DBLP数据集处理

0.前言

最近写论文用到了比较出名的DBLP数据集,详细介绍见DBLP官网

DBLP数据集下载地址

DBLP是以XML的形式给出的,类似于

<?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>

此处将实验数据处理的过程整理如下:

1.需求

DBLP现在的数据量太大了(截止到2018-07-12 22:38,2G+),根本用不了那么多,而且在XML中不方便处理。
现在的需求是:

根据需求将一定量的数据导入到数据库(此处以mysql为例)

2.处理

经分析不难想到,问题的解决分为两步:

1.按照需求将文件截取一部分(有人也许会说,这都是废话,谁都知道,单独列为一步, 是因为一般的编辑器,还真打不开2G+的xml
2.xml导入数据库

2.1截取部分文件

截取文件,我推荐的软件是UltraEdit,至于如何破解,此处不做过多赘述

开始
结束

然后截取你需要的数据拷贝到新的文件里即可,需要注意的是:
新文件的末尾别忘了拷贝结束标签</dblp>

新文件的末尾

2.2数据导入数据库

技术选型: java的DM4J + mysql

(1)数据库建表

/*
 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处理

实体类:

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();
                // 遍历paperElement的属性
                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;
    }
}

导入数据库

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("注册驱动成功!");
        con = DriverManager.getConnection(URL, USERNAME, PASSWORD);
        System.out.println("获取连接成功!");

        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!");
        }

    }
}


3.结果展示

部分数据
单条数据
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 230,563评论 6 544
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 99,694评论 3 429
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 178,672评论 0 383
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 63,965评论 1 318
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 72,690评论 6 413
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 56,019评论 1 329
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 44,013评论 3 449
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 43,188评论 0 290
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 49,718评论 1 336
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 41,438评论 3 360
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 43,667评论 1 374
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 39,149评论 5 365
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 44,845评论 3 351
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 35,252评论 0 28
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 36,590评论 1 295
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 52,384评论 3 400
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 48,635评论 2 380

推荐阅读更多精彩内容

  • 关于Mongodb的全面总结 MongoDB的内部构造《MongoDB The Definitive Guide》...
    中v中阅读 32,001评论 2 89
  • 1、通过CocoaPods安装项目名称项目信息 AFNetworking网络请求组件 FMDB本地数据库组件 SD...
    阳明AGI阅读 16,003评论 3 119
  • 有些事情已经旧了,时间也老了 而有些还在延续 蓦然回首,在那灯火阑珊处见到 仍然是那情、那景 我.....我向前追...
    寻梦的尘忆阅读 358评论 1 4
  • 今天,第三天培训,今天上午的课堂上我打断了老师的话,说部队的坐姿比导师教的好看,然后经过导师耐心的教导,我明白了场...
    康家豪阅读 305评论 0 0
  • 第1章 绪论 11.1 研究背景 11.1.1 传统金融系统的发展现状 11.1.2 互联网系统的发展...
    lesline阅读 767评论 0 0