1
Technologie ETL. Metadata, RDF.
Obsah
ETL - principy, aplikace, nástroje .......................................................................................... 1
ETL: Extract-Transform-Load ....................................................................................... 1
Aplikace ETL ............................................................................................................ 1
Implementace ............................................................................................................. 2
Ukázky - Clover ETL ................................................................................................. 2
Clover ETL - Designer ................................................................................................ 3
Otázky ...................................................................................................................... 4
Rámce pro metadata popisující XML a jiné datové zdroje .......................................................... 4
Rámec RDF .............................................................................................................. 4
RDF Model ............................................................................................................... 4
RDF Schema ............................................................................................................. 5
RDF reprezentace užívaných metadatových schémat - Z39.50, Dublin Core atd. ..................... 5
Dublin Core - příklad konkrétního metadatového schématu ........................................................ 5
Co je Dublin Core? .................................................................................................... 5
Jednoduchý (Simple) Dublin Core ................................................................................. 5
Dublin Core - elementy ............................................................................................... 5
DC - příklad metadatového popisu ................................................................................ 6
Kvalifikovaný Dublin Core .......................................................................................... 6
Kódování DC v XML ................................................................................................. 6
Nástroje pro práci s RDF ............................................................................................. 6
Příklady praktického použití metadat - veřejná správa ............................................................... 6
Rámec pro metadata ISVS ČR ...................................................................................... 6
Adaptace Dublin Core pro potřeby veřejné správy ............................................................ 7
Aplikační profil NMS ................................................................................................. 7
Ontologie .......................................................................................................................... 7
Co jsou ontologie? ...................................................................................................... 7
Aplikace ontologií (Use Cases) ..................................................................................... 8
XML Topic Maps ....................................................................................................... 8
ETL - principy, aplikace, nástroje
ETL: Extract-Transform-Load
Extract-Transform-Load (ETL) jsou postupy a nástroje datové integrace:
Extract získávání dat z různých zdrojů, různých formátů, ...
Transform převod do požadované podoby
Load zavedení/uložení dat do cílové databáze či datového skladu
Aplikace ETL
ETL nástroje mají v současnosti mnoho aplikačních oblastí:
Technologie ETL. Metadata, RDF.
2
1. Integrace dat z různých zdrojů a formátů (textové dokumenty, CSV, tabulky XLS, databáze, XML
data...)
2. Konsolidace dat (převody a "čištění" dat)
3. Ukládání do velkých databází - datových skladů (data-warehouse) pro aplikace v managementu
4. Migrace dat (převody na jiné platformy, databáze...)
ETL systémy jsou označovány za "a critical building block to a successful business intelligence
deployment".
Implementace
Existuje celá řada (nejen javových) implementací, mnohé s grafickým rozhraním na "kreslení"
transformačních toků.
Clover ETL http://www.cloveretl.org - open source nástroj ETL vč. grafického
rozhraní [http://www.cloveretl.org/_img/clovergui/Graf.png]
Microsoft SQL Server Integration
Services
http://www.microsoft.com/sql/technologies/integration/
default.mspx
Octopus Java/XML ETL Tool http://octopus.enhydra.org/
java-etl http://code.google.com/p/java-etl/
Kettle http://kettle.pentaho.org/
Ukázky - Clover ETL
Komerčně vyvíjený (společnost Javlin [http://www.javlin.cz], průmyslový partner FI, http://
www.cloveretl.org) open-source nástroj obsahující:
Clover Engine jádro provádějící transformace. Obsahuje také konektory na externí zdroje a cíle
dat
Clover Server platforma pro ostré spouštění (vč. plánování, monitoringu) transformací
Clover Designer nástroj pro grafický návrh transformačních grafů (na platformě Eclipse)
Technologie ETL. Metadata, RDF.
3
Clover ETL - Designer
Obrázek 1.
Technologie ETL. Metadata, RDF.
4
Otázky
Implementace a nasazení ETL na velké objemy dat přináší některé (jinde se nevyskytující) problémy:
* nutnost optimalizovat transformace jak na rychlost tak na zvládnutí velkých objemů
* paměťově efektivní modely na (mezi)ukládání XML dat - běžné "in memory" stromové modely nelze
použít
* definovatelnost, udržovatelnost a verifikovatelnost rozsáhlých transformačních sítí - vizuální nástroje
+ formální metody
Rámce pro metadata popisující XML a jiné
datové zdroje
Rámec RDF
RDF Model a RDf Schema jsou doporučeními W3C
Specifikace a další informace pracovní skupiny - http://www.w3.org/RDF
RDF Model
RDf je obecný mechanizmus pro specifikaci metadat
je použitelný k libovolných (i ne-digitálním) zdrojům
základem modelu jsou trojice:
* zdroj (resource) - např. http://www.fi.muni.cz/~tomp/xml
* vlastnost (property) - např. popis
* hodnota (value) - např. Domovská stránka předmětu P138 na FI MU
Trojice je možné znázornit
* graficky,
* jako trojice (r, p, v) nebo
* XML syntaxí
Blíže viz
* Dobrý úvodní článek na xml.com: What is RDF? [http://www.xml.com/pub/a/2001/01/24/rdf.html]
* RDF Tutoriál - Zvon RDF Tutorial [http://www.zvon.org/xxl/RDFTutorial/General/book.html]
* RDF Tutorial http://www710.univ-lyon1.fr/~champin/rdf-tutorial/node1.html
* Další RDF Tutorial (.ppt) [http://www.aifb.uni-karlsruhe.de/WBS/sst/Teaching/Intelligente%20System
%20im%20WWW%20SS%202000/RDF-Tutorial.pdf]
Technologie ETL. Metadata, RDF.
