Rückblick: Relationale Normalisierung

Rückblick: Relationale Normalisierung
§ „Gute“ Relationenschema vermeiden Redundanz
und führen nicht zu Anomalien beim
Einfügen, Löschen oder Ändern
§ Relationale Normalformen (1NF, 2NF, 3NF, BCNF, 4NF)
charakterisieren die Güte von Relationenschema
§ Dritte Normalform (3NF) ist in der Praxis am wichtigsten
§ Relationenschema lassen sich durch Zerlegung
in die dritte Normalform bringen
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
87
2.4 Relationale Algebra
§ Relationales Modell bietet Formalismus zur Beschreibung
zu speichernder Daten und deren Struktur
§ Wie können wir Daten extrahieren, d.h. Anfragen auf den
gespeicherten Daten formulieren?
§ Beispiele:
§ Welche Vorlesungen hört der Student Marty McFly?
§ Welche Professoren halten Vorlesungen,
die nur von Studenten im ersten Semester besucht werden?
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
88
Relationale Algebra
§ Relationale Algebra (auch: Relationenalgebra) bietet
eine Anfragesprache auf Relationen
§ Operatoren bilden Ausdrücke der Relationenalgebra
§ Ausdrücke beinhalten implizit einen Auswertungsplan
§ spielt wichtige Rolle bei Implementierung von RDBMSs
(zur internen Darstellung und Optimierung von Anfragen)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
89
Selektion
§ Selektion σ (sigma) wählt Tupel (Zeilen) aus einer
Relation R anhand einer Selektionsbedingung P aus
‡[P](R)
§ Selektionsbedingung kann folgende Bestandteile haben
§ Attributnamen der Relation R oder Konstanten
§ Arithmetische Vergleichsoperatoren =, <, ≤, ≥, ≠
§ Logische Operatoren ¬, ,
§ Ergebnis der Selektion ist wiederum eine Relation
bestehend aus allen Tupeln aus R, die P erfüllen
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
90
Selektion
§ Beispiel: Erstsemester aus Relation Studenten
Studenten
MatrNr
Vorname
Name
Semester
13765
18877
18898
18979
18979
Moritz
Peter
Gordon
Marty
Benjamin
Müller
Parker
Shumway
McFly
Berger
1
7
1
3
1
‡ [ Semester = 1 ] ( Studenten )
‡ [ Semester = 1 ] ( Studenten )
MatrNr
Vorname
Name
Semester
13765
18898
18979
Moritz
Gordon
Benjamin
Müller
Shumway
Berger
1
1
1
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
91
Projektion
§ Projektion π (pi) wählt Attribute (Spalten) einer Relation R
anhand einer gegebenen Attributmenge A aus
fi[A](R)
§ Attributmenge A als Liste von Attributnamen angegeben
§ Ergebnis der Projektion ist eine Relation, die Tupel mit den
in A angegebenen Attributen enthält und frei von
Duplikaten ist (Relationen sind Mengen)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
92
Projektion
§ Beispiel: Vorname und Fach von Professoren
Professoren
PersNr
Vorname
Name
Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
fi [ Vorname, Fach ] ( Professoren )
fi [ Vorname, Fach ] ( Professoren )
Vorname
Fach
Donald
Albert
Alfred
Carl
Informatik
Physik
Chemie
Mathematik
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Duplikate
eliminiert
93
Kartesisches Produkt (Kreuzprodukt)
§ Das Kreuzprodukt zweier Relationen R und S enthält alle
|R| * |S| möglichen Paare von Tupeln aus R und S
R◊S
§ Ergebnis des Kreuzprodukts ist eine Relation mit Schema
sch(R ◊ S) = sch(R) fi sch(S)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
94
Kartesisches Produkt (Kreuzprodukt)
§ Beispiel: Kombinationen von Professoren und Vorlesungen
Professoren
Vorlesungen
PersNr
Vorname
Name
Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
◊
VorlNr
Titel
SWS
101
110
Informatikgrundlagen
Datenbanken
4
4
Professoren ◊ Vorlesungen
PersNr
Vorname
Name
101101
101101
231011
231011
..
.
Donald
Donald
Albert
Albert
..
.
Knuth
Knuth
Einstein
Einstein
..
.
Fach
VorlNr
Titel
SWS
Informatik
Informatik
Physik
Physik
..
.
101
110
101
110
..
.
Informatikgrundlagen
Datenbanken
Informatikgrundlagen
Datenbanken
..
.
4
4
4
4
..
.
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
95
Qualifizierte Attributnamen
§ Verbundene Relationen R und S können identisch
benannte Attribute besitzen (z.B. Vorname und Name in
Professoren und Studenten)
§ Qualifizierte Attributnamen stellen dem Attributnamen
den Namen der Ursprungsrelation voran und erlauben so
eine Unterscheidung von identisch benannten Attributen
§ Beispiel:
Professoren ◊ Studenten
...
Professoren.Vorname
...
Studenten.Vorname
...
..
.
..
.
..
.
..
.
..
.
