9789144069197

Kalorier

Mellanmål

Nr Kalorier

Mellanmål Godis

Grönsak

Frukt

Tillverkare

DATABASTEKNIK Frukt

Namn

Frukt

Kalorier

Nr

Godis

Grönsak

Tillverkare

Kalorier

Namn

Namn

Namn

Nr

Nr

Nr

Kalorier

Godis

Grönsak

Frukt

Kalorier

Kalorier

Kalorier

n=1

0 1 M=5

2 3 4 5

1 M=5

n=1

n=2

0 2 3 4 5

THOMAS PADRON-McCARTHY TORE RISCH

6

Tillverka

Namn

Namn

Nr

Nr

Godis

Grönsak

n=2

Tillver

Kopieringsförbud Detta verk är skyddat av upphovsrättslagen. Kopiering, utöver lärares och studenters begränsade rätt att kopiera för undervisningsändamål enligt Bonus Copyright Access kopieringsavtal, är förbjuden. För information om avtalet hänvisas till utbildningsanordnarens huvudman eller Bonus Copyright Access.

Vid utgivning av detta verk som e-bok, är e-boken kopieringsskyddad.

Den som bryter mot lagen om upphovsrätt kan åtalas av allmän åklagare och dömas till böter eller fängelse i upp till två år samt bli skyldig att erlägga ersättning till upphovsman eller rättsinnehavare.

Studentlitteratur har både digital och traditionell bok­utgivning. Studentlitteraturs trycksaker är miljöanpassade, både när det gäller papper och tryckprocess.

Art.nr 31838 ISBN 978-91-44-06919-7 Upplaga 2:1 © Författarna och Studentlitteratur 2018 studentlitteratur.se Studentlitteratur AB, Lund Omslagslayout: Jesper Sjöstrand Omslagsbild: Shutterstock.com Printed by Dimograf, Poland 2018

Innehåll

Förord 1 Databaser och databashanterare 1.1 Varför ska jag lära mig det här? . . . . . . .

1.2 Vad är en databas? . . . . . . . . . . . . . .

1.3 Vad är en databashanterare? . . . . . . . .

1.4 Språkförbistring . . . . . . . . . . . . . . . .

1.5 Databashanterare – varför? . . . . . . . . .

1.6 Nackdelar med databaser . . . . . . . . . .

1.7 Jämförelse med kalkylprogram . . . . . . .

1.8 Användningsområden för databasteknik . .

1.9 Datamodeller . . . . . . . . . . . . . . . . . .

1.10 Tre-schema-arkitekturen . . . . . . . . . . .

1.11 Olika typer av användare . . . . . . . . . .

1.12 Databashanterare – hur? . . . . . . . . . . .

1.13 Hur mycket data kan man ha i en databas?

1.14 Databasen och verkligheten . . . . . . . . .

1.15 De viktigaste begreppen . . . . . . . . . . .

1.16 Litteratur . . . . . . . . . . . . . . . . . . . .

1 . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

7 7 8 8 9 10 17 17 18 19 20 21 22 24 25 26 29

2 ER-modellering 2.1 Konceptuella datamodeller . . . . . . . . . . . . . .

2.2 Varför ska jag lära mig det här? . . . . . . . . . . .

2.3 Grunderna för hur man ritar ER-diagram . . . . .

2.4 Hur många personer bor i varje hus? . . . . . . . .

2.5 Skilj på ER-diagram och tabeller . . . . . . . . . .

2.6 Skilj på schema och data . . . . . . . . . . . . . . .

2.7 Flera sambandstyper mellan samma entitetstyper 2.8 Fullständigt deltagande . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

31 31 32 33 34 36 36 37 38

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

i

Innehåll 2.9 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 2.21 2.22 2.23 2.24

Attribut . . . . . . . . . . . . . . . . .

Ett vanligt fel . . . . . . . . . . . . .

Sammansatta attribut . . . . . . . .

Flervärda attribut . . . . . . . . . . .

Härledda attribut . . . . . . . . . . .

Svaga entitetstyper . . . . . . . . . .

Objektifiering av sambandstyper . .

Flervägssamband . . . . . . . . . . .

Utvidgade ER-diagram (EER) . . . .

Mer om arv i EER-diagram . . . . . . Översättning till relationsmodellen .

Varför inte ER-diagram hela vägen?

Alternativa notationer . . . . . . . .

De viktigaste begreppen . . . . . . . Övningar . . . . . . . . . . . . . . . .

Litteratur . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . .

38 40 40 41 41 42 43 45 48 50 52 53 53 54 56 58

3 Mer om datamodellering 3.1 Varför ska jag lära mig det här? . . . . . . . . . . . . .

3.2 Hierarkier . . . . . . . . . . . . . . . . . . . . . . . . .

3.3 Generalisering och specialisering . . . . . . . . . . . .

3.4 Generalisering 1: Superklass i EER . . . . . . . . . . .

3.5 Generalisering 2: Att flytta saker från schema till data 3.6 Specialisering . . . . . . . . . . . . . . . . . . . . . . .

3.7 Ett annat exempel på generalisering . . . . . . . . . .

3.8 De viktigaste begreppen . . . . . . . . . . . . . . . . .

3.9 Övningar . . . . . . . . . . . . . . . . . . . . . . . . . .

3.10 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . .

59 59 60 63 64 67 71 71 73 74 75

4 Designprocessen 4.1 Traditionell databasdesign . . . . . . . . . . . . . . . .

4.2 Object-Relational Mapping, ORM . . . . . . . . . . . .

4.3 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . .

77 77 80 81

5 Relationsmodellen 5.1 Varför ska jag lära mig det här? . . . . . .

5.2 Relationer . . . . . . . . . . . . . . . . . .

5.3 Schema och innehåll . . . . . . . . . . . .

5.4 ”Medlem”, ”medlemmar” eller ”members”?

5.5 Olika sorters nycklar . . . . . . . . . . . .

5.6 Kopplingar mellan relationer . . . . . . .

5.7 Vanliga fel . . . . . . . . . . . . . . . . . .

5.8 Varför heter det ”relationer”? . . . . . . .

83 83 84 85 86 86 88 89 90

ii

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

c FÖRFATTARNA OCH STUDENTLITTERATUR

Innehåll 5.9 5.10

De viktigaste begreppen . . . . . . . . . . . . . . . . . 92 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 93

6 Översättning från ER-modellen till relationsmodellen 6.1 Kort kokbok . . . . . . . . . . . . . . . . . . . . . . . .

