Datenbanken in der FOR 600 Der Einsatz von Datenbanken in der empirischen Linguistik Heinrich-Heine-Universität, FFF-Kolloquium Christof Rumpf 29.04.2009 1/34 Überblick • Datenbanken – Grundlagen • Datenbanken in der FOR 600 – – – – – DB Verbgraduierung DB A2: Dimensionsverben DB B5: FBs in der Harndiagnostik DB A4: Entwicklung von FBs im Französischen DB A5: mehrdimensionale Korpusanalyse 2/34 Was ist eine Datenbank? Datenbank, Datenbanksystem, englisch Data-Base-System, zentral verwaltetes System zur widerspruchsfreien und permanenten Speicherung großer Datenmengen eines Informationsgebietes (z. B. naturwissenschaftliche Daten, Wirtschaftsstatistiken), auf die nach unterschiedlichen Anwendungskriterien zugegriffen werden kann. Ein Datenbanksystem besteht aus den auf der Grundlage eines Datenbankmodells organisierten Datenbeständen (Datenbasis) und dem Datenbank-Managementsystem (Abkürzung DBMS), einem Softwarepaket, das die Datenbestände und Zugriffsrechte verwaltet sowie eine Anwenderschnittstelle für die Datendefinition, -eingabe und -manipulation enthält. Meyers Lexikon 3/34 Datenbankmodelle / -architekturen • Relational - verbreitetster Standard • Deduktiv - relational + Prolog • Objektorientiert - entspr. OO-Programmierung • Objektrelational - relational + objektorientiert • Hierarchisch - Baumstruktur, veraltet • Netzwerk - Graphen 4/34 Datenbankmanagementsystem • Ein DBMS ist ein Softwarepaket – zur Speicherung und Organisation von Daten aufgrund eines Datenbankmodells – zur Verwaltung von Zugriffsrechten – enthält Entwicklerschnittstelle zur • • • • • Definition von Datenmodellen Eingabe und Pflege von Daten Erstellung von ‚Sichten‘ auf Daten (Abfragen) Erstellung von Berichten (Reportgenerator) Erstellung von Benutzerschnittstellen für ‚Normalbenutzer‘ (Formulargenerator) 5/34 Relationale DBMS • Desktop-DBMS – MS Access, dBase, OpenOffice Base, … – Müssen in einer Client-Server-Umgebung ganze Datenbestände auf den Client laden, um eine Abfrage auszuwerten. • Server-DBMS – Oracle, MySQL, Microsoft SQL Server, … – Abfragen werden auf dem Server ausgewertet und nur die Ergebnisse zum Client übertragen. 6/34 Datenmodell • Ein Datenmodell ist eine Abbildung von Objekten (z.B. aus der ‚wirklichen‘ Welt) mit ihren (relevanten) Eigenschaften und Beziehungen in einem Datenbankmodell. • Beispiel: – Universität mit Fakultäten, Instituten, Angestellten, Studenten, Studiengängen, Lehrveranstaltungen, Abschlüssen, Semestern, Gebäuden, Räumen, … • Datenmodelle für relationale Datenbanken werden häufig aus Entity-Relationship-Modellen abgeleitet. 7/34 Entity-Relationship-Modell (ERM) Entität Beziehung Attribut Quelle: Peter Körner, Wikipedia.de 8/34 Aufbau relationaler DBs Relationale Datenbanken bestehen aus verknüpften Tabellen, die in Felder (Attribute) und Datensätze (Relationen, Tupel) organisiert sind. In jedem Feld stehen Daten eines bestimmten Typs (Text, Zahlen, Datum/Zeit-Ausdrücke, Ja/Nein-Werte, BLOBs, …). Alle Datensätze einer Tabelle haben einen gleichartigen Aufbau, sind gleich lang. Eine Tabelle kann beliebig viele Datensätze enthalten. Felder / Attribute