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
96
Umbenennung von Relationen und Attributen
§ Qualifizierte Attributnamen reichen zur Unterscheidung
nicht aus, wenn eine Ursprungsrelation mehrfach auftaucht
§ Beispiel: Paare von Artikeln mit gleichen Mengeneinheiten
‡ [ ??? ] ( Artikel ◊ Artikel )
§ Umbennungsoperator ρ (rho) erlaubt Umbenennung von
§ Relationen (z.B. Artikel in ArtikelLinks)
fl[ ArtikelLinks ](Artikel)
§ Attributen (z.B. Fach in Fachgebiet von Professoren)
fl[ Fachgebiet Ω Fach ](Professoren)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
97
Mengenoperationen auf Relationen
§ Zur Erinnerung: Relationen sind Mengen von Tupeln
§ Für zwei Relationen R und S mit identischem Schema
sch(R) = sch(S)
sind die bekannten Mengenoperationen (Vereinigung,
Schnitt und Differenz) wie bekannt definiert
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
98
Vereinigung
§ Beispiel: Namen von Studenten oder Professoren
fi [ Name ] ( Studenten ) fi fi [ Name ] ( Professoren )
fi [ Name ] ( Studenten )
fi [ Name ] ( Professoren )
Name
Name
Müller
Meier
McFly
fi
Knuth
Meier
Einstein
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Name
=
Name
Müller
Meier
McFly
Knuth
Einstein
99
Schnitt
§ Beispiel: Namen von Studenten und Professoren
fi [ Name ] ( Studenten ) fl fi [ Name ] ( Professoren )
fi [ Name ] ( Studenten )
fi [ Name ] ( Professoren )
Name
Name
Name
Name
Müller
Meier
McFly
fl
Knuth
Meier
Einstein
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
=
Meier
100
Differenz
§ Beispiel: Namen von Studenten nicht aber Professoren
fi [ Name ] ( Studenten ) ≠ fi [ Name ] ( Professoren )
fi [ Name ] ( Studenten )
fi [ Name ] ( Professoren )
Name
Name
Name
Name
Müller
Meier
McFly
≠
Knuth
Meier
Einstein
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
=
Müller
McFly
101
Natürlicher Join
§ Natürlicher Join (Verbund) verbindet zwei Relationen
R und S anhand ihrer gemeinsamen Attribute
R ÛÙ S
§ Ergebnis des natürlichen Joins ist Relation mit Schema
sch(R) fi sch(S)
§ Hierbei werden Tupel aus R und S verbunden, deren Werte
für alle gemeinsamen Attribut übereinstimmen
§ Attribute gleichen Namens werden zusammengefasst
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
102
Natürlicher Join
§ Beispiel: Studenten mit ihren gehörten Vorlesungen
(Studenten ÛÙ hören) ÛÙ Vorlesungen
Studenten
hören
MatrNr
Vorname
Name
Semester
13765
18877
18898
18976
18979
Moritz
Peter
Gordon
Marty
Benjamin
Müller
Parker
Shumway
McFly
Berger
1
7
1
3
1
ÛÙ
MatrNr
VorlNr
13765
18979
18979
101
101
110
Vorlesungen
ÛÙ
VorlNr
Titel
SWS
101
110
Informatikgrundlagen
Datenbanken
4
4
(Studenten ÛÙ hören) ÛÙ Vorlesungen
MatrNr
Vorname
Name
Semester
VorlNr
Titel
SWS
13765
18979
18979
Moritz
Benjamin
Benjamin
Müller
Berger
Berger
1
1
1
101
101
110
Informatikgrundlagen
Informatikgrundlagen
Datenbanken
4
4
4
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
103
Allgemeiner Join
§ Allgemeiner Join verbindet zwei Relationen R und S
anhand eines beliebigen Joinprädikates θ (theta)
R ÛÙ [ ◊ ] S
§ Ergebnis des allgemeinen Joins ist Relation mit Schema
{ fl [ R.A Ω A ] ( R ) | A œ sch(R) }
fi
{ fl [ S.A Ω A ] ( S ) | A œ sch(S) }
§ Attribute gleichen Namens werden umbenannt, d.h. mit
dem Namen der Ursprungsrelation qualifiziert
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
104
Allgemeiner Join
§ Beispiel: Professoren und Studenten mit gleichem Namen
Professoren ÛÙ [ Professoren.Name = Studenten.Name ] Studenten
(S)tudenten
(P)rofessoren
PersNr
Vorname
Name
Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
ÛÙ [ P.Name = S.Name ]
MatrNr
Vorname
Name
Semester
18979
19880
19882
20020
Gundula
Petra
Nora
Emma
Gauss
Parker
Nobel
Ernst
1
1
3
3
P ÛÙ [ P.Name = S.Name ] S
P.PersNr
P.Vorname
P.Name
P.Fach
S.MatrNr
S.Vorname
S.Name
S.Semester
300128
600321
Alfred
Carl
Nobel
Gauss
Chemie
Mathematik
19882
18979
Nora
Gundula
Nobel
Gauss
3
1
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
105
Allgemeiner Join
§ Allgemeiner Join ist letztlich eine Kurzschreibweise für