6.2 Steg 1: Vanliga entitetstyper . . . . . . . . . . . . . . .

6.3 Steg 2: 1:N-sambandstyper . . . . . . . . . . . . . . . .

6.4 Steg 3: 1:1-sambandstyper . . . . . . . . . . . . . . . .

6.5 Steg 4: N:M-sambandstyper . . . . . . . . . . . . . . .

6.6 Steg 5: Sambandstyper av högre grad än två . . . . .

6.7 Steg 6: Attribut på sambandstyper . . . . . . . . . . .

6.8 Steg 7: Svaga entitetstyper . . . . . . . . . . . . . . . .

6.9 Steg 8: Sammansatta attribut . . . . . . . . . . . . . .

6.10 Steg 9: Flervärda attribut . . . . . . . . . . . . . . . .

6.11 Steg 10: Härledda attribut . . . . . . . . . . . . . . . .

6.12 Steg 11: Arv i EER-modellen . . . . . . . . . . . . . . .

6.13 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . .

6.14 Övningar . . . . . . . . . . . . . . . . . . . . . . . . . .

95 95 96 98 99 101 102 103 105 105 106 107 107 111 111

7 Introduktion till frågespråket SQL 7.1 Varför ska jag lära mig det här? . . . . . . . . . . .

7.2 Standard-SQL och SQL-standarder . . . . . . . . .

7.3 Förberedelser . . . . . . . . . . . . . . . . . . . . .

7.4 De första stapplande stegen . . . . . . . . . . . . .

7.5 Enkla frågor med select . . . . . . . . . . . . . .

7.6 Citationstecken . . . . . . . . . . . . . . . . . . . .

7.7 Om man skriver fel . . . . . . . . . . . . . . . . . .

7.8 Frågor med flera tabeller . . . . . . . . . . . . . . .

7.9 Ett annat sätt att kombinera tabeller . . . . . . . .

7.10 Repetition . . . . . . . . . . . . . . . . . . . . . . . .

7.11 Ett exempel till: Vad sportar Olle? . . . . . . . . .

7.12 in och not in . . . . . . . . . . . . . . . . . . . . .

7.13 Mer om nästlade frågor: exists och not exists 7.14 Jämförelser med any, some och all . . . . . . . .

7.15 Sortering med order by . . . . . . . . . . . . . . .

7.16 Tio-i-topp-listor . . . . . . . . . . . . . . . . . . . .

7.17 Överkurs: Tabellnamn och alias i nästlade frågor .

7.18 Att ändra på databasens innehåll . . . . . . . . . .

7.19 Vyer . . . . . . . . . . . . . . . . . . . . . . . . . . .

7.20 Transaktioner med commit och rollback . . . .

7.21 Skriv ut alla kolumnnamnen! . . . . . . . . . . . .

7.22 SQL som DDL . . . . . . . . . . . . . . . . . . . . .

113 113 114 115 115 117 120 120 121 123 125 126 130 131 133 134 134 136 137 142 144 146 147

c FÖRFATTARNA OCH STUDENTLITTERATUR

. . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . .

iii

Innehåll 7.23 7.24 7.25 7.26 7.27 7.28 7.29 7.30

Mer om SQL som DDL: Så här skapade vi vår klubbdatabas . . . . . . . . . . . . . . . . . . . . . . . . . . .

Hur man gör i praktiken . . . . . . . . . . . . . . . . .

Så här la vi in data i klubb-databasen . . . . . . . . .

Scheman . . . . . . . . . . . . . . . . . . . . . . . . . .

Vanliga fel i SQL . . . . . . . . . . . . . . . . . . . . . .

Prestanda i SQL . . . . . . . . . . . . . . . . . . . . . . Övningar . . . . . . . . . . . . . . . . . . . . . . . . . .

Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . .

149 150 150 151 152 153 155 156

8 Mer om SQL: Aggregatfunktioner, null-värden, vyer och rekursiva frågor 159 8.1 Exempeldatabasen: arbetare och kontor . . . . . . . . 159 8.2 Grunder om aggregatfunktioner . . . . . . . . . . . . . 161 8.3 Aggregatfunktioner med where . . . . . . . . . . . . . 162 8.4 Mängdoperationer i SQL . . . . . . . . . . . . . . . . . 164 8.5 Mängder och påsar . . . . . . . . . . . . . . . . . . . . 165 8.6 Aggregatfunktioner med group by och having . . . 166 8.7 Ett problem: Saker som försvinner . . . . . . . . . . . 170 8.8 Explicit join . . . . . . . . . . . . . . . . . . . . . . . . . 170 8.9 Yttre join . . . . . . . . . . . . . . . . . . . . . . . . . . 172 8.10 Count kan räkna antingen rader eller värden . . . . . 174 8.11 Flera join-operationer i samma fråga . . . . . . . . . . 175 8.12 Vyer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179 8.13 CTE:er . . . . . . . . . . . . . . . . . . . . . . . . . . . 181 8.14 Join med sig själv . . . . . . . . . . . . . . . . . . . . . 182 8.15 Problem med null i SQL . . . . . . . . . . . . . . . . . 183 8.16 Rekursiva frågor . . . . . . . . . . . . . . . . . . . . . . 186 8.17 Ännu mer SQL . . . . . . . . . . . . . . . . . . . . . . . 190 8.18 Nyheter i SQL:1999 . . . . . . . . . . . . . . . . . . . . 190 8.19 Övningar . . . . . . . . . . . . . . . . . . . . . . . . . . 193 9 Sammanfattning av SQL-kommandon 9.1 Select-frågor . . . . . . . . . . . . .

9.2 Insert . . . . . . . . . . . . . . . . .

9.3 Delete . . . . . . . . . . . . . . . . .

9.4 Update . . . . . . . . . . . . . . . . .

9.5 Create table . . . . . . . . . . . .

9.6 Create view . . . . . . . . . . . . .

9.7 Alter table . . . . . . . . . . . . .

9.8 Create index . . . . . . . . . . . .

9.9 Drop . . . . . . . . . . . . . . . . . . .

9.10 Transaktioner . . . . . . . . . . . . . iv

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

195 196 199 200 200 201 204 204 205 206 208

c FÖRFATTARNA OCH STUDENTLITTERATUR

Innehåll 9.11 9.12 9.13 9.14

Säkerhet med grant och revoke Några andra kommandon . . . .

Syntax i olika databashanterare .

