網絡、C / S結構和圖形界面，一些大公司已經開始構建數據倉庫。針對數據倉庫中迅速增長的海量數據的收集、存放，用人力已經不能解決，那么數據倉庫中有用的知識的提取就需要數據挖掘來實現。數據挖掘與統計學子領域“試探性數據分析”及人工智能子領域“知識發現”和機器學有關，是一門綜合性的技術學科。了解關系數據庫、數據倉庫與數據挖掘三者之間的區別與聯系，使之更好的使用這3種技術，處理各種信息需求是非常必要和重要的。
1 關系數據庫、數據倉庫和數據挖掘之間的關系
1.1 關系數據庫和數據倉庫之間的聯系與區別
關系數據庫是面向事務的設計，數據倉庫是一個面向主題的設計；關系數據庫存儲在線事務數據，數據倉庫通常存儲歷史數據，關系數據庫的設計將盡量避免冗余，但數據倉庫是傾向于引入冗余；關系數據庫設計用于捕獲數據，數據倉庫設計用于分析數據。傳統的關系數據庫面向以事務處理為主的系統應用，所以它無法滿足決策支持系統的分析要求。事務處理和分析處理有非常不同的性質，他們有不同的需求數據。
1.2 數據倉庫與數據挖掘之間的聯系與區別
數據挖掘是基于數據倉庫和多維數據庫中的數據，找到數據的潛在模式進行預測，它可以對數據進行復雜處理。大多數情況下，數據挖掘是讓數據從數據倉庫到數據挖掘數據庫中。從數據倉庫中直接得到進行數據挖掘的數據有許多優點，因為數據倉庫中數據的清理和數據挖掘中幾乎是相同的，如果數據在數據倉庫中已被清除，數據挖掘中不再被清除，并且數據不一致也得到了解決。數據倉庫是數據挖掘的先期步驟，通過數據倉庫的構建，提高了數據挖掘的效率和能力，保證了數據挖掘中的數據的寬廣性和完整性。
1.3 關系數據庫與數據挖掘之間的聯系與區別
數據挖掘的數據源不一定是數據倉庫。也可以是一個關系數據庫中的數據，但要事先進行數據預處理，才能用于數據挖掘。數據預處理是數據挖掘的關鍵步驟，并且是數據挖掘過程中的主要工作部分。因此，數據倉庫和數據挖掘沒有必然的聯系，有些人簡單地認為，數據倉庫是數據挖掘的準備，這種理解是不全面的，也可以使用關系數據庫中的數據作為數據挖掘的數據源。
2 三種技術的應用
2.1 應用價值
2.1.1 關系數據庫
關系數據庫的主要價值體現在事務處理。關系數據庫已經滲透到各行各業的日常事務，該事務管理離不開關系數據庫的應用系統，這是對傳統事務管理的一個重大突破，是社會甚至家庭不可或缺的工具，它對社會的應用價值是100%。
2.1.2 數據倉庫
數據倉庫的主要價值體現在為決策分析提供數據源。一方面，在一個事務中，用戶要求高效的訪問系統和數據庫，操作時間應該短。在一個決策分析中，決策問題的一些請求可能會導致系統的操作，解決這一問題的決策分析需要遍歷大多數數據庫中的數據，這對一般日常事務處理系統是困難的，所以操作數據和決策分析數據應該分開。另一方面，決策數據需求問題。在決策分析時，由于不同的應用系統中，實體、字段存在數據類型、名稱和格式的不符，需要在集成時進行轉換，這個轉換必須在決策之前完成；一些決策數據需要動態更新，需要經常進行匯總和總結，這些需求用事務處理系統解決比較繁瑣。三是數據的操作模式問題。決策分析人員要以專業用戶身份，使用各種工具以各種形式來操作數據，對數據操作的結果以商業智能的方式表達出來。事務處理系統不能滿足這一要求，只有數據倉庫系統能夠滿足數據挖掘技術對數據環境的要求，所以使用數據倉庫中的數據省去了對數據預處理的步驟。
2.1.3 數據挖掘
面對日益激烈的市場競爭，客戶對迅速應答各種業務問題的能力要求越來越高，對過量數據的及時處理要求越來越高，帶來的挑戰一方面大規模、復雜數據系統讓用戶感覺漫無頭緒，無法開始；另一方面，這些大量數據背后隱藏很多有意義的有價值的決策信息。如計算機界都熟知的“啤酒與尿布”的故事，就是零售業巨頭“沃爾瑪”從大量銷售數據中分析出來的規律：美國的男士在下班要去超市買嬰兒尿布，同時他們還會買啤酒。“沃爾瑪”就把這兩種“毫不相干”的商品擺放在靠近的貨架上，并且還擺放一些下灑小菜，使這些商品銷量大增。所以應用數據挖掘從大量數據中發現規律，具有具體的指導意義。
2.2 應用領域
2.2.1 關系數據庫
關系數據庫應用領域非常廣泛，如：證券行業、醫院、銀行、銷售部門、公司或企業，以及政府、國防工業，科學和技術發展領域等等，這些領域都需要使用數據庫來存儲數據。例如：人事管理系統、工資管理系統，xxx部門信息管理系統，手機話費管理系統等，都需要關系數據庫作為后臺提供數據源。
2.2.2 數據倉庫
數據倉庫應用領域主要有兩個方面：一是全局應用。因為數據倉庫獲得來自多方面的數據，所以在把數據向數據倉庫輸入時，要進行轉換、計算和綜合等集成處理。通過處理把來自不同地方的數據源轉換成統一的格式，以促進全局應用。二是復雜系統。信息處理的要求越來越復雜，除了數據處理操作，如添加、刪除、修改、和統計匯總，高級管理層也希望對歷史的和現在的數據進行各種復雜性分析，以支持決策。數據倉庫中就是存儲了舊的歷史數據，方便復雜分析、應用，為高層決策服務。
2.2.3 數據挖掘
數據挖掘的應用領域主要表現在特定應用問題和應用背景。數據挖掘技術已經應用于各行各業，如電信，保險，交通，學校、銀行、超級市場等。例如：數據挖掘技術應用在大學。高校擴招，學生增加到幾萬人，但是學生的學習積極性不高，成績不好，因此引入數據挖掘技術找出影響學生學習積極性和學習成績的原因，制定措施，提高教育和教學質量。分析的數據源是考試成績和成績之外的影響因素，分析的方法是采用關聯規則、模型庫、去“噪”處理、粗糙集等進行數據挖掘，得出的結論是：傳統的學習方法不能完全滿足需要，改進教學方法和教學模式，從而調動學生學習的積極性，提高教學質量。
