DBLP數(shù)據(jù)集處理

0.前言

最近寫論文用到了比較出名的DBLP數(shù)據(jù)集,詳細介紹見DBLP官網(wǎng)

DBLP數(shù)據(jù)集下載地址

DBLP是以XML的形式給出的闷哆,類似于

<?xml version="1.0" encoding="ISO-8859-1"?>
<!DOCTYPE dblp SYSTEM "dblp.dtd">
<dblp>
    <article mdate="2017-05-28" key="journals/acta/Saxena96">
        <author>Sanjeev Saxena</author>
        <title>Parallel Integer Sorting and Simulation Amongst CRCW Models.</title>
        <pages>607-619</pages>
        <year>1996</year>
        <volume>33</volume>
        <journal>Acta Inf.</journal>
        <number>7</number>
        <url>db/journals/acta/acta33.html#Saxena96</url>
        <ee>https://doi.org/10.1007/BF03036466</ee>
    </article>

......
<dblp>

此處將實驗數(shù)據(jù)處理的過程整理如下:

1.需求

DBLP現(xiàn)在的數(shù)據(jù)量太大了(截止到2018-07-12 22:38梳凛,2G+)冲杀,根本用不了那么多,而且在XML中不方便處理套才。
現(xiàn)在的需求是:

根據(jù)需求將一定量的數(shù)據(jù)導入到數(shù)據(jù)庫(此處以mysql為例)

2.處理

經(jīng)分析不難想到,問題的解決分為兩步:

1.按照需求將文件截取一部分(有人也許會說慕淡,這都是廢話背伴,誰都知道,單獨列為一步, 是因為一般的編輯器傻寂,還真打不開2G+的xml
2.xml導入數(shù)據(jù)庫

2.1截取部分文件

截取文件息尺,我推薦的軟件是UltraEdit,至于如何破解疾掰,此處不做過多贅述

開始
結(jié)束

然后截取你需要的數(shù)據(jù)拷貝到新的文件里即可搂誉,需要注意的是:
新文件的末尾別忘了拷貝結(jié)束標簽</dblp>

新文件的末尾

2.2數(shù)據(jù)導入數(shù)據(jù)庫

技術(shù)選型: java的DM4J + mysql

(1)數(shù)據(jù)庫建表

/*
 Navicat Premium Data Transfer

 Source Server Type    : MySQL
 Source Server Version : 50527
 Source Host           : localhost:3306
 Source Schema         : mypaper

 Target Server Type    : MySQL
 Target Server Version : 50527
 File Encoding         : 65001
*/

SET NAMES utf8mb4;
SET FOREIGN_KEY_CHECKS = 0;

-- ----------------------------
-- Table structure for paper
-- ----------------------------
DROP TABLE IF EXISTS `paper`;
CREATE TABLE `paper`  (
  `id` int(32) UNSIGNED ZEROFILL NOT NULL AUTO_INCREMENT,
  `author` varchar(1024) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `title` varchar(1024) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `mdate` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `key` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `pages` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `year` varchar(64) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `volume` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `journal` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `number` varchar(64) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `url` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  `ee` varchar(512) CHARACTER SET utf8 COLLATE utf8_general_ci NULL DEFAULT NULL,
  PRIMARY KEY (`id`) USING BTREE
) ENGINE = InnoDB AUTO_INCREMENT = 243354 CHARACTER SET = utf8 COLLATE = utf8_general_ci ROW_FORMAT = Compact;

SET FOREIGN_KEY_CHECKS = 1;

(2)java處理

實體類:

package org.stone6762.domain;

/**
 * @ClassName:MyPaper
 * @author Stone6762
 * @Description:
 */
public class MyPaper {

    private String author;
    private String title;
    private String mdate;
    private String key;
    private String pages;
    private String year;
    private String volume;
    private String journal;
    private String number;
    private String url;
    private String ee;

    public String getAuthor() {
        return author;
    }

    public void setAuthor(String author) {
        this.author = author;
    }

    public String getTitle() {
        return title;
    }

    public void setTitle(String title) {
        this.title = title;
    }

    public String getMdate() {
        return mdate;
    }

    public void setMdate(String mdate) {
        this.mdate = mdate;
    }

    public String getKey() {
        return key;
    }

    public void setKey(String key) {
        this.key = key;
    }

    public String getPages() {
        return pages;
    }

    public void setPages(String pages) {
        this.pages = pages;
    }

    public String getYear() {
        return year;
    }

    public void setYear(String year) {
        this.year = year;
    }

    public String getVolume() {
        return volume;
    }

    public void setVolume(String volume) {
        this.volume = volume;
    }

    public String getJournal() {
        return journal;
    }

    public void setJournal(String journal) {
        this.journal = journal;
    }

    public String getNumber() {
        return number;
    }

    public void setNumber(String number) {
        this.number = number;
    }

    public String getUrl() {
        return url;
    }

    public void setUrl(String url) {
        this.url = url;
    }

    public String getEe() {
        return ee;
    }

    public void setEe(String ee) {
        this.ee = ee;
    }

    @Override
    public String toString() {
        return "MyPaper [author=" + author + ", title=" + title + ", mdate=" + mdate + ", key=" + key + ", pages="
                + pages + ", year=" + year + ", volume=" + volume + ", journal=" + journal + ", number=" + number
                + ", url=" + url + ", ee=" + ee + "]";
    }