Litteratur . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

209 210 210 211

10 Relationskalkyl 213 10.1 Varför ska jag lära mig det här? . . . . . . . . . . . . . 213 10.2 Radkalkyl . . . . . . . . . . . . . . . . . . . . . . . . . . 214 11 Relationsalgebra 221 11.1 Varför ska jag lära mig det här? . . . . . . . . . . . . . 221 11.2 Mängd- och påsalgebra . . . . . . . . . . . . . . . . . . 222 11.3 Relationsalgebra är ett funktionellt språk . . . . . . . 222 11.4 Logisk och fysisk relationsalgebra . . . . . . . . . . . . 223 11.5 Operationen selektion, σ . . . . . . . . . . . . . . . . . 223 11.6 Operationen projektion, π . . . . . . . . . . . . . . . . 225 11.7 Relationsalgebrauttryck . . . . . . . . . . . . . . . . . 225 11.8 Mängdoperationerna union, snitt och differens . . . . 226 11.9 Operationen yttre union . . . . . . . . . . . . . . . . . 228 11.10 Operationen kartesisk produkt, × . . . . . . . . . . . . 229 11.11 Operationen join (även kallad inre join) . . . . . . . . 230 11.12 Operationen naturlig join . . . . . . . . . . . . . . . . 232 11.13 Att byta namn på relationer och attribut: operationen ρ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233 11.14 Aggregatfunktioner . . . . . . . . . . . . . . . . . . . . 234 11.15 Operationen yttre join . . . . . . . . . . . . . . . . . . . 236 11.16 Operationen division, ÷ . . . . . . . . . . . . . . . . . 237 11.17 Hierarkier . . . . . . . . . . . . . . . . . . . . . . . . . 238 11.18 Transitivt hölje . . . . . . . . . . . . . . . . . . . . . . 241 11.19 Uppdateringsoperationer . . . . . . . . . . . . . . . . . 242 11.20 Sammanfattning av notationen . . . . . . . . . . . . . 242 11.21 Övningar . . . . . . . . . . . . . . . . . . . . . . . . . . 242 11.22 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 245 12 Normalformer och normalisering 247 12.1 Varför ska jag lära mig det här? . . . . . . . . . . . . . 247 12.2 Ett förklarande exempel . . . . . . . . . . . . . . . . . 248 12.3 Första försöket att göra en databas . . . . . . . . . . . 248 12.4 En enkel regel för hur tabeller ska se ut . . . . . . . . 249 12.5 Första normalformen, ”1NF” . . . . . . . . . . . . . . . 251 12.6 Funktionellt beroende, ”fb” . . . . . . . . . . . . . . . . 251 12.7 Fullständigt funktionellt beroende, ”ffb” . . . . . . . . 252 12.8 Hur vet man vilka funktionella beroenden som finns? 253 c FÖRFATTARNA OCH STUDENTLITTERATUR

v

Innehåll 12.9 12.10 12.11 12.12 12.13 12.14 12.15 12.16 12.17 12.18 12.19 12.20 12.21

Andra normalformen, ”2NF” (ett första, dåligt, försök) 254 Redundans i alla fall? . . . . . . . . . . . . . . . . . . . 255 En bättre definition av 2NF . . . . . . . . . . . . . . . 256 Tredje normalformen, ”3NF” . . . . . . . . . . . . . . . 257 Hur vet man hur man ska göra uppdelningen? . . . . 258 Boyce-Codds normalform, ”BCNF” . . . . . . . . . . . 260 Tänk på vad tabellen betyder! . . . . . . . . . . . . . . 261 Ännu fler normalformer . . . . . . . . . . . . . . . . . 262 Ibland är det bra att inte normalisera . . . . . . . . . 263 Inte bara för relationsmodellen . . . . . . . . . . . . . 263 De viktigaste begreppen . . . . . . . . . . . . . . . . . 264 Övningar . . . . . . . . . . . . . . . . . . . . . . . . . . 265 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 266

13 Integritetsvillkor 267 13.1 Ett exempel: Anställda och avdelningar . . . . . . . . 269 13.2 Nyckelvillkor i SQL . . . . . . . . . . . . . . . . . . . . 269 13.3 Referensintegritet i SQL . . . . . . . . . . . . . . . . . 271 13.4 Vadå ”misslyckas”? . . . . . . . . . . . . . . . . . . . . 273 13.5 Ajöss med konsulterna! . . . . . . . . . . . . . . . . . . 274 13.6 Mer komplicerade villkor . . . . . . . . . . . . . . . . . 275 13.7 Hur anger man dessa mer komplicerade villkor? . . . 276 13.8 Aktiva databaser . . . . . . . . . . . . . . . . . . . . . 278 13.9 Vem kollar villkoren? Procedurellt eller deklarativt? . 279 13.10 Ska man alltid skapa integritetsvillkor? . . . . . . . . 280 13.11 En möjlig uppdelning i olika typer av integritetsvillkor281 13.12 Databasens interna integritet . . . . . . . . . . . . . . 282 13.13 ”Integritet” som i ”personlig integritet” . . . . . . . . . 282 13.14 Lagar som berör personlig integritet . . . . . . . . . . 283 13.15 De viktigaste begreppen . . . . . . . . . . . . . . . . . 284 13.16 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 285 14 Säkerhet i databaser 14.1 Databashanteraren skyddar databasen 14.2 Grant och revoke . . . . . . . . . . . . .

14.3 Mer finkornig kontroll med vyer . . . . .

14.4 Grant-rättigheter med grant option 14.5 Roller . . . . . . . . . . . . . . . . . . . .

14.6 Säkerhet i statistiska databaser . . . . .

14.7 SQL-injektion . . . . . . . . . . . . . . .

14.8 De viktigaste begreppen . . . . . . . . .

14.9 Litteratur . . . . . . . . . . . . . . . . . . vi

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

. . . . . . . . .

287 288 290 291 291 292 293 295 296 297

c FÖRFATTARNA OCH STUDENTLITTERATUR

Innehåll 15 Lagrade procedurer 299 15.1 Lagrade procedurer och användardefinierade funktioner . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299 15.2 Lagrade procedurer i SQL . . . . . . . . . . . . . . . . 300 15.3 Ett enkelt exempel . . . . . . . . . . . . . . . . . . . . 300 15.4 Procedurer och funktioner . . . . . . . . . . . . . . . . 302 15.5 Transitivt hölje som en lagrad funktion . . . . . . . . 303 15.6 Fördelar med lagrade procedurer . . . . . . . . . . . . 305 15.7 Cursors i lagrade procedurer . . . . . . . . . . . . . . . 306 15.8 De viktigaste begreppen . . . . . . . . . . . . . . . . . 307 15.9 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 308 16 Aktiva databaser och triggers 16.1 Vad är en trigger? . . . . . . . . . . . . . . . . .

16.2 Triggers i SQL . . . . . . . . . . . . . . . . . . .

16.3 Materialiserad vy . . . . . . . . . . . . . . . . .

16.4 Varför triggers? . . . . . . . . . . . . . . . . . .

16.5 Att hålla den materialiserade vyn uppdaterad triggers . . . . . . . . . . . . . . . . . . . . . . .

16.6 Flera rader åt gången . . . . . . . . . . . . . . .

16.7 Ett annat exempel: Tillåt inga lönesänkningar 16.8 De viktigaste begreppen . . . . . . . . . . . . .

16.9 Litteratur . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . med . . . . . . . . . . . . . . . . . . . .

309 310 310 312 313 314 315 318 319 320

17 Objektorienterade och objektrelationella databaser 321 17.1 Varför ska jag lära mig det här? . . . . . . . . . . . . . 321 17.2 Skillnaden mellan objektorienterade och objektrelationella databaser . . . . . . . . . . . . . . . . . . . . . 322 17.3 Objektorienterad datamodellering . . . . . . . . . . . 323 17.4 Problem med relationsdatabaser . . . . . . . . . . . . 325 17.5 Objektlager . . . . . . . . . . . . . . . . . . . . . . . . . 329 17.6 Objektrelationella databaser . . . . . . . . . . . . . . . 333 17.7 De viktigaste begreppen . . . . . . . . . . . . . . . . . 335 17.8 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 336 18 Datalager och datautvinning 18.1 Varför ska jag lära mig det här?