3 關系數據庫、數據倉庫與數據挖掘的融合
日常事務處理需要關系數據庫，構建分析處理環境需要數據倉庫，幫助決策者尋找數據之間的潛在的關聯需要數據挖掘。他們之間是相互聯系又有區別的，不能互相取代的，又需要相互融合。數據倉庫中的數據并不是最新的，專有的，而是來源于其他關系數據庫，它是建立在一個更全面和完善的信息應用的基礎上，用于支持高層決策分析的數據基地。數據倉庫是數據庫新技術，到目前為止，數據倉庫仍用關系數據庫管理系統管理數據。數據挖掘是從大量存儲在數據庫、數據倉庫或其他信息庫中發現有趣知識的過程。只有這三個數據庫技術互相融合，取長補短，各盡其責，才能更好的為廣大用戶所使用，為社會各個領域所應用。
【參考文獻】
[1]華冠萍.數據倉庫、數據挖掘及OLAP之兩兩關系[J].福建電腦，2007，8.
摘要：XML可以用于實現異構數據庫，同時也是一種中間件和數據承
>> XML文檔與關系數據庫數據轉換的研究 基于DOM的XML文檔到關系數據庫的數據轉換方法 基于關系數據庫的XML存儲技術 淺談數據庫記錄與XML數據的轉換 論XML文檔數據庫數據之間的轉換原理及轉換對象 基于．NET平臺的關系數據庫轉換 WebService在LDAP與關系數據庫之間數據同步的研究 基于XSD模式的XML文檔與關系數據庫的轉換 一種模仿XML的靈活的關系數據庫設計 基于關系數據庫的時態XML存取研究 運用XML實現異構數據庫的數據轉換 淺析Notes數據庫與關系數據庫的關系 關系數據庫的設計與測試 基于架構的關系數據庫與云端數據庫比較分析 XML文檔與數據庫表信息互相轉換的方法研究與實踐 關系數據庫與非關系數據庫 淺析關系數據庫、數據倉庫與數據挖掘的關系 淺談關系數據庫的數據保護策略 關系數據庫查詢優化策略與研究 關系數據庫二進制存儲圖像數據的研究與應用 常見問題解答 當前所在位置：，1994.
[2]陳志煒.一種基于語義的將關系數據轉換為XML數據的方法[D].南京：東南大學碩士學位論文，2004.
[3]薩師煊，王珊.數據庫系統概論[M].第三版.北京：高等教育出版社，2005.
收稿日期：2016-11-25
目前世界上許多跨國信息技術行業的公司都在開發基于SaaS的產品和服務，為未來互聯網的發展提供技術平臺，而電子商務是近年來互聯網應用最受矚目的領域。因此SaaS模式的普及必將對電子商務的發展產生深刻的影響。
正如10Gen工程副總裁Geir Magnusson所指出那樣，在未來我們將很難找到關系數據庫的影子，這是因為關系數據庫不適用于分布式環境。SaaS的普及要求我們必須重新審視我們做事的方式。
時下的許多新型數據庫，包括Google的Bigtable，Amazon的SimpleDB，10Gen的Mongo，AppJet的AppJet數據庫以及甲骨文開源BerkelyDB。這些數據庫沒有一個是關系型的。而這些數據庫具有一些共同特征，就是都特別適用于服務云計算式的應用。它們中的大多數可以在分布式環境中運行，這意味著他們可以分布在多個地點的多臺服務器上。它們本質上都不是事務性的，并且都犧牲了一些高級查詢能力以換取更好的性能。在很多情況下，這些數據庫可以通過對象調用來檢索，而不用SQL。
盡管大型關系數據庫已經被應用在很多數據處理中心，但SaaS需要一種不同的設置來充分發揮其潛力。試想，在跨越地理空間距離之間執行復雜查詢以便減少響應時間、設計和維護支持不同位置的相關數據備份、在一個點癱瘓時能保證該數據同步、維護和運行這樣的體系并非易事。因此，數據庫組成部分在不同位置的分散對SaaS很必要，這也是SaaS產生的原因。更重要的是SaaS體系結構具有不同于目前使用的關系型結構的屬性，在SaaS體系結構里，關系不復存在，人們以群集形式看待數據。
關鍵詞:關系數據庫;云端數據庫;Bigtable;時間戳
中圖分類號:TP399文獻標識碼:A文章編號:1009-3044(2009)25-7090-03
Comparison and Analysis for Relational Database and Cloud Database Based on Architecture
ZHANG Zhen-yong, WEN Jing-hua
(Guizhou College of Finance and Economics, Guiyang 550004,China)
Abstract: Aiming at the shortcoming that relational database processes a large number of video,audio,images and complex data types, this thesis compared and analyzed relational database and Bigtable representing cloud database and based on architecture. The results showed that cloud database was more advantageous than relational database in precessing a great mass of data and complex data types. With the development of the cloud database technology,cloud database will be superseding the relational database as the mainstream of the database.