R ÛÙ [ ◊ ] S = ‡ [ ◊ ] ( R ◊ S )
§ Verwendet das Joinprädikat θ nur Vergleiche mittels „=“
spricht man auch von einem Equi-Join
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
106
Äußere Joins
§ Natürlicher und allgemeiner Join erhalten nur solche
Tupel aus R und S, die einen „Joinpartner“ finden
§ Äußere Joins erhalten auch solche Tupeln aus einer oder
beiden Relationen, die keinen „Joinpartner“ finden
§ linker äußerer Join (left outer join) erhält alle Tupel aus R
R ÛÙ [ ◊ ] S
§ rechter äußerer Join (right outer join) erhält alle Tupel aus S
R ÛÙ [ ◊ ] S
§ äußerer Join (full outer join) erhält alle Tupel aus R und S
R ÛÙ [ ◊ ] S
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
107
Linker äußerer Join
§ Beispiel: Professoren und Studenten mit gleichem Namen
(S)tudenten
(P)rofessoren
PersNr
Vorname
Name
Fach
MatrNr
Vorname
Name
Semester
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
18979
19880
19882
20020
Gundula
Petra
Nora
Emma
Gauss
Parker
Nobel
Ernst
1
1
3
3
§ linker äußerer Join
P ÛÙ [ P.Name = S.Name ] S
P.PersNr
P.Vorname
P.Name
P.Fach
S.MatrNr
S.Vorname
S.Name
S.Semester
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Informatik
Chemie
Informatik
Mathematik
19882
Nora
Nobel
3
18979
Gundula
Gauss
1
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
108
Rechter äußerer Join
§ Beispiel: Professoren und Studenten mit gleichem Namen
(S)tudenten
(P)rofessoren
PersNr
Vorname
Name
Fach
MatrNr
Vorname
Name
Semester
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
18979
19880
19882
20020
Gundula
Petra
Nora
Emma
Gauss
Parker
Nobel
Ernst
1
1
3
3
§ rechter äußerer Join
P ÛÙ [ P.Name = S.Name ] S
P.PersNr
P.Vorname
P.Name
P.Fach
S.MatrNr
S.Vorname
S.Name
S.Semester
600321
Carl
Gauss
Mathematik
300128
Alfred
Nobel
Chemie
18979
19880
19882
20020
Gundula
Petra
Nora
Emma
Gauss
Parker
Nobel
Ernst
1
1
3
3
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
109
Äußerer Join
§ Beispiel: Professoren und Studenten mit gleichem Namen
(S)tudenten
(P)rofessoren
PersNr
Vorname
Name
Fach
MatrNr
Vorname
Name
Semester
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
18979
19880
19882
20020
Gundula
Petra
Nora
Emma
Gauss
Parker
Nobel
Ernst
1
1
3
3
§ äußerer Join
P ÛÙ [ P.Name = S.Name ] S
P.PersNr
P.Vorname
P.Name
P.Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Informatik
Chemie
Informatik
Mathematik
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
S.MatrNr
S.Vorname
S.Name
S.Semester
19880
Petra
Parker
1
19882
Nora
Nobel
3
18979
20020
Gundula
Emma
Gauss
Ernst
1
3
110
Operatorbaumdarstellung
§ Ausdrücke der relationalen Algebra lassen sich alternativ
auch als sogenannte Operatorbäume darstellen
§ Beispiel:
fi [ S.Vorname, S.Name, V.Titel ] ( (‡ [ Semester > 3 ] ( S ) ÛÙ h) ÛÙ V )
fi[S.Vorname, S.Name, V.Titel]
ÛÙ
V
ÛÙ
‡[ Semester > 3 ]
h
S
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
111
Grenzen der relationalen Algebra
§ Können wir mit den Operatoren der relationalen Algebra
alle „interessanten“ Anfragen formulieren?
§ Beispiel: Anzahl von Studenten pro Vorlesung
(Studenten ÛÙ hören) ÛÙ Vorlesungen
MatrNr
Vorname
Name
Semester
VorlNr
Titel
SWS
13765
18979
18979
Moritz
Benjamin
Benjamin
Müller
Berger
Berger
1
1
1
101
101
110
Informatikgrundlagen
Informatikgrundlagen
Datenbanken
4
4
4
Gruppierung nach Vorlesung und „Zählen“ notwendig!
§ Erweiterungen zum Gruppieren & Aggregieren existieren
(vgl. z.B. Kapitel 9 in Saake et al. [3])
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
112
Anfrageübung Versandhandel
Ó
Ô
Bestellungen : [ BestellNr : integer, Bestelldatum : string, . . . , KundenNr : integer, ]
Ó
Ô
Kunden : [ KundenNr : integer, Vorname : string, Name : string, . . . ]
Ó
Ô
Artikel : [ ArtikelNr : integer, Beschreibung : string, . . . , ME : string ]
Ó
Ô
Mengeneinheiten : [ ME : string, Beschreibung : string, . . . ]
Ó
Ô
Bestellpositionen : [ BestellNr : integer, ArtikelNr : integer , Anzahl : integer ]
§ Welche Kunden heißen Müller oder Meier?