z.B. Tabelle Personen Datensätze PId Vorname Name 1 Han Solo 2 Harry Potter 3 Madonna 4 Peter Meier 5 Peter Meier Schlüsselfeld 9/34 Tabellenverknüpfung 1:n Über Schlüsselfelder kann man Tabellen bequem miteinander verknüpfen. Bei einer 1:n-Verknüpfung kann jeder Datensatz der 1-Seite beliebig vielen Datensätzen der n-Seite zugeordnet werden. Umgekehrt kann jeder Datensatz der n-Seite nur mit einem Datensatz der 1-Seite verknüpft sein. Szenario: Jeder Studierende studiert genau einen Studiengang. Detailtabelle StgId = Fremdschlüssel n 1 Mastertabelle StgId = Primärschlüssel PId Vorname Name StgId StgId Studiengang 1 Han Solo 3 1 Informationswissenschaft 2 Harry Potter 2 2 Linguistik 3 Madonna 2 3 Informatik 4 Peter Meier 1 5 Peter Meier 2 Studiengänge Studierende 10/34 Tabellenverknüpfung n:m Bei n:m-Verknüpfungen können jedem Datensatz der einen beliebig viele Datensätze der anderen Tabelle zugeordnet werden. Die Vermittlung zwischen n- und m-Seite erfolgt über eine dritte Tabelle und zwei 1:n-Verknüpfungen. Szenario: Jeder Student besucht beliebig viele Seminare. 1 n m 1 PId Vorname Name TId PId SemId Abschluss SemId Seminar 1 Han Solo 1 1 1 BN 1 Wissensrepräsentation 2 Harry Potter 2 1 3 BN 2 Datenbanken 3 Madonna 3 2 3 AP 3 Semantik 4 Peter Meier 4 4 2 BN 5 Peter Meier 5 5 2 AP Personen Teilnehmer Seminare 11/34 Redundanz und Konsistenz • Eine Datenbank soll redundanzfrei sein – Jedes (komplexe) Objekt soll nur einmal repräsentiert werden und in allen Beziehungskontexten referenziert werden. • Das leistet ein gutes Datenmodell (Normalformen). • Eine Datenbank soll konsistent sein – Keine Mutationsanomalien • Das leistet ein gutes Datenmodell (Normalformen). – Alle Referenzen sollen auflösbar sein. • Das leistet ein gutes DBMS (referentielle Integrität). 12/34 Mutationsanomalien Treten bei der Repräsentation verschiedener Entitäten in derselben Tabelle auf: • Updateanomalien – Redundante Einträge müssen mehrfach geändert werden: Fehlerquelle • Einfügeanomalien – Zuordnungsprobleme bei unvollständigen Datensätzen • Löschanomalien – Drohender Datenverlust: Beim Löschen einer Entität gehen die Daten zu einer anderen evt. verloren 13/34 Normalformen • Normalformen garantieren Redundanzfreiheit und verhindern Mutationsanomalien • 1. Normalform – Alle Attribute haben atomare Werte • 2. Normalform – Jedes Nichtschlüssel-Attribut ist voll funktional abhängig von jedem Kandidatenschlüssel • 3. Normalform – Jedes Nichtschlüssel-Attribut hängt von keinem Schlüsselkandidaten transitiv ab. 14/34 SQL SQL Structured Query Language ist eine Sprache zur Abfrage, Manipulation und Definition von Daten in relationalen Datenbanken. Die Semantik von SQL basiert auf der relationalen Algebra. Sprachelemente Abfrage: SELECT Manipulation: INSERT, DELETE, UPDATE Datendefinition: CREATE, ALTER, DROP Zugriffsrechte: GRANT, REVOKE SQL wird von fast allen relationalen DBMS unterstützt und ist standardisiert nach ANSI und ISO. MS Access: Jede in der Access-Entwurfsansicht erstellte Abfrage hat eine äquivalente SQL-Darstellung, aber nicht alle SQL-Ausdrücke können in der Access-Entwurfsansicht erstellt werden (z.B. UNION-Abfragen). 