Key words: ralational database; cloud database; bigtable; timestamp
關系數據庫從1970年發展至今,雖功能日趨完善,但對數據類型的處理大多采用數字、字符等基本數據類型,對多媒體信息的處理只是停留在簡單的二進制代碼文件的存儲。隨著信息技術的發展,互聯網上數據量高速增長,非結構化數據的應用日趨擴大,再加上用戶應用需求的提高、硬件技術的發展和Web2.0提供的多彩的多媒體交流方式,用戶對多媒體處理的要求從簡單的存儲上升為識別、檢索和深入加工等高級應用。關系數據庫在處理這類數據時,逐漸暴露出了一些缺陷。
如何來高效處理占數據總量70%的聲音、圖像和視頻等復雜數據類型是目前互聯網界亟待解決的問題。正是在這種狀態下,云端數據庫便應運而生并開始發展起來。目前云端數據庫技術在云計算中的應用有Google的Bigtable系統[1]、Amazon公司的Dynamo系統、Hadoop的一個子項目Hbase、微軟的Live Mesh系統等等。無論是Bigtable還是Hbase都是采用通用的云端數據庫架構,只是核心技術不同。所以本文就以Google的Bigtable架構為代表與傳統的關系數據庫架構進行比較和分析。
1關系數據庫
1.1關系數據庫概念及特點
關系數據庫在一個給定的應用領域中,所有實體及實體之間聯系的關系的集合。它是建立在集合代數基礎上,應用數學方法來處理數據庫中的數據,現實世界中的各種實體以及實體之間的各種聯系均用關系模型來表示,也就是說關系數據庫是建立在關系模型基礎上的數據庫[2]。
關系數據庫具有數據結構化、最低冗余度、較高的程序與數據獨立性、易于擴充、易于編制應用程序等優點,目前較大的應用軟件系統都是建立在結構化數據庫設計之上的。
1.2關系數據庫系統的架構
關系數據庫的架構包括六個部分[3]:
1) 查詢語言接口
查詢語言接口通過使用SQL語言對數據庫進行特設查詢數據。
2)交互式查詢工具
交互式查詢工具是用于訪問,修改以及更新一個或多個關聯的數據表,并以視圖的方式返回給用戶。
3) 核心軟件
該核心軟件用于控制查詢處理,存取數據路徑,用戶訪問管理,存儲管理,索引,交易處理和讀取/更新信息。
4) 公用機制
公用機制主要用于輸入/輸出/備份調整工具及參數/報告撰寫。
5) 存儲機制
存儲機制主要進行數據庫寫入,歸檔,用戶管理器,服務器管理,重做日志文件。
6) 數據庫
數據庫的特點是以數據文件的方式對數據對象進行物理存儲,包含了系統目錄即數據目錄,一個或多個數據文件以結構化形式存儲組成集合即二維表,并將不同數據集通過主鍵和外鍵進行關聯。
關系數據庫的架構如圖1所示。
1.3關系數據庫的缺陷
通過對關系數據庫架構的分析,可以發現關系數據庫的一些不足,概括如下四點:
1) 數據類型表達能力差
因為關系數據庫所處理的是結構化的數據,所以關系數據庫缺乏直接構造與現代軟件應用有關的信息的類型表達能力。隨著信息技術的飛速發展,圖像、視頻、音頻以及文檔等非結構化的數據已被應用到人們的日常生活當中,利用關系數據庫來處理這些非結構化的數據已經顯得有點力不從心了。因此目前大多數RDBMS產品所采用的簡單類型在重構復雜數據的過程中將會出現性能問題;數據庫設計過程中的額外復雜性;RDBMS產品和編程語言在數據類型方面的不協調,需要通過較復雜的程序化進行數據類型之間的轉換來達到數據類型的一致性。
對于工程應用來說,關系數據庫不能支持復雜數據類型的典型結果就是需要額外地分解數據結構工作,這些被分解的結構不能直接表示應用數據,且從基本成分重構時也非常繁瑣和費時間。
2) 復雜查詢功能比較差
在關系數據庫中,利用SQL語言進行查詢數據。雖然SQL語言為數據查詢提供了很好的定義方法,但是當用于復雜信息的查詢時可能會非常繁瑣。這是由于在工程應用時規范化的過程通常會產生大量的簡單表,從而降低數據的冗余度。那么在這種環境下由存取信息產生的查詢必須處理大量的表和復雜主鍵和外鍵之間的聯系以及連接運算,會影響系統的查詢效率。
3) 支持長事務能力差
由于RDBMS記錄鎖機制的顆粒度限制,對于支持多種記錄類型的大段數據的登記和檢查來說,簡單的記錄級的鎖機制是不夠的,但基于鍵值關系的較復雜的鎖機制來說卻很難推廣也難以實現。
4) 環境應變能力差
在要求系統改變的環境下,關系數據庫從一種系統移植到另一個系統上的成本高且修改困難。再加上,關系數據庫和編程語言所提供的數據類型的不一致,使得從一個環境轉換到另一個環境時需要多至30%的附加代碼。
正是由于關系數據庫的這些缺陷,才推動了數據庫技術的發展,產生了云端數據庫技術,進而彌補了關系數據庫的不足。
2 云端數據庫
2.1 Bigtable的介紹
Google在 2004 年初就開始研發了BigTable,到了2005年大概有100個左右的服務使用BigTable。BigTable 讓Google在提供新服務時的運行成本降低,最大限度地利用了計算能力。
Bigtable是一個大型,容錯,自我管理的分布式存儲系統,并用于管理分布在成千上萬臺服務器上的結構化數據[4]。它是建立在GFS分布式文件系統[5]、Scheduler分布式集群調度、Lock Service分布式的鎖服務[6]和 MapReduce編程模式[7]基礎之上的系統。
2.2 Bigtable的架構
1) Bigtable的數據模型