§ Welche Vornamen haben Kunden aus Mannheim?
§ Welche Artikel (ArtikelNr) werden im 5er-Pack verkauft?
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
113
Anfrageübung Versandhandel
§ Welche Kunden heißen Müller oder Meier?
‡ [ Name = “Meier” ‚ Name = “Müller” ] ( Kunden )
§ Welche Vornamen haben Kunden aus Mannheim?
fi [ Vorname ] ( ‡ [ Wohnort = “Mannheim” ] ( Kunden ) )
§ Welche Artikel (ArtikelNr) werden im 5er-Pack verkauft?
fi[ Artikel.ArtikelNr ](
‡[ Artikel.ME = Mengeneinheiten.ME ](
Artikel ◊ ‡[ Beschreibung = “5er-Pack” ](Mengeneinheiten)))
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
114
Anfrageübung Versandhandel
Ó
Ô
Bestellungen : [ BestellNr : integer, Bestelldatum : string, . . . , KundenNr : integer, ]
Ó
Ô
Kunden : [ KundenNr : integer, Vorname : string, Name : string, . . . ]
Ó
Ô
Artikel : [ ArtikelNr : integer, Beschreibung : string, . . . , ME : string ]
Ó
Ô
Mengeneinheiten : [ ME : string, Beschreibung : string, . . . ]
Ó
Ô
Bestellpositionen : [ BestellNr : integer, ArtikelNr : integer , Anzahl : integer ]
§ Welche Artikel (ArtikelNr) werden im 5er-Pack verkauft?
§ Welche Artikel (ArtikelNr) wurden am gleichen Tag von
Kunden aus Worms und Kunden aus Trier bestellt?
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
115
Anfrageübung Versandhandel
§ Welche Artikel (ArtikelNr) werden im 5er-Pack verkauft?
fi [ Artikel.ArtikelNr ] ( Artikel ÛÙ ‡ [ Beschreibung = “5er-Pack” ] ( ME ) )
§ Welche Artikel (ArtikelNr) wurden am gleichen Tag von
Kunden aus Worms und Kunden aus Trier bestellt?
fi[W.ArtikelNr](
fl [ W ] ( ‡ [ Wohnort = “Worms” ] ( (Kunden ÛÙ Bestellungen) ÛÙ Bestellpositionen ) )
ÛÙ [ W.ArtikelNr = T.ArtikelNr · W.Bestelldatum = T.Bestelldatum ]
fl [ T ] ( ‡ [ Wohnort = “Trier” ] ( (Kunden ÛÙ Bestellungen) ÛÙ Bestellpositionen ) ) )
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
116
Zusammenfassung
§ Relationale Algebra als Anfragesprache auf Relationen
§ Ausdrücke zusammengesetzt aus Operatoren, z.B.
§ Selektion (σ) zur Auswahl von Tupeln
§ Projektion (π) zur Auswahl von Attributen
§ Kreuzprodukt (×) und Joins (⨝, ⟕, ⟖, ⟗)
zur Verknüpfung von Relationen
§ Mengenoperationen (∩, , −)
zur Verknüpfung von Relationen mit gleichem Schema
§ Mehrdeutige Namen von Attributen und Relationen
können durch Umbenennung eliminiert werden
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
117
Literatur
[1]
A. Kemper und A. Eickler: Datenbanksysteme – Eine
Einführung, De Gruyter Oldenbourg, 2015 (Kapitel 3)
[3]
G. Saake, K.-U. Sattler und A. Heuer:
Datenbanken - Konzepte und Sprachen,
mitp Professional, 2013 (Kapitel 4)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
118
Rückblick: Relationale Algebra
§ Relationale Algebra als Anfragesprache auf Relationen
§ Ausdrücke zusammengesetzt aus Operatoren, z.B.