}

xml解析工具

package org.stone6762.utils;

import java.io.File;
import java.util.ArrayList;
import java.util.Iterator;
import java.util.List;

import org.dom4j.Attribute;
import org.dom4j.Document;
import org.dom4j.DocumentException;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;
import org.stone6762.domain.MyPaper;

/**
 * @Title:XML2Bean.java 
 * @author Stone6762  
 * @Description:
 */
public class XML2Bean {

    public static List<MyPaper> getPapersFromXML(File file) {
        List<MyPaper> paperList = null;
        MyPaper paper = null;
        SAXReader reader = new SAXReader();
        try {
            Document document = reader.read(file);
            Element paperstore = document.getRootElement();
            Iterator storeit = paperstore.elementIterator();

            paperList = new ArrayList<MyPaper>();
            while (storeit.hasNext()) {

                paper = new MyPaper();
                Element paperElement = (Element) storeit.next();
                // 遍歷paperElement的屬性
                List<Attribute> attributes = paperElement.attributes();
                for (Attribute attribute : attributes) {
                    if (attribute.getName().equals("mdate")) {
                        String mdate = attribute.getValue();
                        paper.setMdate(mdate);
                    }
                    if (attribute.getName().equals("key")) {
                        String key = attribute.getValue();
                        paper.setKey(key);
                    }
                }

                Iterator paperit = paperElement.elementIterator();
                while (paperit.hasNext()) {
                    Element child = (Element) paperit.next();
                    String nodeName = child.getName();
                    if (nodeName.equals("author")) {
                        String author = child.getStringValue();
                        paper.setAuthor(author);
                    } else if (nodeName.equals("title")) {
                        String title = child.getStringValue();
                        paper.setTitle(title);
                    } else if (nodeName.equals("pages")) {
                        String pages = child.getStringValue();
                        paper.setPages(pages);

                    } else if (nodeName.equals("year")) {
                        String year = child.getStringValue();
                        paper.setYear(year);
                    } else if (nodeName.equals("volume")) {
                        String volume = child.getStringValue();
                        paper.setVolume(volume);
                    } else if (nodeName.equals("journal")) {
                        String journal = child.getStringValue();
                        paper.setJournal(journal);
                    } else if (nodeName.equals("number")) {
                        String number = child.getStringValue();
                        paper.setNumber(number);
                    } else if (nodeName.equals("url")) {
                        String url = child.getStringValue();
                        paper.setUrl(url);
                    } else if (nodeName.equals("ee")) {
                        String ee = child.getStringValue();
                        paper.setEe(ee);
                    }
                }
                paperList.add(paper);
                paper = null;
            }
        } catch (DocumentException e) {
            e.printStackTrace();
        }
        return paperList;
    }
}

導入數(shù)據(jù)庫

package org.stone6762.main;

import java.io.File;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;
import java.util.List;

import org.stone6762.domain.MyPaper;
import org.stone6762.utils.XML2Bean;

/**
 * @ClassName:Main
 * @author Stone6762
 * @Description:
 */
public class Main {

    private static String USERNAME = "root";
    private static String PASSWORD = "root";
    private static String DRIVER = "com.mysql.jdbc.Driver";
    private static String URL = "jdbc:mysql://localhost:3306/mypaper";

    private static Connection con = null;
    private static PreparedStatement pstmt = null;

    public static void main(String[] args) throws Exception {

        Class.forName(DRIVER);
        System.out.println("注冊驅(qū)動成功!");
        con = DriverManager.getConnection(URL, USERNAME, PASSWORD);
        System.out.println("獲取連接成功静檬!");

        String sql = "INSERT INTO paper (paper.author, " 
                + "paper.ee," 
                + "paper.journal," 
                + "paper.key,"
                + "paper.mdate," 
                + "paper.number," 
                + "paper.pages," 
                + "paper.title," 
                + "paper.url," 
                + "paper.volume,"
                + "paper.year )VALUES (?,?,?,?,?,?,?,?,?,?,? )";


        pstmt = con.prepareStatement(sql);