一個Bigtable(大表)是一個稀疏的,分布的,持續的以及多維的排序的數據映射。這個映射由行主鍵,列主鍵和時間戳進行索引[4]。每一項值在映射中是一系列不被解釋的字節元組即(row:string,column:string,timestamp:int64)string。
在Bigtable的數據模型中,所有的數據都存放在表格單元中,每一行表示一個事物的數據內容,其所在列表示這個事物的唯一標志,其所對應的時間戳表示這個事物在某個時間上的狀態即具體的數據內容。關系數據庫只能反映當前時間上事物所處的狀態,而Bigtable不僅能顯示事物當前所處的狀態,而且還可以記錄某個事物的過去某個時間所處狀態。Bigtable的數據模型如圖2所示。
2) Bigtable的架構
與目前的關系數據庫類似,BigTable也是客戶端和服務器端的聯合設計,使得性能能夠最大程度地符合應用的需求。
BigTable系統依賴于集群系統的底層結構,一個是 Google的分布式文件系統(GFS),一個是分布式的集群任務調度(scheduler),還有一個分布式的鎖服務(Lock Service)。BigTable使用Lock Service來保存根數據表格的指針,即客戶端用戶可以首先從Lock Service鎖服務器中獲得根表的位置,進而對數據進行訪問。BigTable使用一臺服務器作為主服務器,用來保存和操作元數據。主服務器除了管理元數據之外,還負責對tablet服務器(即一般意義上的數據服務器)進行遠程管理與負載調配。客戶端通過編程接口與主服務器進行元數據通信,與tablet服務器進行數據通信[8]。
Bigtable的架構由Bigtable master、Bigtable tablet servers和Bigtable client library三部分組成,如圖3所示。
Bigtable master存儲了許多由大量的tablets組成的表。主要負責指派tablet到tablet的各個服務器上,并檢測tablet服務器的增減和服務程序裝載滿與否,進行實時的分配任務,使tablet服務器負載均衡并回收GFS文件系統中的垃圾文件。此外,它還處理模式更改,如表和列簇的創建。
每一個tablet服務器用于管理一部分tablets,通常有10-1000個tablet和處理客戶端用戶的讀/寫請求。tablet是由大表以行為單位分隔而成的。每個tablet保存了連續的行,然后別分配到各個tablet服務器上。
Bigtable client library是客戶端用戶和Bigtable服務器通信的接口。用戶通過Bigtable client library接口來讀數據和寫數據等操作。
3 關系數據庫與云端數據庫的比較
3.1 兩者架構的區別
關系數據庫架構與云端數據庫中的Bigtable架構主要區別如表1所示。
3.2 基于架構的比較分析
通過對關系數據庫架構和云端數據庫中的Bigtable架構的分析,可以從以下幾個方面對兩者進行比較:
1) 數據模型
在關系數據庫中創建的表是一張二維表包括行和列,使用簡單的數據類型對結構化的數據進行存儲。但對于非結構化的數據的存儲,因為關系數據庫要保持數據冗余度低這一優點,所以關系數據庫的設計會比較復雜且困難。而Bigtable創建的類似于二維表,但事實上不是二維表,它是由行主鍵、列主鍵、時間戳三個域組成的多維map。雖然Bigtable存儲數據的冗余度比較高,但是Bigtable比關系數據庫的二維表多了一個域――時間戳域,時間戳域可以記錄事物的不同時間時的狀態。另外Bigtable是以一條記錄為原子對數據進行操作的,所以Bigtable不僅可以對事物的當前狀態進行更新,還可以對事物的過去狀態進行查詢。在這一點上,關系數據庫是不支持歷史查詢的。
2) 數據的存取方式
在關系數據庫中用戶對數據進行查詢、添加、修改及刪除等的操作是使用SQL語言。對于處理海量及復雜數據時,使用SQL語言對多個關聯表進行操作就可能會顯得非常繁瑣。Bigtable并非支持SQL語言的數據庫,而是以map 函數方式的,以列導向的數據庫。Bigtable對數據的存取是以一行記錄為原子進行的,不必關聯其他的表,那么數據存取的速率要比關系數據庫要高。
3) 數據遷移能力
關系數據庫提供了一些簡單的數據類型,在環境發生變化比如應用平臺或者是編程語言所提供的數據類型與關系數據庫所提供的不一致時,那么數據之間的轉化過程將會相當復雜而且還會增加成本。而Bigtable所提供的數據類型只有字符串類型,所有數據都是以字符串的形式進行處理,因此Bigtable在進行數據遷移時相比關系數據庫要容易并且成本也要比關系數據庫要低得多。
4) 支持事務
關系數據庫為了保持數據的完整性和一致性,提供了事務處理功能。關系數據庫在處理簡單事務方面,顯現出了關系數據庫的優勢。但是在處理繁瑣的事務方面,比如執行了n條SQL語句來對多個關聯的數據表進行處理,執行效率就會顯得比較低。目前,Bigtable還不支持事務處理功能,但是Google已經考慮到了該功能,一旦Bigtable支持了多行數據的事務支持,執行效率將會大大提高。
總之,云端數據庫在處理非結構化數據時要比關系數據庫的效率高,更適宜在多節點的服務器集群上工作,比關系數據庫更適應環境的變化,最大的優點是使用成本比關系數據庫要低得多。
4 結束語