15/34 SELECT Mit SELECT–Abfragen werden Sichten auf Daten erstellt. SELECT [DISTINCT] S-Attribute FROM F-Relation [WHERE Where-Klausel] SELECT Veranstaltung FROM Veranstaltungen INNER JOIN Semester ON Veranstaltungen.SId = Semester.SId WHERE Semester = „SS2009“ ORDER BY Veranstaltung ASC; [GROUP BY (Gruppierungsattribute) [HAVING Having-Klausel]] [ORDER BY (Sortierungsattribut [ASC|DESC])+]; S-Attribute: Attribute aus F-Relation, Konstanten, Funktionen (auf Attributen) F-Relation: Tabelle, Sichten (Abfragen), kartesische Produkte, Joins Where-Klausel: Bedingungen für Attributwerte (Selektion) Gruppierungsattribute: Gruppierung für Aggregatfunktionen Having-Klausel: Bedingungen für Aggregatfunktionen auf Gruppierungsattributen 16/34 DB Verbgraduierung • Erfassung von ca. 4.000 Belegen zur Graduierung ca. 1.400 deutscher Verben bzw. ca. 2.000 Lesarten mit sehr. • Systematische Annotierung der Funde mit relevanten Merkmalen u.a. zur Valenz. • Die Daten wurden zunächst in Word-Tabellen erfasst und später in eine Access-Datenbank importiert. • Status: wird weiterentwickelt. 17/34 Verbgraduierung: Datenmodell 18/34 Verbgraduierung: Eingabemaske 19/34 DB Dimensionsverben • Sehr komplexes Datenmodell. • Daten liegen z.Z. in Textform vor und sollen mittels Parsing in das Datenmodell der Datenbank importiert werden. • Die Datenmodelle der Datenbanken Verbgraduierung und Dimensionsverben sollen integriert werden -> standardisiertes Datenmodell für Verben 20/34 Dimensionsverben: Datenmodell 21/34 Dimensionsverben: Eingabemaske 22/34 DB Harndiagnostik • Erfassung von Funktionalbegiffen in der Literatur zur Harndiagnostik. • Deutsche Literatur (Stand 08.2008) – 20 Texte aus den Jahren 1705-1908 – 2517 Vorkommen von 364 FBs • Französische Literatur – 10 Texte aus den Jahren 1240-1902 – 2725 Vorkommen von 490 FBs • Lateinische Literatur – in Arbeit 23/34 Harndiagnostik: Datenmodell 24/34 Harndiagnostik: Eingabemaske 25/34 DB FB-Entwicklung • Erfassung von Funktionalbegriffen im Französischen und dem Zusammenhang ihrer diachronen Entwicklung. • Erfassung von typisierten Transformationsprozessen. • Es entsteht ein Graph der diachronen Zusammenhänge. • Status: müsste portiert werden. 26/34 FB-Entwicklung: Eingabemaske 1 27/34 FB-Entwicklung: Eingabemaske 2 28/34 DB Korpusanalyse • Vollständiger Korpus (Löbner 03) mit 144.000 Tokens incl. morphosyntaktischer Analyse. • Teilweise handannotierte Begriffstypen. • Datenmodell für Lesarten und Typeshifts. • Generierung von n-Grammen. • Status: wird weiterentwickelt. 29/34 Korpusanalyse: Ausschnitt 30/34 Counts und Counts of Counts qryNNCounts SELECT Count(Token) AS Count, Token FROM tabSemantik_getaggt GROUP BY Token HAVING Tag="NN" ORDER BY Count(Token) DESC; qryCountsOfCounts SELECT Count(Count) AS CountsOfCounts, Count FROM qryNNCounts GROUP BY Count ORDER BY Count(Count) DESC; Häufigkeit von Tokens eines bestimmten Typs in einem Korpus Häufigkeit, mit der Tokens einer bestimmten Häufigkeit in einem Korpus vorkommen 31/34 Nomenbedeutungen: Datenmodell 32/34 Nomenbedeutungen: Eingabemaske 33/34 Danke für‘s Zuhören! 34/34