5
RDF Schema
* Specifikuje omezení na množiny vlastností, jejich definičních oborů a oborů hodnot
* Modeluje se opět v RDF
RDF reprezentace užívaných metadatových schémat Z39.50,
Dublin Core atd.
* RDF je obecný rámec pro modelování metadat, pro konkrétní použití je obvykle nutné definovat schéma
přípustných vlastností, jejich domén a množin (přípustných) hodnot.
* Tím se vytvoří RDF reprezentace daného metadatového schématu.
* Reprezentace může mít podobu RDF Schematu.
Dublin Core - příklad konkrétního
metadatového schématu
Co je Dublin Core?
* je generické metadatové schéma s univerzální použitelností
* vznikl původně jako iniciativa knihovníků pro popis bibliografických informací
* dnes univerzálně používán - např. pro metadatový popis informací ve veřejné správě (e-Government)
* tvoří jej 15 základních elementů s rámcově definovanou sémantikou
* elementy je možné rozšiřovat - rozkladem na (obvykle disjunktní) podmnožiny (vždy to musí být
podmnožiny některého z původních elementů)
Jednoduchý (Simple) Dublin Core
"Jednoduchý" nebo "základní" Dublin Core (angl. Simple Dublin Core nebo Unqualified Dublin Core,
dále jen "jednoduchý DC") představuje základní soubor patnácti prvků, který vyvinula a podporuje
* Iniciativa pro metadata Dublin Core (Dublin Core Metadata Initiative, DCMI, http://dublincore.org).
* Momentálně je aktuální verzí Dublin Core 1.1.
* je přijat konsorciem IETF [http://ietf.org] jako tzv. dokument RFC (Request For Comment) 2431rovněž
od 2003 jako ISO Standard 15836-2003
Dublin Core - elementy
Název Jméno dané zdroji Tvůrce Entita primárně odpovědná za
vytvoření obsahu zdroje Předmět a klíčová slova Téma obsahu zdroje Popis
Vysvětlení obsahu zdroje Vydavatel Entita odpovědná za zpřístupnění
zdroje Přispěvatel Entita, která přispěla k vytvoření obsahu zdroje
Datum Datum spojené s určitou událostí během existence zdroje Typ zdroje
Technologie ETL. Metadata, RDF.
6
Povaha nebo druh obsahu zdroje Formát Fyzická nebo digitální
reprezentace zdroje Identifikátor zdroje Jednoznačný odkaz na zdroj v
rámci daného kontextu Zdroj Odkaz na zdroj, z něhož je popisovaný zdroj
odvozen Jazyk Jazyk intelektuálního obsahu zdroje Vztah Odkaz na
příbuzný zdroj Pokrytí Rozsah nebo záběr obsahu zdroje Správa autorských
práv Informace o právech vztahujících se k popisovanému zdroji
DC - příklad metadatového popisu
Název Zelená kniha o elektronickém obchodu Tvůrce Úřad pro
veřejné informační systémy, Úřad vlády Předmět Elektronický obchod,
elektronický podpis, bezpečnost, správa Popis Vládní návrh podpory
elektronického obchodu v České republice Datum vytvoření 2001-09-20
Datum zveřejnění 2001-10-17 Identifikátor ISBN:?????
Kvalifikovaný Dublin Core
* (Qualified Dublin Core) obsahuje stejný soubor prvků jako jednoduchý DC a doporučuje další upřesnění
a omezení každého prvku.
* Typicky se tak děje na základě formálního nebo de-facto mezinárodního standardu, např. může
požadovat, aby prvek "jazyk" byl vyplněn v souladu se seznamem ISO pro jazyky (ISO 639).