§ Selektion (σ) zur Auswahl von Tupeln
§ Projektion (π) zur Auswahl von Attributen
§ Kreuzprodukt (×) und Joins (⨝, ⟕, ⟖, ⟗)
zur Verknüpfung von Relationen
§ Mengenoperationen (∩, , −)
zur Verknüpfung von Relationen mit gleichem Schema
§ Mehrdeutige Namen von Attributen und Relationen
können durch Umbenennung eliminiert werden
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
119
2.5 Structured Query Language (SQL)
§ Structured Query Language (SQL)
§ geht zurück auf den in IBM Almaden (San Jose)
entwickelten Prototypen System R
§ ursprünglich: Structured English Query Language (SEQUEL)
§ auf Englisch wird SQL noch immer sequel gesprochen
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
120
SQL als Standard
§ SQL standardisiert durch American National Standards
Institute (ANSI) und International Organization for
Standardization (ISO)
§ SQL-86 / SQL-89
§ SQL-92 (z.B. Datentypen für Daten, Mengenoperationen)
§ SQL-99 (z.B. rekursive Anfragen)
§ SQL-2003 (z.B. Unterstützung von XML)
§ SQL-2008 / SQL-2011
§ Oracle, IBM DB2 und Microsoft SQL Server unterstützen
SQL-92 weitgehend und bieten darüber hinaus
proprietäre Funktionalität (z.B. XML-Unterstützung)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
121
SQL Sprachbestandteile
§ Data Definition Language (DDL) zur
Schemadefinition (z.B. Anlegen von Tabellen)
§ Data Query Language (DQL) zum
Anfragen (z.B. Auswahl bestimmer Zeilen)
§ Data Manipulation Language (DML) zur
Datenmanipulation (z.B. Einfügen von Daten in Tabellen)
§ Data Control Language (DCL) zur
Rechteverwaltung (z.B. Sperren des Zugriffs auf Tabelle)
§ Transaction Control Language (TCL) zur
Transaktionsverwaltung (z.B. rückgängig machen)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
122
2.5.1 Anfragen auf einer Tabelle
§ Anfragen lassen sich mittels des SELECT Kommandos
formulieren; dieses hat folgende Form
1
2
3
4
SELECT
FROM
WHERE
ORDER BY
< Attribute >
< Tabellen >
< Bedingungen >
< Attribute >
§ Beispiel: Vorname und Name von Professoren in Informatik
1
2
3
SELECT Vorname , Name
FROM Professoren
WHERE Fach = ’ Informatik ’
dies entspricht folgendem Ausdruck der Relationenalgebra
fi [ Vorname, Name ] ( ‡ [ Fach = “Informatik” ] ( Professoren ) )
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
123
Duplikateneliminierung
§ Anfrageergebnisse können, im Gegensatz zu
Ergebnisrelationen der Relationanalgebra,
Duplikate enthalten
Professoren
PersNr
Vorname
Name
Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
Vorname
1
2
SELECT Vorname
FROM Professoren
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Donald
Albert
Alfred
Donald
Carl
124
Duplikateneliminierung
§ Duplikate im Anfrageergebnis können durch Angabe von
DISTINCT unterdrückt werden
Professoren
PersNr
Vorname
Name
Fach
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Physik
Chemie
Informatik
Mathematik
Vorname
1
2
SELECT DISTINCT Vorname
FROM Professoren
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Donald
Albert
Alfred
Carl
125
Sortierung
§ Anfrageergebnisse können, im Gegensatz zu
Ergebnisrelationen der Relationanalgebra,
eine Ordnung haben
§ Sortierung des Anfrageergebnis nach ein oder mehreren
Attributen durch Angabe durch ORDER BY
§ Natürliche Ordnung der Attribute wird gemäß ihres
Datentyps verwendet, d.h. numerische Attribute (z.B. int
und float) werden nach numerischem Wert, textuelle
Attribute (z.B. char und varchar) lexikografisch sortiert
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
126
Sortierung
§ Angabe von ASC bzw. DESC bestimmt, ob nach einem
Attribut aufsteigend oder absteigend sortiert wird
§ ASC ist hier Vorgabewert (default) und kann entfallen
§ Beispiel: Vorname, Name und Fach von Professoren,
aufsteigend sortiert nach Nachname und Vorname
1
2
3
4
SELECT
FROM
WHERE
ORDER BY
Vorname , Name , Fach
Professoren
Fach = ’ Mathematik ’
Name , Vorname
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
127
Sortierung
§ Beispiel: Vorname und Name von Studenten, absteigend
sortiert nach ihrer Anzahl von Semestern
1
2
3
SELECT Vorname , Name
FROM Studenten
ORDER BY Semester DESC
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
128
Formatierung und Namenskonventionen
§ Ähnlich zu Programmiersprachen, gibt es auch für SQL
verschiedene Konvetionen zur Bennenung von
Bezeichnern und Formatierung von Kommandos
§ Schlüsselwörter (CREATE vs. create)
§ Attributnamen (Bestell_Nr vs. BestellNr)
§ Tabellennamen (Kunden vs. Kunde)
§ Formatierung von Kommandos (Klammern und Umbrüche)
§ Letztlich Geschmacksache,
Konsistenz innerhalb eines Projekts ist jedoch wichtig
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
129
Mathematische Funktionen
§ SQL unterstützt die mathematischen Operatoren (+, *, -, /)
und eine Vielzahl mathematischer Funktionen, z.B.