本文通過對關系數據庫架構和云端數據庫架構的比較分析,可以得出云端數據庫在許多方面要比關系數據庫占優勢,也就是說云端數據庫技術具有很大的發展前景。雖然云端數據庫技術還不夠成熟,再加上各大關系數據庫供應商對關系數據庫技術的不斷改進以及對查詢算法進行優化,但是隨著云端數據庫技術的不斷成熟,將會得到廣泛的應用,進而逐步會取代關系數據庫成為數據庫中的主流。
參考文獻:
[1] Chang F,Dean J,Ghemawat S,Hsieh WC,Wallach DA,Burrows M,Chandra T,Fikes A,Gruber RE.Bigtable:A distributed storage system for structured data.In:Proc.of the 7th USENIX Symp.on Operating Systems Design and Implementation.Berkeley:USENIX Association,2006:205-218.
[2] 瞿裕忠 胡偉 鄭東棟 仲新宇. 關系數據庫模式和本體間映射的研究綜述[J].計算機研究與發展,2008,45(2):300-309.
[3] Fay Chang,Jeffrey Dean,Sanjay Ghemawat,Wilson C.Hsieh,Deborah A.Wallach Mike Burrows, Tushar Chandra, Andrew Fikes,Robert E.Gruber.Bigtable: A Distributed Storage System for Structured Data,OSDI,2006:1-5.
[4] Ghemawat S,Gobioff H,Leung ST.The Google file system.In:Proc.of the 19th ACM Symp.on Operating Systems Principles.New York:ACM Press,2003.29-43.
[5] Dean J,Ghemawat S.MapReduce:Simplified data processing on large clusters.In:
關鍵字：優化查詢；SQL查詢；關系數據庫
數據庫查詢操作是數據庫操作的核心操作，對數據的查詢效率及處理速度已成為衡量數據庫性能的一個重要指標。數據庫查詢技術也是學生對《數據庫原理與應用》這門課程所必須掌握的知識和技能，數據庫查詢技術的精通也為以后課程的學習（如：C#.NET程序設計）中的數據庫應用程序的設計打下良好的基礎。
為了優化數據庫的性能，簡單、有效的方法就是優化查詢。
1優化原理和實質
數據查詢處理的代價通常取決于對磁盤的訪問，因為磁盤比內存的訪問速度要慢。對于一個給定的查詢，有許多可能的處理策略，復雜查詢更是如此[1]。查詢優化的實質是在結果正確的前提下，找出與已有表達式等價，但查詢效率更高的表達式。
2在教學中要注重的幾種典型的優化方法
2.1建立視圖
視圖可簡化用戶操作數據的方式，使用戶能著重于所感興趣的特定數據和所負責的特定任務。如果該視圖數據規模小于定義的基本表，則基于視圖的查詢比原查詢的速度會快得多。
例：要查詢每門課程成績最高的學生的學號
SELECT 學號，課程號，成績
FROM 成績表 A
WHERE 成績=（SELECT MAX（成績）
FROM 成績表B
WHERE A..課程號=B.課程號）
語句缺點：這屬嵌套查詢，子查詢的結果集將作為外層查詢的條件，查詢效率不高。
解決方案：可先建立視圖，求得每門課程的最高分，再與成績表中比較，獲取與視圖中最高分數據相等的記錄，這就減少了內層連接的數據量，從而提高了檢索速度。
用SQL語句優化的步驟為：
首先，創建視圖
GREATE VIEW V_max_cnoscore AS
SELECT 課程號，Max(成績) AS 最高分數
FROM 成績表 GROUP BY 課程號
其次，利用視圖檢索數據
SELECT 學號，A.課程號，A.成績
FROM 成績表A，V_max_cnoscore B
WHERE A.成績=B.最高分數 AND A.課程號=B.課程號
2.2查詢條件Where子句的優化
2.2.1合理設置WHERE條件的先后順序。多數數據庫都是按從左到右的順序處理條件，把能過濾更多數據的條件放在前面，過濾少的放后面，便可提高檢索速度。
例：SELECT * FROM student
WHERE ssex=’女’ --條件1過濾的數據較少
AND sdept=’計算機系’ --條件2過濾數據比條件1多
上面的SQL就不符合上述原則，可改為：
SELECT * FROM student
WHERE sdept=’計算機系’
AND ssex=’女’
對同一表格進行多個選擇運算，選擇條件的排序對性能有較大影響，不僅影響索引的選取，而且關系到臨時表的大小[2]。因此，要提高查詢速度，可將較嚴格的條件寫在前面，較弱的放在后面。
2.2.2避免使用“< >”或“NOT”操作符。“< >”或“NOT”均屬于排斥性操作符，不是包括性操作符，這會使系統在搜索數據時無法使用索引，只能直接搜索表中的數據，例：
（1）SELECT 學號 FROM 成績表 WHERE 成績< >80
（2)SELECT 學號 FROM 成績表 WHERE NOT(成績80)
（3)SELECT 學號 FROM 成績表 WHERE成績< 80 OR 成績>80
比較以上三條語句，可知第3條可使用索引查詢，它的查詢速度最快。
