[论文解读] An Experimental Investigation of XML Compression Tools

Sherif Sakr|ArXiv.org|May 31, 2008

Algorithms and Data Compression参考文献 18被引用 7

一句话总结

本文对九种最先进的XML压缩工具在57种不同XML文档上的表现进行了全面的实验评估，评估指标包括压缩比、速度和实用性。研究发现，通用压缩器（如gzip和XMLGzip）在实际性能中优于专门的XML感知工具，XML感知技术带来的压缩比提升微乎其微，且强调亟需稳定、开源的可查询压缩器以及可复现的基准测试。

ABSTRACT

This paper presents an extensive experimental study of the state-of-the-art of XML compression tools. The study reports the behavior of nine XML compressors using a large corpus of XML documents which covers the different natures and scales of XML documents. In addition to assessing and comparing the performance characteristics of the evaluated XML compression tools, the study tries to assess the effectiveness and practicality of using these tools in the real world. Finally, we provide some guidelines and recommen- dations which are useful for helping developers and users for making an effective decision for selecting the most suitable XML compression tool for their needs.

研究动机与目标

• 评估并比较最先进的XML压缩工具在真实场景下的性能。
• 评估XML感知压缩器与通用压缩器在压缩比、速度和资源使用方面的实用性与有效性。
• 识别当前实现中的缺口，特别是源代码可获取性以及对可查询压缩支持的不足。
• 为开发人员和用户提供基于特定需求（如速度、压缩比或查询支持）选择最优XML压缩工具的实用指南。

提出的方法

• 使用包含57种不同XML文档的语料库，评估了九种公开可用的XML压缩工具，涵盖不同类型和规模的数据。
• 在两种系统资源不同的测试环境中，测量了压缩与解压缩时间、压缩比以及资源使用情况。
• 为每种工具配置了调优后的参数，以确保公平比较和最佳性能设置。
• 应用多种排序函数（按压缩比、时间及综合指标加权）以评估工具的整体有效性。
• 根据结构感知能力（XML盲式 vs. XML感知式）、查询支持能力（可查询 vs. 不可查询）以及压缩模式（在线 vs. 离线）对工具进行分类。
• 从公开可访问的网页收集并分析结果，以确保研究发现的可复现性和透明度。

实验结果

研究问题

• RQ1 在压缩比和性能方面，XML感知压缩器与通用文本压缩器相比如何？
• RQ2 系统资源（如RAM）对内存密集型压缩器（如PPM和XWRT）的性能有何影响？
• RQ3 哪些压缩工具在压缩比、速度和对压缩数据的直接查询支持之间实现了最佳平衡？
• RQ4 XML感知压缩技术相比通用压缩器，能在多大程度上显著提升压缩效果？
• RQ5 可查询和基于模式的XML压缩器在实际应用中面临哪些障碍，如何解决？

主要发现

• gzip和XMLGzip在所有排序函数中均表现最佳，实现了压缩比与速度的最佳平衡。
• 没有任何XML感知压缩器在压缩比上显著优于其底层通用压缩器（如gzip、bzip2、PPM），且提升通常不超过5%。
• 压缩与解压缩时间是工具排名的关键因素，往往超过压缩比的微小提升。
• 基于模式的可查询XML压缩器仍发展不足，尤其在语法分析方法上，稳定且公开的实现极少。
• 许多工具，尤其是可查询工具，缺乏公开的源代码，损害了研究的可复现性与跨研究的公平比较。
• 本研究证实，XMill的核心创新——将结构部分与数据部分分离以实现针对性压缩——仍具基础性意义，但后续工具并未在此模型基础上实现显著突破。