【毕设】日志-2009.04.16-17

-------------------
[日志] 2009.04.17

　　下午与马师兄讨论了当前的一些问题。昨天抽取中文abstract-zh-cn.xml时，程序报错说没有anchor标签没有结尾：[Fatal Error] org.xml.sax.SAXParseException: 2053:210: The element type "anchor" must be terminated by the matching end-tag "/anchor".。今天在师兄的帮助下，初步判定不是XML的问题，也许与汉字编码有关。另外，我用容器来处理每个子节点内容的方法也被师兄认为是不必要的，甚至会造成程序的崩溃。究其原因，是我对SAX的理解不够深入。

　　为了把数据库导入到服务器上，大三的学弟把服务器机箱从学校机房搬到实验室。按照周师兄的要求，需要为其重装RedHat Enterprise Linux系统。但是服务器的Ubuntu 8.10系统出了点问题，开机只能启动命令行界面，用startx命令也无法进入图形化界面，这样一来就很难在重装之前导出数据来备份。后来借助Ubuntu的LiveCD进入系统，成功的导出了文件。从网上下载了RHEL5.3 [1]，以及FTP上的4.6，都刻了盘待用。

　　晚上改写了数据库插入的代码，减少了数据库连接次数，运行速度提高了很多。

遇到的问题：

　　如果在SAX解析器中加入Web对象基本关系抽取的代码，不知效率会不会很慢。

下一步计划：

　　完善数据库格式设计，包括关系实例表的设计、解决实体与类别表的冲突等。

相关资料：
[1] Redhat Enterprise Linux V5 UPDATE 3下载地址：http://ftp.wallawalla.edu/pub/isos/ISOS/redhat/rhel/5.3/rhel-server-5.3-i386-dvd.iso 注册码2515dd4e215225dd仅限安装，无法更新。


-------------------
[日志] 2009.04.16

　　中午来到实验室，继续写SAX处理XML的代码。下午实现了对abstract.xml中title、url、abstract，pages-articles.xml中title、id、text标签内容的抽取。晚上对代码进行修改，可以将抽取到的字符串存入数据库相应的表项。另外，马师兄回复我昨天的邮件时提到，“把mysql的程序目录连其数据及其copy下来，将来恢复时简单的在文件系统里覆盖源文件就可以，就不用再导入数据”。作了一下实验，是可行的，但初次的数据时必须导入完全。

遇到的问题：

　　维基提供的XML太过巨大，因此频频遇到新问题，而在测试时都不曾见到（测试采用Kinyarwanda卢旺达语版）。

　　比如在处理zhwiki-20090116-abstract-zh-cn.xml时，竟然会出现[Fatal Error] :10:199: The element type "anchor" must be terminated by the matching end-tag "/anchor". 是说这个XML里有一处anchor标签没有结束项，而用另一种逐行解析的代码就没有问题。另外，在把抽取结果存储进数据库的时候，也会出现一些小错误，是由于卢旺达语比较怪异的字符引起的。java.sql.SQLException: Incorrect string value: '\xE8\x8C\x85 na...' for column 'ent_abs' at row 1. 英语应该不会出现这种问题。

下一步计划：

　　这周进度有些慢了，被一些小问题纠缠。明天开始Web对象简单关系抽取，设计新的数据库表项，包括上次开会提到的关系描述表、关系实例表。