2.2.3恰當運用“OR擴展”技術。該技術是把在Where子句中帶有OR的查詢轉換成包含多個UNION ALL的查詢。
例：查詢計算機系縣年齡不大于20歲的學生。
常規的SQL語句：
SELECT 學號，姓名 FROM 學生表 WHERE 系名=’計算機系’ OR 年齡
假定表中“系名”和“年齡”兩個字段上創建了索引，以上的查詢可能不會使查詢優化器使用索引，從而查詢效率降低，可改進為：
SELECT 學號，姓名 FROM 學生表 WHERE 系名='計算機系'
UNION ALL SELECT 學號，姓名 FROM 學生表 WHERE 年齡
2.2.4合理減少LIKE條件的使用。在SQL查詢中，LIKE條件使用的神奇之處在于其與通配符匹配所提供的模糊查詢功能。但在字符串的比較中，有時大量字符的逐個比較，也會大大降低查找效率。
例：圖書按26個英文字母分為26類，查找所有屬于‘A’類圖書的銷售金額。
SELECT 圖書類號, SUM (數量*單價) FROM 銷售
WHERE 圖書類號LIKE′A%′GROUP BY圖書類號
優化為精確查詢：
SELECT 圖書類號，SUM(數量*單價) FROM銷售
WHERE 圖書類號>=′A′AND圖書類號
GROUP BY圖書類號
2.3正確使用子查詢“展平”技術子查詢“展平”技術就是指將子查詢轉變為半連接，連接或者反連接，從而將查詢優化。
例：找出成績大于等于90分的學生的姓名。
SELECT 姓名 FROM 學生表 WHERE 學號IN
(SELECT 學號FROM 成績表WHERE 成績>=90)
語句缺點：需要搜索學生表的每一行，來查找所有滿足子查詢條件的記錄。
解決方案：將學生表作為連接的內表，查詢將作為通常的連接來執行。
優化后的SQL語句：
SELECT 姓名FROM (SELECT 學號 FROM 成績表
WHERE成績>=90) A，學生表 B WHERE A.學號=B.學號
2.4善于使用存儲過程
存儲過程是SQL語句和可選控制流語句的預編譯集合，一個名稱存儲并作為一個單元處理。善于使用存儲過程，將使SQL變得更加靈活和高效。
例：查詢某個學生某門課程的考試成績，列出學生的姓名、課程名及成績
CREATE PROC pro_student_degree
@stu_name char(12)，@course_name char(18) AS
SELECT sname，cname，degree
FROM student A INNER JOIN sc B ON A.sno=B.省略o=o
WHERE sname=@stu_name AND cname=@course_name
以上是一個帶有兩個輸入參數的簡單存儲過程，只需執行一個簡單的SQL語句――“EXEC pro_student_degree‘劉娜’,’數據庫原理’”就可完成查詢。
編寫性能優化的SQL語句是提高數據庫系統的重要因素，隨著數據庫管理系統中數據量的增大，如何提高查詢速度與效率也是計算機軟件開發的一個時代要求。實現優化查詢的方法很多，在使用中，要根據具體情況權衡利弊，使數據庫查詢性能最優。在學生的教學中要注重培養學生的動手能力，使學生養成編寫優化的SQL語句的習慣。
參考文獻：
[1]王振輝,吳廣茂.SQL查詢語句優化研究[J].計算機應用，2005，（12）:208.
[2]SQL查詢優化注意where條件的順序.. 2009-06-18.
關鍵詞：對象關系數據庫；面向對象；AMOS II
中圖分類號：TP311文獻標識碼：A文章編號：1009-3044(2008)34-2016-02
A New Generation of Object-Relational Database: AMOSII
LIU Yan-hong1,2
(1.Nanjing Institute of Industry Technology Information Engineering, Nanjing 210046, China; 2.Nanjing University of Aeronautics and AstronauticsCollege of Information Science and Technology，Nanjing210016，China)
Abstract: Object-relational database can be combined with a single relational database system and a single object-oriented database system. It overcomes their limitations and is a new direction for research and discussion. AMOS II is the latest generation of object-relational database and has powerful object-oriented features. It provides the features and functions that a large number of next-generation database should have. The case of AMOS II fully reflects the advanced nature of the relational database.