§ ABS(A): Betrag
§ SIGN(A): Vorzeichen
§ SQRT(A): Quadratwurzel
§ FLOOR(A): Abrunden auf ganze Zahl
§ CEIL(A): Aufrunden auf ganze Zahl
§ MAX(A,B): Maximum der Attribute A und B
§ MIN(A,B): Minimum der Attribute A und B
§ …
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
130
Sonstige Funktionen
§ SQL unterstützt zahlreiche Funktionen für
nichtnumerische Datentypen, etwa für Zeichenketten
§ LOWER(A): Zeichenkette in Kleinbuchstaben
§ UPPER(A): Zeichenkette in Großbuchstaben
§ LENGTH(A): Länge der Zeichenkette
§ SUBSTRING(A, start, end): Ausschnitt der Zeichenkette
§ TRIM(A): Zeichenkette ohne umgebende Leerzeichen
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
131
Aggregatfunktionen
§ SQL unterstützt eine Vielzahl von Aggregatfunktionen,
die auf die Werte eines Attributs in mehreren Tupeln
angewendet werden können, z.B.:
§ MIN(A): minimaler Wert für Attribut A
§ MAX(A): maximaler Wert für A
§ AVG(A): durchschnittlicher Wert für A
§ SUM(A): Summe der Werte für A
§ COUNT(*): Anzahl Tupel
§ COUNT(A): Anzahl Tupel mit Wert ungleich NULL für A
§ COUNT(DISTINCT A): Anzahl Werte ungleich NULL für A
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
132
Aggregatfunktionen
§ Beispiel:
§ MIN(A) = 1
§ MAX(A) = 3
§ AVG(A) = 8 / 4 = 2
§ COUNT(*) = 5
§ COUNT(A) = 4
A
1
2
NULL
2
3
§ COUNT(DISTINCT A) = 3
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
133
Aggregatfunktionen
§ Beispiel: Maximale, minimale und durchschnittliche
Semesteranzahl innerhalb Studenten der Physik
1
2
3
4
5
SELECT MAX ( Semester ) ,
MIN ( Semester ) ,
AVG ( Semester )
FROM Studenten
WHERE Fach = ’ Physik ’
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
134
Selektionsbedingungen
§ Selektionsbedingungen, in WHERE-Klausel, erlauben
mehr als Vergleich zwischen Attribut und Konstante
§ Vergleichsoperatoren (=, <>, >, <, >=, <=)
1
2
3
SELECT Vorname , Name
FROM Studenten
WHERE Semester > 10
§ Vergleiche zwischen Attributen
1
2
3
SELECT *
FROM Bestellungen
WHERE Bestelldatum = Lieferdatum
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
135
Selektionsbedingungen
§ Boole‘sche Operatoren (NOT, OR, AND) mit der Rangfolge
NOT vor AND vor OR und ggf. Klammerung
§ Beispiel: Studenten weder von Informatik noch Physik
SELECT *
FROM Studenten
WHERE Fach != ’ Informatik ’ AND Fach != ’ Physik ’
1
2
3
oder
1
2
3
SELECT *
FROM Studenten
WHERE NOT ( Fach = ’ Informatik ’ OR Fach = ’ Physik ’)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
136
Mustervergleiche in Zeichenketten
§ Textuelle Attribute kann man mittels LIKE gegen ein
Muster vergleichen; hierbei dient % als Platzhalter
(wildcard) und repräsentiert kein oder mehrere Zeichen
§ Beispiel: Vorlesungen mit „Grundlagen“ im Titel
1
2
3
SELECT *
FROM Vorlesungen
WHERE Titel LIKE ’% Grundlagen % ’
wenn auch „Informatikgrundlagen“ gefunden werden soll
1
2
3
SELECT *
FROM Vorlesungen
WHERE LOWER ( Titel ) LIKE ’% grundlagen % ’
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
137
Wertemengen
§ Mittels des Kommandos IN kann überprüft werden, ob der
Wert eines Attributs in einer gegebenen Wertemenge liegt
§ Beispiel: Studenten mit Vornamen Max oder Moritz
1
2
3
SELECT *
FROM Studenten
WHERE Vorname IN ( ’ Max ’ , ’ Moritz ’)
§ Die Wertemenge darf auch mittels einer
SQL-Unteranfrage bestimmt werden,
dazu später mehr
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
138
2.5.2 Anfragen über mehrere Tabellen
§ SQL unterstützt verschiedene Kommandos, um zwei oder
mehr Tabellen miteinander zu verknüpfen; hierzu
werden mehrere Tabellen in der FROM-Klausel erwähnt und
Joinprädikate in der WHERE-Klausel angegeben
§ SQL kennt zudem eine alternative Syntax, die dazu dient,
Joinprädikate von Selektionsprädikaten zu trennen
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
139
Kartesisches Produkt
§ Kartesisches Produkt zweier Tabellen lässt sich durch
deren Nennung in der FROM-Klausel oder durch
Verwendung des CROSS JOIN Kommandos ermitteln
§ Beispiel: Kombinationen von Studenten und Professoren
1
2
SELECT *
FROM Studenten , Professoren
oder
1
2
SELECT *
FROM Studenten CROSS JOIN Professoren
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
140
Natürlicher Join
§ Natürlicher Join zweier Tabellen lässt sich durch deren
Nennung in der FROM-Klausel und Angabe der
gemeinsamen Attribute in der WHERE-Klausel oder durch
