RDF/XMLデータモデルのSAXパーサによるパース、のメモ

RDF/XMLのためのSAXパーサの実装（イベントハンドラの実装）をしたら大変だったのでメモ。
大変なので、可能な限りライブラリを使いましょう。たぶんrdf4jとかで大抵のことはできるような気がします。

将来の（色々なことを忘れたときの）自分用のメモなので、感想ポエムを含んだイントロになっています。
実際のソースコードは載っていません。再実装するときや実装を読み解く時のヒントとして。

イントロ

RDFとは

• 有向グラフで表されるデータ構造。
• 有向辺自体がPredicate、辺の始点がSubject、終点がObjectとそれぞれ呼ばれる
• グラフを辺集合の形で、 <Subject,Predicate,Object> の対で表す
• 頂点は「ノード要素」（名前がややこしいが、この記事では、グラフ理論上のノードは「頂点」と表記している。「ノード」とあるものは「ノード要素」を指している。）と「プロパティ要素」がある。
• Subject は 必ずノード要素である
• Object は ノード要素あるいはプロパティ要素がありうる
• したがって (ノード要素) × (弧) × (ノード要素 or プロパティ要素) の集合としてデータを表している
• ノード要素はIDを持つ
• ノード要素のIDは明示的に与えられている場合と、そうでない場合があり、後者はblank node（一般的な訳語：空白ノード。「無名ノード」とかの方がJavaプログラマにはわかりやすい気がする）と呼ばれる

RDF/XML

• 上記の (ノード要素) × (弧) × (ノード要素 or プロパティ要素) の集合をXMLで表したもの。
• 基本は以下の2つで表される

Objectがノード要素.xml

<rdf:Description rdf:about="SubjectのノードID">
  <Predicate>
    <rdf:Description rdf:about="ObjectのノードID">
    </rdf:Description>
  </Predicate>
</rdf:Description>

Objectがプロパティ要素.xml

<rdf:Description rdf:about="SubjectのノードID">
  <Predicate>
    Objectのプロパティの値
  </Predicate>
</rdf:Description>

• が、省略記法のルールが多く存在し、パースするのは大変である
• （たぶん、RDFモデルを人間様が見てもわかりやすいように出力するために、さまざまな省略ができるようになっているように見え、パースするコンピュータ様（のためにパーサを書くためのレベル低めのプログラマ）には優しくない仕様、に見える。※レベル低めのプログラマの感想）

プログラムで扱うときに困ること

• グラフ構造になっているので、DOM的な辿り方はできない
  • DOM的なXMLツリーの場合は、「HogeのFugaのPiyoが見たい（例：A部署のBさんの電話番号）」と思ったときに、ツリー化されたXMLであれば、 Hoge/Fuga/Piyo (/部署[@部署名=A]/社員[@氏名=B]/電話番号/text()) 的なものを取ってくればよいが、XMLとしてはツリー化されないので、HogeのID⇒FugaのIDを取ってきて、FugaのID⇒Piyoの値を取ってくる、みたいなプロセスを踏む必要がある。データ量が大きい場合は、ノード要素のIDでインデクス（ソート木でもハッシュテーブルでも）を作っておいて、検索できるようにしておかないと、常に全部走査することになって遅くなる
• XMLとして等価でなくても、RDFとして（表現される構造）は等価でありうる
  • 省略記法がたくさんあってつらい

といったことがあるので、XMLそのままでは色々と都合が悪く、(ノード要素) × (弧) × (ノード要素 or プロパティ要素) の集合の形に書き直す必要がある。

SAXパーサで書く時のポイント

そんなわけで、SAXパーサで頭から読んでいって、確定した(ノード要素) × (弧) × (ノード要素 or プロパティ要素)の値を外（ファイルなりDBなり）に書き出していく。
SAXパーサ（のイベントハンドラ）を実装していくうえでのポイントは以下。

• パーサに状態を持たせて、モードに合わせて状態遷移させる必要がある
  • rdf:parseType="Collection", rdf:parseType="Literal", rdf:parseType="Resource"
  • 特に指定のない場合に2パターン
• ↑後者の、指定のない場合に2パターンいるのは、主語が読み込み終わっている場合（次の要素をPredicateとしてパースする）と、Predicateまで読みこみ終わっている場合（次の要素をObjectのノード要素あるいはプロパティ要素）で状態を分けるため。

状態は {Root, S1, S2, Collection, Resource, Literal} があって(S1はPredicateのパースが未了、S2はPredicateのパースが済んでいる)、エレメントが開くたびに状態が遷移する。状態遷移のたびに現在の状態をスタックに積む。エレメントが閉じた場合は、スタックからポップして状態を戻す。
エレメントが開いたときの状態遷移は以下。

Root  （+ 任意のエレメント）|-> S1
S1 （+ rdf:parseType="Collection|Resource|Literal" のエレメント）|-> Collection|Resource|Literal 
S1 （+ rdf:Resourceを含む=ノード要素 のエレメント）|-> S1
S1 （+ rdf:Resourceを含まないエレメント）|-> S2
S2 （+ 任意のエレメント）|-> S1
Resource （+ rdf:parseType="Collection|Resource|Literal" のエレメント）|-> Collection|Resource|Literal 
Resource （+ rdf:Resourceを含む=ノード要素 のエレメント）|-> S1
Resource （+ rdf:Resourceを含まないエレメント）|-> S2
Collection （+ 任意のエレメント）|-> S2

となる。

あとは読みかけの文（SubjectあるいはSubject×Predicate）と、上記の状態をスタックに積んで、PushしたりPopしたりしながら読んでいくと、SAXでちゃんとパースできる。