Kódování DC v XML
DTD - http://dublincore.org/documents/2001/11/28/dcmes-xml/dcmes-xml-dtd.dtd [http://dublincore.org/
documents/2001/11/28/dcmes-xml/dcmes-xml-dtd.dtd]
XML Schema - http://dublincore.org/documents/2001/11/28/dcmes-xml/dcmes-xml-xsd.xsd [http://
dublincore.org/documents/2001/11/28/dcmes-xml/dcmes-xml-xsd.xsd]
RDF Schema - rdf/dc-rdf-schema-cz.rdf [/~tomp/xml/rdf/dc-rdf-schema-cz.rdf]
RDF Schema pro slovník typů (Type Vocabulary) - /~tomp/xml/rdf/dc-tv-rdf-schema-cz.rdf [/~tomp/xml/
rdf/dc-tv-rdf-schema-cz.rdf]
Nástroje pro práci s RDF
Jena Java RDF API and toolkit http://www.hpl.hp.com/semweb/
The ICS-FORTH RDFSuite [http://139.91.183.30:9090/RDF/]
další viz http://www.w3.org/RDF [http://www.w3.org/RDF/]
Příklady praktického použití metadat - veřejná
správa
Rámec pro metadata ISVS ČR
Kroky budování
* Přijmout doporučení Dublin Core a osvojit jej jako Národní metadatový standard (NMS).
Technologie ETL. Metadata, RDF.
7
* Rozšířit tento standard tak, aby vyhovoval potřebám veřejné správy jak pro snadné vyhledávání
informací, tak pro správu informačních zdrojů.
* Vyvinout Aplikační profil NMS, který bude obsahovat předepsaná kódovací schémata a závazný
výklad jednotlivých metadatových prvků.
* Připravit Tezaurus veřejné správy.
Adaptace Dublin Core pro potřeby veřejné správy
pro potřeby veřejné správy v zemích Evropské Unie, Austrálie, Kanady a Nového Zélandu je
rozpracováván specifický aplikační profil Dublin Core.
Cílem MIReG je vytvořit metadatový rámec (metadata framework), příslušné referenční softwarové
nástroje a soubor osvědčených postupů (best practice) pro implementaci rámce v jednotlivých zemích
a sektorech. Přitom spolupracuje také s evropskou standardizační autoritou CEN, což dává předpoklad
celoevropského respektování vzniklého doporučení.
* proces zahájen na sérii pracovních seminářů Managing information resources for e-government
(MIReG) a stal se součástí programu Interchange of Data between Administrations (IDA) Evropské
Unie.
* Dalším partnerem při vytváření evropského metadatového rámce je též projekt ParlML, zaměřený na
zpřístupňování informací Evropského parlamentu.
* Příslušná pracovní skupina připravuje doporučení DC-Gov Application Profile
Aplikační profil NMS
zahrnuje:
* Upřesnění (zjemnění, kvalifikaci, specializaci angl. element refinement) metadatových prvků, které
přesněji určuje sémantiku daného prvku a tím jej rozděluje na jemněji (přesněji) určené podprvky např.
obecné datum lze kvalifikací rozdělit na menší části, a místo "datum" uvádět přesněji např. "datum
vytvoření", "datum zveřejnění", "datum platnosti", "nástupnické datum".
* Kvalifikovaný prvek lze však i nadále zpracovávat nástroji, které příslušné kvalifikaci "nerozumějí" tyto
nástroje potom chápou prvek jako by zůstal nekvalifikovaný (všeobecnější), tj. "datum zveřejnění"
mohou chápat jako prosté "datum", čímž je sice část sémantiky ztracena, ale prvek může být stále
užitečný např. pro vyhledávání.
* Kódovací schémata (též kvalifikace hodnoty, angl. encoding scheme nebo value qualification)
specifikující formát, ve kterém bude uložena hodnota pro příslušný metadatový prvek, např. "datum"
vždy bude uváděno ve formátu rrrr-mm-dd (rok-měsíc-den), což definuje standard ISO 8601.
* Kromě formátu může být kvalifikací hodnoty též např. specifikace měrné jednotky, v níž bude hodnota
uváděna.
Ontologie
Co jsou ontologie?
prostředek jak popisovat znalosti
Technologie ETL. Metadata, RDF.
8
množina pojmů a konstruktů, jak je odvozovat, spojovat atd.
základní kategorie ontologií jsou
* Classes (general things) in the many domains of interest
* The relationships that can exist among things
* The properties (or attributes) those things may have
používá metadatové rámce (např. RDF), ale je
bohatší s přesnější sémantikou
jsou vybudovány obecné rámce pro tvorbu ontologií pro specifické domény
Aplikace ontologií (Use Cases)
* Webové portály, integrace dat na webu
* Multimediální kolekce
* Správa velkých webů
* Dokumentace návrhu
* Inteligentní agenti
* "Všudypřítomné počítání"
Pracovní skupina při W3C [http://www.w3.org/2001/sw/WebOnt/]
XML Topic Maps
Další návrh pracovní skupině WebOnt - http://www.topicmaps.org/xtm/1.0 [http://www.topicmaps.org/
xtm/1.0/]