18.2 Driftsdatabaser . . . . . . . . .

18.3 Beslutsstöd . . . . . . . . . . . .

18.4 Datalager (”data warehouses”) .

18.5 Dimensionsmodellen . . . . . .

18.6 Datakuber i relationsdatabaser 18.7 Faktatabellen . . . . . . . . . . c FÖRFATTARNA OCH STUDENTLITTERATUR

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

337 337 338 339 340 344 348 351 vii

Innehåll 18.8 18.9 18.10 18.11 18.12 18.13 18.14 18.15

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

351 352 354 356 356 357 359 360

19 Databasbaserade webbplatser 19.1 WWW och statiska webbsidor . . . . . .

19.2 Dynamiska webbsidor och databaser . .

19.3 CGI . . . . . . . . . . . . . . . . . . . . .

19.4 Utbyggbara webbservrar . . . . . . . . .

19.5 SQL integrerad i webbsidorna . . . . . .

19.6 Java-appletar och andra klientprogram 19.7 XML . . . . . . . . . . . . . . . . . . . . .

19.8 JSON . . . . . . . . . . . . . . . . . . . .

19.9 De viktigaste begreppen . . . . . . . . .

19.10 Litteratur . . . . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

363 363 366 366 371 371 376 377 381 382 383

20 Tid i databaser 20.1 Vanliga tidsdatatyper . . . . . . . . . . . . . . . . .

20.2 Snapshot-databaser . . . . . . . . . . . . . . . . . .

20.3 Enkla tidsuppgifter . . . . . . . . . . . . . . . . . .

20.4 Tidsserier . . . . . . . . . . . . . . . . . . . . . . . .

20.5 En tidsdimension: giltighetstid . . . . . . . . . . .

20.6 Giltighetstid i en vanlig relationsdatabas . . . . .

20.7 En annan tidsdimension: transaktionstid . . . . .

20.8 Transaktionstid i en vanlig relationsdatabas . . .

20.9 Bi-temporala databaser . . . . . . . . . . . . . . . .

20.10 Bi-temporala tabeller i en vanlig relationsdatabas 20.11 Alternativa implementationer . . . . . . . . . . . .

20.12 Referensintegritet i en temporal databas . . . . . .

20.13 De viktigaste begreppen . . . . . . . . . . . . . . .

20.14 Litteratur . . . . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . .

. . . . . . . . . . . . . .

385 385 386 386 387 387 389 392 393 394 395 397 397 398 400

21 SQL inuti ett program 21.1 Olika sätt att använda SQL . . . . . . . . . . .

21.2 Olika sätt att använda SQL inuti ett program .

21.3 Ett exempel på ett API: SQLite i Python . . . .

21.4 Ett annat exempel: MySQL i C . . . . . . . . .

21.5 JDBC, ett databasoberoende API . . . . . . . .

. . . . .

. . . . .

401 402 403 405 410 412

viii

Dimensionstabellerna . . . . . . .

Redundans och denormalisering .

Kuboperatorn . . . . . . . . . . .

Finkornighet . . . . . . . . . . . .

Dataförråd (”data marts”) . . . .

Datautvinning (”data mining”) . .

De viktigaste begreppen . . . . .

Litteratur . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . .

. . . . .

c FÖRFATTARNA OCH STUDENTLITTERATUR

Innehåll 21.6 21.7 21.8 21.9 21.10 21.11 21.12 21.13

Skriptprogrammering med T-SQL .

ODBC . . . . . . . . . . . . . . . . .

API:er för andra språk . . . . . . .

Cursors . . . . . . . . . . . . . . . .

Embedded SQL . . . . . . . . . . .

De viktigaste begreppen . . . . . . Övningar . . . . . . . . . . . . . . .

Litteratur . . . . . . . . . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

. . . . . . . .

418 419 432 432 433 439 442 443

22 Index och prestanda 445 22.1 Ett index är som registret i en bok . . . . . . . . . . . 445 22.2 Index i databashanterare . . . . . . . . . . . . . . . . . 446 22.3 Usch så jobbigt! . . . . . . . . . . . . . . . . . . . . . . 449 22.4 Hur vet man vilka index som behövs? . . . . . . . . . 449 22.5 Går det inte snabbt nog i alla fall? . . . . . . . . . . . 452 22.6 Överkurs (men nödvändig läsning för den som ska bygga en internet-bank): belastningsanalys . . . . . . 452 22.7 De viktigaste begreppen . . . . . . . . . . . . . . . . . 454 22.8 Litteratur . . . . . . . . . . . . . . . . . . . . . . . . . . 454 23 Fysiska lagringsstrukturer i databaser 455 23.1 Varför ska jag lära mig det här? . . . . . . . . . . . . . 455 23.2 Grunder om lagringsstrukturer . . . . . . . . . . . . . 456 23.3 Vanliga databaser är diskbaserade . . . . . . . . . . . 456 23.4 Poster och block . . . . . . . . . . . . . . . . . . . . . . 457 23.5 Hårddiskar och SSD:er . . . . . . . . . . . . . . . . . . 458 23.6 Både mekaniska hårddiskar och SSD:er är långsamma461 23.7 Nycklar och sorteringsfält . . . . . . . . . . . . . . . . 462 23.8 Filoperationer . . . . . . . . . . . . . . . . . . . . . . . 463 23.9 Huvudfilen . . . . . . . . . . . . . . . . . . . . . . . . . 465 23.10 Osorterade filer . . . . . . . . . . . . . . . . . . . . . . 466 23.11 Sorterade filer . . . . . . . . . . . . . . . . . . . . . . . 468 23.12 Hashfiler . . . . . . . . . . . . . . . . . . . . . . . . . . 470 23.13 Filer som organiseras efter ett index . . . . . . . . . . 473 23.14 Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473 23.15 Sekundärindex . . . . . . . . . . . . . . . . . . . . . . . 474 23.16 Primärindex . . . . . . . . . . . . . . . . . . . . . . . . 476 23.17 Klustrade index . . . . . . . . . . . . . . . . . . . . . . 476 23.18 Hashindex . . . . . . . . . . . . . . . . . . . . . . . . . 477 23.19 B+ -träd som index . . . . . . . . . . . . . . . . . . . . . 478 23.20 B+ -träd som primärindex . . . . . . . . . . . . . . . . 479 23.21 Filer som organiseras efter ett index . . . . . . . . . . 480 23.22 B+ -träd som sekundärindex . . . . . . . . . . . . . . . 480 c FÖRFATTARNA OCH STUDENTLITTERATUR

ix

Innehåll 23.23 23.24 23.25 23.26 23.27 23.28 23.29 23.30 23.31 23.32

Hashtabeller som växer automatiskt Primärminnesdatabaser . . . . . . .