Verwendung des NATURAL JOIN Kommandos ermitteln
§ Beispiel: Vorlesungen mit zugehörigen Professoren
SELECT *
FROM Vorlesungen , Professoren
WHERE Vorlesungen . PersNr = Professoren . PersNr
1
2
3
oder
1
2
SELECT *
FROM Vorlesungen NATURAL JOIN Professoren
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
141
Allgemeiner Join
§ Allgemeiner Join zweier Tabellen lässt sich durch deren
Nennung in der FROM-Klausel und Angabe des
Joinprädikats in der WHERE-Klausel oder durch
Verwendung des JOIN ON Kommandos ermitteln
§ Beispiel: Professoren und Studenten gleichen Namens
1
2
3
SELECT *
FROM Professoren , Studenten
WHERE Professoren . Name = Studenten . Name
oder
1
2
3
4
SELECT
FROM
JOIN
ON
*
Professoren
Studenten
Professoren . Name = Studenten . Name
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
142
Mengenoperationen
§ Die Kommandos UNION, INTERSECT und EXCEPT
bilden die Mengenoperationen , ∩ und ab und
dürfen nur auf Tabellen mit kompatiblen Schemata
angewendet werden
§ Beispiel: Namen, die nur bei Studenten, aber nicht bei
Professoren vorkommen
1
2
3
4
5
SELECT
FROM
EXCEPT
SELECT
FROM
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Name
Studenten
Name
Professoren
143
Umbenennung
§ Taucht die gleiche Tabelle mehrfach in einem SQL
Kommando auf, können die einzelnen Auftreten
benannt werden
§ Beispiel: Paare von Studenten mit gleichem Fach
1
2
3
SELECT *
FROM Studenten s1 , Studenten s2
WHERE s1 . Fach = s2 . Fach
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
144
Unteranfragen
§ SQL unterstützt Unteranfragen, d.h. eine SELECT
Kommando kann häufig anstelle einer Tabelle oder
einer Wertemenge verwendet werden
§ Beispiel: Studenten mit einem Vornamen, den es auch
unter den Professoren gibt
1
2
3
SELECT *
FROM Studenten
WHERE Vorname IN ( SELECT Vorname FROM Professoren )
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
145
Umbenennung
§ SQL erlaubt die Umbenennung von Tabellen und
Attributen; dies ist insbesondere dann nützlich, wenn die
gleiche Tabelle mehrfach verwendet werden soll
§ Beispiel: Studenten, die eine gemeinsame Vorlesung hören
1
2
3
4
5
SELECT
FROM
WHERE
AND
AND
DISTINCT s1 . Name AS StudentEins , s2 . Name AS StudentZwei
Studenten s1 , h ö ren h1 , h ö ren h2 , Studenten s2
s1 . MatrNr = h1 . MatrNr
h1 . VorlNr = h2 . VorlNr
h2 . MatrNr = s2 . MatrNr
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
146
Äußere Joins
§ SQL unterstützt äußere Joins mittels der
(LEFT|FULL|RIGHT) OUTER JOIN Kommandos
§ Beispiel: Professoren und Studenten mit gleichem Namen
(bei Erhaltung aller Professoren)
1
2
3
SELECT *
FROM Professoren LEFT OUTER JOIN Studenten
ON Professoren . Name = Studenten . Name
P.PersNr
P.Vorname
P.Name
P.Fach
S.MatrNr
S.Vorname
S.Name
S.Semester
101101
231011
300128
478122
600321
Donald
Albert
Alfred
Donald
Carl
Knuth
Einstein
Nobel
Kossmann
Gauss
Informatik
Informatik
Chemie
Informatik
Mathematik
19882
Nora
Nobel
3
18979
Gundula
Gauss
1
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
147
2.5.3 Gruppierung & Aggregation
§ Aggregatfunktionen wurde bisher nur auf gesamte
Tabellen angewendet; oft möchte man diese
jedoch auf Gruppen von Tupeln anwenden
§ Beispiele:
§ Durchschnittliche Note je Vorlesung
§ Semesterwochenstunden je Professor
§ Anzahl der Studenten pro Fach
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
148
Gruppierung
§ Aggregatfunktionen lassen sich mittels des GROUP BY
Kommandos auf Gruppen von Tupeln anwenden; dieses
hat folgende allgemeine Form
1
2
3
4
5
6
SELECT
FROM
WHERE
GROUP BY
HAVING
ORDER BY
< Projektionsattribute > , < Aggregate >
< Tabellen >
< Bedingungen auf Attributen >
< Gruppierattribute >
< Bedingungen auf Aggregaten >
< Sortierattribute > , < Aggregate >
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
149
Gruppierung
§ Tupel mit den gleichen Werten für die angegebenen
Gruppierattribute bilden eine Gruppe, für die ein
Wert der Aggregate berechnet wird
§ Beispiel: Fächer absteigend sortiert nach Anzahl Studenten
1
2
3
4
SELECT
FROM
GROUP BY
ORDER BY
Fach , Count (*) AS Anzahl
Studenten
Fach
Anzahl DESC
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
150
Gruppierung
§ Beispiel: Anzahl Professoren eines Namens je Fach
1
2
3
SELECT Fach , Name , Count (*)
FROM Professoren
GROUP BY Fach , Name
§ Projektionsattribute sind in der Regel identisch mit den