Key words: object-relational database; object oriented; AMOS II
1 引言
隨著數據庫技術的發展,原有的數據庫系統很難適應新的應用領域中的復雜對象和這些對象的復雜行為的需求。新的應用需求推動了數據庫技術的研究, 其中最重要的研究方向之一就是使用一種與人們認識客觀事物的過程一致的方法, 這就是面向對象的方法。這種方法大大提高軟件開發的效率。對象關系數據庫是面向對象技術與數據庫技術相結合的產物。
2 對象－關系數據庫
對象關系數據庫兼有關系數據庫和面向對象的數據庫兩方面的特征。即它除了具有原來關系數據庫的種種特點外，還應該提供以下特點：
1) 允許用戶擴充基本數據類型。即允許用戶根據應用需求自己定義數據類型、函數和操作符，而且一經定義，這些新的數據類型、函數和操作符將存放在數據庫管理系統核心中，可供所有用戶公用。
2) 能夠在SQL中支持復雜對象。由多種基本類型或用戶定義的類型構成的對象。能夠支持子類對超類的各種特性的繼承，支持數據繼承和函數繼承，支持多重繼承，支持函數重載。能夠提供功能強大的通用規則系統，而且規則系統與其他的對象－關系能力是集成為一體的。
3 新一代對象關系數據庫的優勢
3.1 傳統的關系數據庫的缺陷
傳統的關系數據庫局限性為：
1) 面向機器的語法數據結構，數據模型單一，數據類型簡單、固定。
2) 不能依據某一類型的數據類型來擴展數據類型。
3) 結構與行為完全分離。
4) 存儲管理的對象有限，事物處理能力較差。
3.2 新一代對象關系數據庫的特征和功能
1) 數據庫應支持復雜的數據類型，并能存儲和處理復雜對象。還要具備支持用戶自定類型和可擴展能力。
2) 數據庫必須對其它系統開放。
3) 系統必須具有可移植性，可連接性，可擴展性和可互操作性。實現程序設計語言和數據庫語言的無縫的集成。
4 AMOS II應用案例分析
AMOS II是最新一代的對象關系數據庫，它充分體現了對象關系數據庫的強大功能。
4.1 學生課程成績查詢案例
有若干學生，學生信息包括學號，姓名，班級。有若干選修課程，課程信息包括課程號，課程名，成績。實現功能：1、通過查詢語句，可以查看所有的學生信息和課程信息。2、輸入學生信息如姓名，可以查看到他所選課程的相關內容。3、輸入課程名稱可以查看到選這門課的學生姓名。4、輸入學生姓名，可以統計出該生選的所有課程名稱和課程數。
4.2 案例設計與分析
1) AMOS II具有面向對象數據庫的特點。
在OODB中, 用類來描述對象的結構特征和行為特征。它有下面的定義形式：
class < 類名> [ (參數表) ]properties
{類的特征}
在本案例中課程和學生類設計如下：
create type kecheng properties(
sid charstring,//課程號//
sname charstring,//課程名//
scoreinteger //期末成績//
);
create type student properties(
tidcharstring,//學生號//
tname charstring,//學生姓名//
banjicharstring //班級//
);
創建kecheng的對象并且賦值用以下命令：
create kecheng(sid, sname,score) instances
:s1("01","Chinese",91),:s2("02","English",90),
…;
創建student的對象并且賦值用以下命令：
create student (tid, tname, banji) instances
:t1("08001","zhangsan","3ban"),
:t2("08002","lisi", "4ban"),
…;
函數設計舉例如下：
create function o_derect(student nonkey)-> as stored;
//輸入參數student類，返回該學生所選課程的元組//
create function sname(kecheng nonkey)->charstring as stored;
create function tname(student nonkey)->charstring as stored;
create function tid(student nonkey)->charstring as stored;
…;
以上定義的源代碼保存在文件lyh.amosql中。AMOSQL類似于SQL語言。例如用下面命令對學生信息進行查詢：
select tin (x), tname(x), from student (x);
在AMOS II中運行并得出結果，如圖1。
這些類、對象、屬性和函數的設計，充分體現了面向對象技術的特點。
2) AMOS II具有強大的可擴充功能。
AMOS II提供的Java函數的接口。在AMOS II中可以調用用戶自定義的Java函數。
本案例用Java語言定義函數tongji()并保存在名為lyh.java的文件中。該函數的功能是接受輸入參數為學生名，輸出該學生所選擇的課程名并統計出課程個數。
為了能在AMOS II調用該函數，需要在javademo.osql文件中添加下面的語句：
create function tongji(charstring)->charstring as foreign "JAVA:lyh/tongji";
運行后如圖2所示。
這充分體現了AMOS II允許用戶根據應用需求自己定義數據類型、函數，具有強大的可擴展功能。
5 總結和展望
綜上，對象―關系數據庫是面向對象技術與數據庫技術相結合的產物。AMOS II是最新的一代對象關系數據庫，具有強大的面向對象的功能。從學生課程成績查詢案例，可以看到AMOS II具有面向對象數據庫的特點，允許用戶根據應用需求自己定義數據類型、函數和操作符，具有強大的可擴展功能，體現了對象關系數據庫的先進性。本文用具體案例介紹了在AMOS II中如何定義類，對象和函數，和如何調用Java自定義函數，實現統計函數的功能。
對象―關系數據庫技術還處于研究發展階段,在很多方面它還面臨很多的挑戰，例如對象―關系數據庫還可以從面向對象數據庫那里吸收養分和研究成果，如路徑索引、對象聚集等。相信對象―關系數據庫有著美好的發展前景。
參考文獻：
[1] 趙志升,許素文,楊小姝.對象――關系數據庫管理系統及其特性與實現[J].電腦開發與應用,2002,15(8):47-48.