Fysiska och logiska index . . . . . . .

Bitindex . . . . . . . . . . . . . . . . .

Flerdimensionella index . . . . . . .

Räkneexempel med söktider . . . . .

Komplexitet . . . . . . . . . . . . . .

De viktigaste begreppen . . . . . . . Övningar . . . . . . . . . . . . . . . .

Litteratur . . . . . . . . . . . . . . . .

24 Transaktioner 24.1 ACID-transaktioner . . .

24.2 Konsistens . . . . . . . .

24.3 Commit och rollback . .

24.4 Auto-commit i SQL . . .

24.5 Krascher och återstarter 24.6 Loggfilen . . . . . . . . .

24.7 Reservkopior (”backup”) 24.8 I:et i ACID: Isolering . .

24.9 De viktigaste begreppen 24.10 Litteratur . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

481 486 487 488 488 494 499 499 502 504

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

505 505 507 507 508 509 509 510 511 512 513

25 Hur transaktioner hanteras inuti databashanteraren 515 25.1 ACID-egenskaperna och samtidighet . . . . . . . . . . 515 25.2 Transaktionens tillstånd . . . . . . . . . . . . . . . . . 516 25.3 Buffertar och krascher . . . . . . . . . . . . . . . . . . 517 25.4 ACID-egenskaperna och krascher . . . . . . . . . . . . 518 25.5 Krascher och återstarter . . . . . . . . . . . . . . . . . 519 25.6 Omedelbar och fördröjd uppdatering . . . . . . . . . . 520 25.7 Checkpoint . . . . . . . . . . . . . . . . . . . . . . . . . 521 25.8 C:et i ACID: Konsistensbevarande . . . . . . . . . . . 522 25.9 I:et i ACID: Isolering . . . . . . . . . . . . . . . . . . . 523 25.10 Transaktioner som läser och skriver . . . . . . . . . . 523 25.11 Vad kan gå fel? . . . . . . . . . . . . . . . . . . . . . . . 525 25.12 Seriella och icke-seriella tidsscheman . . . . . . . . . 533 25.13 Serialiserbarhet . . . . . . . . . . . . . . . . . . . . . . 534 25.14 Olika isoleringsnivåer . . . . . . . . . . . . . . . . . . . 537 25.15 Hur åstadkommer man isoleringen? . . . . . . . . . . 538 25.16 Kör transaktionerna seriellt . . . . . . . . . . . . . . . 539 25.17 Kontrollera tidsschemat i förväg . . . . . . . . . . . . 540 25.18 Kontrollera tidsschemat efteråt . . . . . . . . . . . . . 540 25.19 Lås . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541 x

c FÖRFATTARNA OCH STUDENTLITTERATUR

Innehåll 25.20 25.21 25.22 25.23 25.24 25.25

Optimistiska metoder . . .

Tidsstämpelmetoden . . .

Flerversionsmetoder . . .

Långlivade transaktioner .

De viktigaste begreppen .

Litteratur . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

553 559 567 568 569 572

26 Frågebearbetning 26.1 Varför ska jag lära mig det här? . .

26.2 Nyttan av frågeoptimering . . . . .

26.3 Frågebearbetningsfaser . . . . . . .

26.4 Exempel . . . . . . . . . . . . . . . .

26.5 Vyexpansion . . . . . . . . . . . . .

26.6 Klustrade index . . . . . . . . . . .

26.7 Kostnadsbaserad optimering . . . .

26.8 Optimeringsmetoders komplexitet 26.9 De viktigaste begreppen . . . . . .

26.10 Litteratur . . . . . . . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

. . . . . . . . . .

573 574 574 577 579 580 581 583 600 601 602

27 Distribuerade databaser 27.1 Vad är en distribuerad databas? . . . . . . . .

27.2 Fördelar och nackdelar . . . . . . . . . . . . .

27.3 Design av distribuerade databaser . . . . . .

27.4 Fragmentering . . . . . . . . . . . . . . . . . .

27.5 Korrekt fragmentering . . . . . . . . . . . . .

27.6 Frågebearbetning i distribuerade databaser: sering och reduktion . . . . . . . . . . . . . .

27.7 Frågeoptimering i distribuerade databaser .

27.8 Transaktioner i distribuerade databaser . . .

27.9 Parallella databaser . . . . . . . . . . . . . . .

27.10 De viktigaste begreppen . . . . . . . . . . . .

27.11 Litteratur . . . . . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . lokali. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

28 NoSQL, NewSQL och molndatabaser 28.1 NoSQL . . . . . . . . . . . . . . . .

28.2 NewSQL . . . . . . . . . . . . . . .

28.3 Molndatabaser . . . . . . . . . . . .

28.4 Litteratur . . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

603 603 606 608 609 609 614 620 625 632 633 636 637 637 641 642 643

29 Introduktion till MySQL 645 29.1 Om MySQL . . . . . . . . . . . . . . . . . . . . . . . . . 646 29.2 Plus och minus . . . . . . . . . . . . . . . . . . . . . . . 646 29.3 Linux-exempel . . . . . . . . . . . . . . . . . . . . . . . 647 c FÖRFATTARNA OCH STUDENTLITTERATUR

xi

Innehåll 30 Introduktion till PostgreSQL 653 30.1 Några finesser i PostgreSQL . . . . . . . . . . . . . . . 654 30.2 Linux-exempel . . . . . . . . . . . . . . . . . . . . . . . 656 31 Introduktion till Microsoft SQL Server 31.1 Transact-SQL . . . . . . . . . . . . .

31.2 SQL Server Management Studio . .

31.3 Vi provkör SQL Server Express . . .

31.4 Litteratur . . . . . . . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

659 660 661 663 664

32 Några databashanterare 32.1 Db2 . . . . . . . . . .

32.2 Firebird . . . . . . . .

32.3 IMS . . . . . . . . . .

32.4 Informix . . . . . . . .

32.5 Ingres . . . . . . . . .

32.6 InterBase . . . . . . .

32.7 MariaDB . . . . . . .

32.8 Microsoft Access . . .

32.9 Microsoft Jet . . . . .

32.10 Microsoft SQL Server 32.11 Mimer . . . . . . . . .

32.12 MongoDB . . . . . . .

32.13 MySQL . . . . . . . .

32.14 ObjectStore . . . . . .

32.15 Oracle . . . . . . . . .

32.16 PostgreSQL . . . . . .

32.17 SQLite . . . . . . . . .

32.18 Sybase . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

665 666 666 666 666 667 667 668 668 668 668 669 669 669 669 670 670 670 670

33 Litteratur och resurser 33.1 Tjocka grundböcker . . . . . . . . . . . . . .

33.2 Böcker om några mer specialiserade ämnen 33.3 Böcker och handledningar på webben . . .

33.4 Andra resurser på webben . . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

671 671 673 675 676

Sakregister

xii

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

. . . . . . . . . . . . . . . . . .