        List<MyPaper> papers = XML2Bean.getPapersFromXML(new File("ref/DBCP_1_1.xml"));

        for (int i = 0; i < papers.size(); i++) {
            MyPaper myPaper = papers.get(i);
            pstmt.setObject(1, myPaper.getAuthor());
            pstmt.setObject(2, myPaper.getEe());
            pstmt.setObject(3, myPaper.getJournal());
            pstmt.setObject(4, myPaper.getKey());
            pstmt.setObject(5, myPaper.getMdate());
            pstmt.setObject(6, myPaper.getNumber());
            pstmt.setObject(7, myPaper.getPages());
            pstmt.setObject(8, myPaper.getTitle());
            pstmt.setObject(9, myPaper.getUrl());
            pstmt.setObject(10, myPaper.getVolume());
            pstmt.setObject(11, myPaper.getYear());
            pstmt.executeUpdate();
            System.out.println(i+"插入成功炭懊!");
        }

    }
}


3.結(jié)果展示

部分數(shù)據(jù)
單條數(shù)據(jù)
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市拂檩,隨后出現(xiàn)的幾起案子侮腹,更是在濱河造成了極大的恐慌,老刑警劉巖稻励,帶你破解...
    沈念sama閱讀 217,406評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件父阻,死亡現(xiàn)場離奇詭異,居然都是意外死亡望抽,警方通過查閱死者的電腦和手機加矛,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,732評論 3 393
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來煤篙,“玉大人斟览,你說我怎么就攤上這事〖危” “怎么了趣惠?”我有些...
    開封第一講書人閱讀 163,711評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長身害。 經(jīng)常有香客問我,道長草戈,這世上最難降的妖魔是什么塌鸯? 我笑而不...
    開封第一講書人閱讀 58,380評論 1 293
  • 正文 為了忘掉前任,我火速辦了婚禮唐片,結(jié)果婚禮上丙猬,老公的妹妹穿的比我還像新娘。我一直安慰自己费韭,他們只是感情好茧球,可當我...
    茶點故事閱讀 67,432評論 6 392
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著星持,像睡著了一般抢埋。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,301評論 1 301
  • 那天揪垄,我揣著相機與錄音穷吮,去河邊找鬼。 笑死饥努,一個胖子當著我的面吹牛捡鱼,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播酷愧,決...
    沈念sama閱讀 40,145評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼驾诈,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了溶浴?” 一聲冷哼從身側(cè)響起乍迄,我...
    開封第一講書人閱讀 39,008評論 0 276
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎戳葵,沒想到半個月后就乓,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 45,443評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡拱烁,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,649評論 3 334
  • 正文 我和宋清朗相戀三年生蚁,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片戏自。...
    茶點故事閱讀 39,795評論 1 347
  • 序言:一個原本活蹦亂跳的男人離奇死亡邦投,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出擅笔,到底是詐尸還是另有隱情志衣,我是刑警寧澤,帶...
    沈念sama閱讀 35,501評論 5 345
  • 正文 年R本政府宣布猛们,位于F島的核電站念脯,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏弯淘。R本人自食惡果不足惜绿店,卻給世界環(huán)境...
    茶點故事閱讀 41,119評論 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望庐橙。 院中可真熱鬧假勿,春花似錦、人聲如沸态鳖。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,731評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽浆竭。三九已至浸须,卻和暖如春惨寿,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背羽戒。 一陣腳步聲響...
    開封第一講書人閱讀 32,865評論 1 269
  • 我被黑心中介騙來泰國打工缤沦, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人易稠。 一個月前我還...
    沈念sama閱讀 47,899評論 2 370
  • 正文 我出身青樓缸废,卻偏偏與公主長得像,于是被迫代替她去往敵國和親驶社。 傳聞我的和親對象是個殘疾皇子企量,可洞房花燭夜當晚...
    茶點故事閱讀 44,724評論 2 354

推薦閱讀更多精彩內(nèi)容

  • 關(guān)于Mongodb的全面總結(jié) MongoDB的內(nèi)部構(gòu)造《MongoDB The Definitive Guide》...
    中v中閱讀 31,930評論 2 89
  • 1、通過CocoaPods安裝項目名稱項目信息 AFNetworking網(wǎng)絡(luò)請求組件 FMDB本地數(shù)據(jù)庫組件 SD...
    陽明先生_X自主閱讀 15,980評論 3 119
  • 有些事情已經(jīng)舊了亡电,時間也老了 而有些還在延續(xù) 驀然回首届巩,在那燈火闌珊處見到 仍然是那情、那景 我.....我向前追...
    尋夢的塵憶閱讀 343評論 1 4
  • 今天份乒,第三天培訓恕汇,今天上午的課堂上我打斷了老師的話,說部隊的坐姿比導師教的好看或辖,然后經(jīng)過導師耐心的教導瘾英,我明白了場...
    康家豪閱讀 282評論 0 0
  • 第1章 緒論 11.1 研究背景 11.1.1 傳統(tǒng)金融系統(tǒng)的發(fā)展現(xiàn)狀 11.1.2 互聯(lián)網(wǎng)系統(tǒng)的發(fā)展...
    lesline閱讀 749評論 0 0