Gruppierattributen; sie müssen eine Teilmenge sein
§ Sortierattribute müssen eine Teilmenge von
Gruppierattributen und Aggregaten sein
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
151
Gruppierung mit Selektion auf Attributen
§ Soll die Gruppierung nur solche Tupel berücksichtigen,
deren Attribute eine bestimmte Bedingung erfüllen,
so kann dies mittels einer WHERE-Klausel
erreicht werden
§ Beispiel: Anzahl Professoren namens Meier je Fach
1
2
3
4
SELECT
FROM
WHERE
GROUP BY
Fach , Count (*) AS Anzahl
Professoren
Name = ’ Meier ’
Fach
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
152
Gruppierung mit Selektion auf Aggregaten
§ Soll die Gruppierung nur solche Tupel zurückliefern,
deren Aggregate eine bestimmte Bedingung erfüllen,
so kann dies mittels einer HAVING-Klausel
erreicht werden
§ Beispiel: Fächer mit mehr als 10 Professoren
1
2
3
4
SELECT
FROM
GROUP BY
HAVING
Fach , Count (*) AS Anzahl
Professoren
Fach
Anzahl > 10
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
153
Gruppierung mit Selektion
§ SQL-Anfrage kann sowohl eine WHERE-Klausel als auch
eine HAVING-Klausel besitzen und es kann
mehrere Aggregate geben
§ Beispiel: Anzahl Professoren in Fächern, die auf
„ik“ enden und mehr als 5 Professoren haben,
alphabetisch sortiert
1
2
3
4
5
6
SELECT
FROM
WHERE
GROUP BY
HAVING
ORDER BY
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
Fach , COUNT (*)
Professoren
Fach LIKE ’% ik ’
Fach
COUNT (*) > 5
Fach
154
Verarbeitung der Gruppierung
§ WHERE
(d.h. betrachte nur Professoren, deren Fach auf „ik“ endet)
§ GROUP BY
(d.h. gruppiere verbleibende Professoren nach Fach)
§ HAVING
(d.h. eliminiere Fächer mit weniger als 5 Professoren)
1
§ ORDER BY
(d.h. sortiere verbleibende Fächer)
2
3
4
5
6
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
SELECT
FROM
WHERE
GROUP BY
HAVING
ORDER BY
Fach , COUNT (*)
Professoren
Fach LIKE ’% ik ’
Fach
COUNT (*) > 5
Fach
155
Top-k Anfragen
§ Bei Bildung von Aggregaten sind wir häufig nur an einer
bestimmten Anzahl von Tupeln mit höchstem oder
niedrigstem Aggregatwert interessiert; dies lässt sich
durch Verwendung des TOP (MS SQL Server) oder
LIMIT Kommandos (SQLite) erzielen
§ Beispiel: 5 Fächer mit den meisten Professoren
MS SQL Server:
1
2
3
4
SELECT
FROM
GROUP BY
ORDER BY
TOP 5 Fach , COUNT (*) AS Anzahl
Professoren
Fach
Anzahl DESC
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
156
Top-k Anfragen
§ Beispiel: 5 Fächer mit den meisten Professoren
SQLite:
1
2
3
4
5
SELECT
FROM
GROUP BY
ORDER BY
LIMIT
Fach , COUNT (*) AS Anzahl
Professoren
Fach
Anzahl DESC
5
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
157
2.5.4 Quantifizierung
§ SQL unterstützt mittels der Kommandos EXISTS und
NOT EXISTS den Existenzquantor
und
den Nichtexistenzquantor
§ Beispiel: Professoren zu denen es Studenten
mit gleichem Vornamen gibt
1
2
3
4
SELECT *
FROM Professoren p
WHERE EXISTS
( SELECT * FROM Studenten s WHERE p . Vorname = s . Vorname )
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
158
Quantifizierung
§ Allquantor
wird nicht explizit unterstützt; kann aber
mittels des Nichtexistenzquantors ausgedrückt werden
§ Beispiel: Studenten, die alle Vorlesungen hören
(d.h. es gibt keine Vorlesung, die der Student nicht hört)
1
2
3
4
5
6
7
8
9
10
SELECT *
FROM Studenten s
WHERE NOT EXISTS
( SELECT *
FROM Vorlesungen v
WHERE NOT EXISTS
( SELECT *
FROM h ö ren
WHERE s . MatrNr = h . MatrNr
AND h . VorlNr = v . VorlNr ))
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
159
Zusammenfassung
§ Structured Query Language (SQL) als standardisierte
Anfragesprache für relationale Datenbanken
§ Data Query Language zum Formulieren von Anfragen
(SELECT ... FROM ... WHERE ... ORDER BY ...)
§ mathematische Funktionen (z.B. ABS(A) und SIGN(A))
§ Aggregatfunktionen (z.B. MIN(A) und SUM(A))
§ Boole‘sche Operatoren (AND, OR, EXCEPT)
§ Verknüpfungen von mehreren Tabellen (JOINs)
§ Gruppierung (GROUP BY)
§ Quantifizierung (EXISTS)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
160
Literatur
[1]
A. Kemper und A. Eickler: Datenbanksysteme – Eine
Einführung, De Gruyter Oldenbourg, 2015 (Kapitel 4)
[2]
G. Saake, K.-U. Sattler und A. Heuer:
Datenbanken - Konzepte und Sprachen,
mitp Professional, 2013 (Kapitel 7 & 10)
Datenbanken & Informationssysteme / Kapitel 2: Datenbanken
161