677

c FÖRFATTARNA OCH STUDENTLITTERATUR

Kapitel 3

Mer om datamodellering I kapitlet om ER-modellering gick vi igenom hur man ritar ett ERschema som beskriver en del av världen, så att man sedan kan översätta ER-schemat exempelvis till ett relationsschema som kan användas i en relationsdatabashanterare. I det här kapitlet ska vi inte lära oss rita några nya figurer i ER-schemat, utan vi ska titta på hur man bäst modellerar några olika företeelser från verkligheten. Det vi tar upp är • hur man modellerar hierarkier, och • hur man kan göra ER-schemat enklare och flexiblare genom olika former av generalisering.

3.1

Varför ska jag lära mig det här?

Samma bit av verkligheten brukar kunna modelleras på flera olika sätt, bland annat med flera olika ER-scheman. För att databasen ska bli användbar krävs det att man väljer en modellering som är bra, i stället för en dålig.

I det här kapitlet ska vi ge några tips på hur man kan göra, och om vad som kan vara bra och dåligt i några olika fall.

59

3 Mer om datamodellering

3.2

Hierarkier

Ibland behöver man modellera hierarkier, dvs ”pyramider”, till exempel av typen att anställda i ett företag är chefer för andra anställda, som i sin tur kan vara chefer för ytterligare andra anställda, eller att delar i en maskin består av andra delar, som i sin tur kan bestå av ytterligare andra delar.

Man kan dela in hierarkierna i två olika typer:

• Hierarkier som består av flera sorter av saker, till exempel ett företag som består av lokalkontor, som i sin tur har avdelningar, vilka sen i sin tur har anställda.

• Hierarkier som består av en sorts saker, till exempel anställda som är chefer för varandra.

3.2.1 Hierarkier som består av flera olika sorter av saker

En heterogen hierarki, som innehåller flera olika typer av saker, ritar man i ER-modellen genom att flera olika entitetstyper kopplas ihop med hjälp av 1:N-sambandstyper. Dubbelstrecken betyder som vanligt fullständigt deltagande, dvs i det här fallet att varje person i databasen måste tillhöra en avdelning, och att varje avdelning måste tillhöra ett lokalkontor: 60

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Vi ritar upp hur instanserna kan se ut i en databas med det ERschemat:

Lägg märke till att det inte finns någon instans eller entitetstyp som representerar hela företaget, utan det är underförstått att alla kontoren hör till samma företag. c FÖRFATTARNA OCH STUDENTLITTERATUR

61

3 Mer om datamodellering

3.2.2 Hierarkier som består av en enda sorts saker En homogen hierarki, som innehåller en enda typ av saker, ritar man i ER-modellen med hjälp av en sambandstyp som kopplar ihop en entitetstyp med sig själv:

Personer är chefer för varandra. Sambandet är av typen 1:N, så en person kan vara chef för flera andra personer, men varje person kan bara ha en enda chef.

För att förtydliga att det är så man menar, och inte tvärtom (att en person kan ha flera chefer, men bara kan vara chef för en enda person), kan man sätta ut rollnamn i ER-diagrammet: Chef-sambandet kan binda ihop en person med flera underställda, men bara med en chef. Rollnamn är ofta bra just för ”en-entitetstyps-sambandstyper”:

Eftersom en person kan vara chef för flera andra, som i sin tur är chefer för ytterligare andra, så kan ett sånt här ER-diagram alltså användas för att beskriva en hierarki. Vi ritar upp hur instanserna kan se ut i en databas med det ER-schemat. Pilarna anger vilka som är chefer för vilka: 62

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Notera att en del personer inte har någon chef alls, och att en del personer är chefer för sig själva. Dessutom finns det mer än en chefshierarki. Vi hade kanske tänkt oss att alla personerna skulle ingå i en enda hierarki, med överbossen överst, men det finns inget i ERdiagrammet som säger att det måste vara så. Om man vill ha en enda hierarki, måste man hålla reda på det på annat sätt.

3.3

Generalisering och specialisering

Något som är generellt gäller flera olika saker, och något som är speciellt eller specifikt gäller i färre, eller kanske bara ett enda, fall. Till exempel är det ett generellt uttalande att säga att frukter är nyttigt, medan det är mer specifikt att säga att apelsiner är nyttiga. (Tänk på att en general är en officer som för befäl över en väldig massa soldater, medan en specialist är en person som kan väldigt mycket inom ett enda område.)

Generalisering handlar om att göra om något så att det gäller fler saker, medan specialisering handlar om att göra om något så att det gäller färre saker. Om någon säger att apelsiner och bananer är goda, kan man generalisera det uttalandet till att handla om alla frukter: alla frukter är goda. Man har generaliserat lite mindre om man bara säger att alla importerade frukter är goda, och man har generaliserat ännu mer om man säger att all mat är god. c FÖRFATTARNA OCH STUDENTLITTERATUR

63

3 Mer om datamodellering Saker som är generella kan ofta användas inom ett stort område, och de är kanske tillräckligt allomfattande för att de inte ska behöva ändras varje gång någon förutsättning ändras. Å andra sidan är något som är mer specifikt ofta mer användbart: Om någon berättar att hon tycker om apelsiner är det lättare för mig att handla åt henne än om hon säger att hon tycker om frukt.

Vi ska nu titta på två olika typer av generalisering som kan användas i datamodellering: • Generalisering med hjälp av en superklass i ett EER-diagram.

• Generalisering genom att flytta information från databasens schema till databasens data.

3.4

Generalisering 1: Superklass i EER

Antag att vi har några olika sorters mellanmål:

Detta ER-schema säger att databasen innehåller ett antal frukter, ett antal grönsaker och ett antal sorters godis. Än så länge har vi förstås inte sagt något om vilka frukter, grönsaker och godissorter som ska finnas, för det hör till databasens data och inte dess schema.

Men som ett exempel skulle vi kunna ha frukterna apelsin, banan och citron.