[2] 王治.對象―關系數據庫技術及其發展[J].九江師專學報:自然科學版,2003,22(5):86-88.
>> 基于關系數據庫的本體構建方法研究 面向關系數據庫的裝備領域本體構建研究 基于對象關系數據庫的移動對象數據庫管理系統的研究 基于UML模型的關系數據庫設計 基于關系數據庫的XML存儲技術 基于．NET平臺的關系數據庫轉換 基于架構的關系數據庫與云端數據庫比較分析 基于關系數據庫的關鍵詞查詢研究 基于關系數據庫的時態XML存取研究 基于關系數據庫的動態工資管理系統研究 基于關系數據庫的文件樹存儲策略研究 基于關系數據庫的可適性系統研究 基于DOM的XML文檔到關系數據庫的數據轉換方法 基于關系數據庫的實時XML數據查詢處理 淺談關系數據庫的數據保護策略 一種基于依賴關系的關系數據庫語義模式提取方法 關系數據庫查詢優化策略研究 關系數據庫查詢優化策略與研究 XML文檔與關系數據庫數據轉換的研究 WebService在LDAP與關系數據庫之間數據同步的研究 常見問題解答 當前所在位置：），但該工具只能創建輕量級本體，映射簡單，不能完全地對關系數據庫中存在的概念進行建模。
2）德克薩斯大學的Sunitha Ramanujam提出了“Bi-directional Translation of Relational Data into Virtual RDF Stores”[5]，即關系數據和RDF間的雙向轉換，并在D2R的基礎上開發了工具D2RQ++。
3）中科院國家科學圖書館成都分館的Shihan Yang等人提出“半自動化地從關系數據庫中構建本體”，文中提出了利用中間件來實現關系數據庫到本體轉化的方法，并且提出了W-graph的中間件語言，W-graph映射語義使用與關系數據庫和本體都無關的雙向模擬等價圖表示。中間件模式是動態的，當數據庫模式或本體頻繁變化時，該方法因此有很好的適應性。此方法不僅可以處理數據庫模式而且也可以處理數據庫中存儲的實例。圖形語義編輯工具的開發，提高了方法的可用性。
4）許卓明提出 “一種從關系數據庫學習OWL本體的方法”，開發出了關系數據庫模式到OWL本體轉換原型工具DB2WO，并給出了實例驗證。該研究首先給出了關系數據庫模式和OWL本體的定義，其次定義了關系數據庫模式到OWL本體的一組映射規則，然后開發了轉換工具DB2WO。關系數據庫模式信息通過讀取關系數據庫字典來提取。
5）陳和平等人提出“基于關系數據庫的本體生成器的設計與實現”[6] 。該研究中首先指出需要解決的2個關鍵問題：（1）如何提取關系數據庫的ER模式（2）如何定義由ER模式到OWL本體的映射規則。然后給出ER模式的提取一般可以通過查詢該關系數據庫的數據字典或應用數據庫的逆向工程工具，接著給出了ER模式到OWL本體的10多條轉化規則。最后，給出了本體生成器OWLFROMDB的功能模塊結構圖，并給出了實例驗證。
6）中國人民理工大學的Peng Liu等人在2010第九屆國際網格和云計算會議提出“基于關系數據庫的本體自動構建”[7]。其思想跟前述許卓明、陳和平等一致：通過分析關系數據庫模式，建立一系列的從關系數據模式到OWL的轉換規則，然后給出了算法和流程圖，最后給出了生成的本體的層次圖。
7）W3C成立了 RDB2RDF研究組，致力于提供一個從關系數據庫RDB到本體描述語言RDF的規范性的映射標準，到目前為止，該研究小組提出了幾個關于RDB到RDF映射語言的內部草稿，還未成為標準。
3 研究瓶頸及建議
現在，基于關系數據庫生成本體的研究已經引起越來越多研究者的興趣。基本思路無非是從關系數據庫中提取出數據模式，然后設定數據模式轉化為本體的規則，然后編程實現。每個研究人員都提出了自己的轉化規則，而并沒有人對規則的可行性給出評價結果。至今，尚未有研究者或機構給出權威的轉換規則。轉換規則的可行性和合理性應該是未來研究的重點。
4 結束語
利用關系數據庫中結構化的數據作為數據源來構建本體的方法，已經引起了眾多研究人員的重視，而隨著W3C的介入， 必將使這種轉換規范化。
參考文獻：
[1] /RDF[EB/OL].
[2] /TR/owl-features[EB/OL].
[3] Du Xiaoyong, Li Man, Wang Shan. A Survey on Ontology Learning Research[J] .Journal of Software, 2006,17(9): 1837-1847.
[4] Sunitha Ramanujam ,VaibhavKhadilkar.Bi-directional Translation of Relational Data into Virtual RDF Stores[C].2010 IEEE Fourth International Conference on Semantic Computing,2010,61:268-276.
[5] Shihan Yang,Ying Zheng.Semi-Automatically Building Ontologies from Relational Databases[J].IEEE,2010:150-154.