Eftersom frukter, grönsaker och godis alla är mellanmål, har de kanske en del saker gemensamt som vi vill representera i databasen. När vi ritar ut attributen, kan det visa sig att de tre entitetstyperna har likartade attribut: 64

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Det kan också vara så att de olika entitetstyperna deltar i likartade sambandstyper. Antag till exempel att vi vill modellera att olika personer tycker om olika sorters mellanmål. Då måste vi rita ett Tycker om-samband för varje mellanmålstyp:

Det blir förstås jobbigt att rita ut alla dessa attribut och sambandstyper, särskilt om vi har många fler än bara tre olika sorters mellanmål. Schemat blir onödigt stort och oöverskådligt. Eftersom samma information upprepas på flera ställen, till exempel att Tycker om-sambandet är ett många-till-många-samband, blir det också omständligt att ändra i schemat. c FÖRFATTARNA OCH STUDENTLITTERATUR

65

3 Mer om datamodellering En bra lösning är att generalisera genom att skapa en mer generell entitetstyp, Mellanmål, som innefattar de tre grupperna frukter, grönsaker och godis.

I ovanstående EER-diagram har vi angett att varje mellanmål måste tillhöra exakt en av grupperna frukter, grönsaker och godis. Om den detaljen inte är viktig i sammanhanget, kan man använda en förenklad notation:

De attribut som är gemensamma för alla grupper av mellanmål kan nu ritas ut på den nya mer generella entitetstypen: 66

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Samma sak gäller för de sambandstyper som är gemensamma för alla grupper av mellanmål. Tycker om-sambandet behöver bara ritas ut en gång:

3.5

Generalisering 2: Att flytta saker från schema till data

Införandet av en superklass kan göra schemat mindre, överskådligare och lättare att ändra. Men även om den sortens generalisering alltså gör schemat lättare att ändra, måste schemat fortfarande ändras. Om det tillkommer en ny grupp av mellanmål, till exempel energidrycker, måste vi rita om schemat och lägga till en ny subklass. Om EER-schemat använts som grund för översättning till ett relationsschema, och om databasen redan satts i drift, måste vi förmodligen logga in som databasadministratör och skapa en ny tabell.

Om det finns applikationsprogram eller formulär som används vid arbetet med databasen, måste de kanske göras om för att ta hänsyn till den nya mellanmålsgruppen.

En vanlig användare med rätt rättigheter kan lägga in ett nytt mellanmål, till exempel frukten dadel, i databasen, men ska man lägga c FÖRFATTARNA OCH STUDENTLITTERATUR

67

3 Mer om datamodellering in en ny mellanmålsgrupp måste databasen designas om. Schemat måste ändras.

Information som ändras ofta vill man kunna ändra utan att behöva ändra i databasens schema. Den bör därför inte ligga i schemat, utan i databasens data. Det är ju inte meningen att schemat i en databas ska ändras särskilt ofta. Om vi tror att det är vanligt att nya mellanmålsgrupper dyker upp, och om vi vill att vanliga användare ska kunna lägga in dessa nya grupper, ska vi alltså flytta informationen om grupperna från schemat till data.

Som ett första försök ändrar vi vårt ursprungliga ER-diagram, som såg ut så här:

till ett som har en enda entitetstyp för mellanmål, men med ett attribut Grupp som används för att tala om vilken mellanmålsgrupp som ett visst mellanmål tillhör:

Attributet Grupp anger vilken grupp av mellanmål som ett visst mellanmål tillhör, till exempel att apelsiner är frukt. Nu kan vem som helst lägga in det nya mellanmålet Red Bull, och ange att det tillhör den nya gruppen energidrycker. Vilka mellanmålsgrupper som finns lagras inte separat i databasen, utan det är bara ett vanligt attribut. Man kan förstås ta reda på vilka mellanmålsgrupper som finns i databasen vid ett visst tillfälle, genom att helt enkelt titta på attributet Grupp på de inlagda mellanmålen och se vilka olika värden det har, men det finns ingen färdig lista eller tabell över vilka mellanmålsgrupper man kan välja på.

Det är kanske olämpligt att inte alls styra mellanmålsgrupperna.

Det finns ingen kontroll på inmatningen av grupper, och det går inte att se vilka grupper som är tillåtna eller vad de egentligen kallas.

Heter det till exempel ”energidryck” eller ”sportdryck”? En bättre lösning kan vara att även lagra mellanmålsgrupperna i databasen, och det gör vi förstås genom att skapa en entitetstyp som heter Mellanmålsgrupp: 68

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Om man nu vill lägga in energidrycken Red Bull, så får man börja med att lägga in en ny mellanmålsgrupp som heter Energidrycker.

Sen kan man lägga in Red Bull, och välja att den tillhör Energidrycker. Allt är vanlig inmatning av data i databasen, och det krävs inga ändringar i schemat.

Ett problem: Attributet Tillverkare, som var specifikt för entitetstypen Godis, finns inte med i den mer generella entitetstypen Mellanmål. Vi kan alltså inte längre lagra data om vem som tillverkat en viss godissort. Det är ett vanligt problem när man generaliserar schemat för en databas: schemat blir flexiblare i den betydelsen att man kan lägga in fler nya saker, men samtidigt minskar möjligheterna till specialanpassade lösningar, eftersom allt ska hanteras med samma entitetstyper (och, när man sen översätter till ett relationsschema, samma tabeller). Vilket man väljer blir förstås en avvägning mellan å ena sidan flexibiliteten i ett generellt schema, och å andra sidan möjligheterna till ”skräddarsydda” lösningar i det specialiserade schemat.

Skillnaderna mellan de olika mellanmålslösningarna kan framgå tydligare om man studerar användargränssnittet till ett applikationsprogram som arbetar med databasen. I lösningen där de olika mellanmålsgrupperna ingick som en del av schemat kan man låta användaren välja i en förutbestämd lista vilken mellanmålsgrupp ett nytt mellanmål tillhör: c FÖRFATTARNA OCH STUDENTLITTERATUR

69

3 Mer om datamodellering

I lösningen där mellanmålsgruppen bara är ett attribut på entitetstypen, kan användaren mata in vad som helst som mellanmålsgrupp:

(Notera felstavningen!)

Och slutligen, om Mellanmålsgrupp är en entitetstyp, där dess instanser representerar de mellanmålsgrupper som finns, kan användaren återigen välja i en lista mellan existerande mellanmålsgrupper, men nu är detta inte en fast del av användargränssnittet, utan mellanmålsgrupperna hämtas ur databasens data: 70

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Det här är den lösning som rekommenderas om man vill ha en databas som är både lättanvänd och flexibel! Det är lite krångligare för den som konstruerar databasen, men bättre för användarna.

3.6

Specialisering

Motsatsen till generalisering är specialisering. När det gäller datamodellering med ER-modellen betyder specialisering antingen att man inför nya subklasser till en entitetstyp i ett EER-diagram eller att man flyttar information från databasens data till dess schema.

Om vi utgår från det sista ER-diagrammet ovan, det med entitetstypen Mellanmålsgrupp, kanske vi bestämmer oss för att vi behöver lagra specialiserad information om de olika mellanmålen, beroende på vilken grupp de tillhör, och att det därför inte räcker med den generella entitetstypen Mellanmål. Då kan vi gå tillbaka till EERschemat som har en subklass för varje mellanmålsgrupp. I det schemat kan man lägga in extra attribut för varje mellanmålsgrupp.

3.7

Ett annat exempel på generalisering

Nu ska vi se ett exempel på hur datamodelleringen kan bli väldigt besvärlig om man väljer fel generalitetsnivå. Vi tänker oss en kommun som har ett antal nämnder och andra myndigheter, till exempel c FÖRFATTARNA OCH STUDENTLITTERATUR

71

3 Mer om datamodellering miljönämnden och räddningstjänsten. Dessa nämnder och myndigheter genomför inspektioner av olika slag. Till exempel gör miljönämnden miljöinspektioner, och räddningstjänsten gör brandsyner.

Varje inspektion sker på en viss plats, och dessa platser kan utgöras till exempel av rektorsområden och vårdcentraler. Vi ritar ett ERdiagram över de olika typerna av inspektioner, och de olika typerna av platser:

Eftersom varje inspektion som sker, sker på en viss plats, kopplar vi ihop varje inspektionstyp med de olika platstyper som inspektionerna kan ske på:

Som synes blir ER-diagrammet ohanterligt redan med tre nämnder och tre platser som kan inspekteras. (Dessutom är modelleringen inte riktigt rätt, för det ser ut som om en och samma inspektion kan ske på flera olika ställen.) Vi måste förenkla schemat, och det gör vi genom att införa de mer generella entitetstyperna Inspektion och Plats, och koppla ihop dem med en generell Var?-sambandstyp. Nu finns det inspektioner av olika slag, som kan ske på platser av olika slag: 72

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering

Nu är schemat enklare, mer överskådligt och lättare att ändra. Men man måste fortfarande ändra i schemat om det tillkommer en ny typ av inspektion eller en ny typ av plats. Kommunen måste kanske ringa efter en datakonsult, som kommer och gör ändringarna. Om vi vill att det ska gå lätt att lägga till nya inspektionstyper och nya platstyper, kan vi generalisera genom att flytta informationen om vilka typer som finns från databasens schema till dess data:

3.8

De viktigaste begreppen

Generalisering (engelska: generalization). Att göra om något, till exempel ett uttalande eller ett databasschema, så att det gäller för fler saker eller fall. Samtidigt blir det ofta mindre detaljerat, och kanske också mindre användbart.

Specialisering (engelska: specialization). Att göra om något, till exempel ett uttalande eller ett databasschema, så att det gäller för c FÖRFATTARNA OCH STUDENTLITTERATUR

73

3 Mer om datamodellering färre saker eller fall. Samtidigt blir det ofta mer detaljerat, och kanske också mer användbart.

3.9

Övningar

Det finns svar till övningarna, och en del diskussioner kring svaren, på bokens webbplats, men försök lösa uppgifterna själv innan du tittar i facit.

Övning 1: Karlssons maskin och kompani Företaget Karlssons maskin och kompani tillverkar och säljer en mängd olika produkter. Särskilt deras självrengörande kattlåda har blivit en stor succé.

Nu behöver de en databas för att hålla reda på sina produkter, och tillverkningen av dem.

Det som ska lagras i databasen är följande: • Produkter, till exempel den självrengörande kattlådan. Varje produkt har unikt nummer, ett namn och ett pris.

• Detaljer, som skruvar, muttrar och elmotorer. Flera detaljer sätts samman och bildar en produkt.

• Vilka detaljer som ingår i varje produkt.

• Flera detaljer kan sättas samman till en ny detalj. Till exempel kan man ta en träplatta och hundra plastborst, och sätta ihop dem till en borste, som sen kommer att monteras i den självrengörande kattlådan. Det ska gå att lagra i databasen vilka andra detaljer varje detalj består av.

Övning 2: Kategorier av detaljer Det blir väldigt många detaljer i den där databasen, så nu vill man organisera dem i olika kategorier, till exempel skruvar, plastdetaljer och elkablar.

Det finns en hel mängd olika kategorier, och det tillkommer hela tiden nya som man inte tänkt på tidigare. Varje detalj ska tillhöra en viss kategori.

74

c FÖRFATTARNA OCH STUDENTLITTERATUR

3 Mer om datamodellering Hur bör man modellera detta? Visa vilka tillägg och förändringar som bör göras i schemat, och motivera varför den valda lösningen är lämplig.

Övning 3: Rekursiva kategorier Även med den nya uppdelningen i kategorier blir det svårt att hålla reda på alla detaljer. Mängden av kategorier blir svåröverskådlig.

Därför vill man i sin tur organisera kategorierna i kategorier, som sen i sin tur kan organiseras i kategorier, och så vidare. Till exempel kanske detaljen 20-millimeters träskruv tillhör kategorin träskruv, som i sin tur tillhör kategorin skruv, som sen i sin tur tillhör kategorin metalldetaljer.

Hur bör man modellera detta? Visa vilka tillägg och förändringar som bör göras i schemat, och motivera varför den valda lösningen är lämplig.

3.10 Litteratur Databasböcker på grundnivå brukar alltid ta upp en del om datamodellering, men det är olika hur mycket de går in på hur man modellerar saker.

• Connolly et al., sjätte upplagan, tar upp datamodellering lite mer än många andra databasböcker. Kapitel 12 innehåller beskrivningar av några problem som kan uppstå vid datamodellering med ER-modellen.

c FÖRFATTARNA OCH STUDENTLITTERATUR

75

n=2

0 1 M=5

2 3 4

5 Thomas Padron-McCarthy är teknologie licentiat och arbetar som lärare, bland annat 6 i databasteknik, på Örebro universitet. Han har också arbetat som konsult, lett företagsutbild­ ningar, och undervisat på Linköpings universitet och på Mittuniversitetet.

Tore Risch är professor emeritus i databasteknik vid Uppsala universitet. Han har också varit professor i tekniska databaser vid Linköpings universitet, och varit verksam i USA, bland annat på Hewlett­Packard Laboratories i Palo Alto och på Stanford University.

DATABASTEKNIK

Databasteknik används nästan överallt i dag där data behöver lagras och bearbetas. Allt från webbplatser till mobilappar lagrar sina data i databaser. Databaser har därför blivit ett av de områden inom datatekniken som man har störst nytta av att kunna, vare sig man är användare, datatekniker eller programmerare.

Boken Databasteknik börjar med grunderna om databaser, som scheman, datamodellering och användningsområden för databaser.

Vi går vidare bland annat med frågespråk, transaktionshantering, säkerhet, prestanda och hur databashanteraren arbetar internt.

Den vanligaste och populäraste typen av databaser är relations­ databaser, och tyngdpunkten ligger därför på dem, bland annat med frågespråket SQL, och vi beskriver system som MySQL, PostgreSQL och Microsoft SQL Server. Men vi vänder oss till alla som arbetar med databaser, även till exempel objektorienterade databaser och NoSQL­databaser.

Andra upplagan

Art.nr 31838

studentlitteratur.se

n=2