Dolování a kategorizace SQL příkazů ze StackOverflow databáze

Abstract

Hlavním tématem této diplomové práce je vyhledání SQL dotazů, které jsou strukturálně podobné zadanému vstupnímu SQL dotazu. Podobnost SQL dotazu se v této práci počítá pomocí podobnostní metriky, založené na podobnosti dvou XML dokumentů. Podobnostní metriku bylo nutné otestovat jak z pohledu korektnosti, tak i efektivity vykonání. V této práci se pracovalo s kolekcí SQL dotazů ze StackOverflow (databáze StackOverflow). StackOverflow je webová stránka, kde se řeší problémy s programováním a obsahuje otázky a odpovědi spojené se zdrojovými kódy různých programovacích jazyků. Výsledkem je webový informační systém, který umožní vyhledat podobné SQL dotazy k zadanému vstupnímu SQL dotazu a ke zvolenému RDBMS (aktuálně se jedná o PL/SQL, T-SQL, MySQL a SQLite). Výsledná aplikace využívá invertovaný index a pracuje s lepší než lineární složitostí.

The main topic of this diploma thesis is to find similar SQL queries that are similar to the given input SQL query. This diploma thesis is working with a collection of SQL queries from StackOverflow. StackOverflow is a website that solves programming problems and contains questions and answers related to the source code of various programming languages. In this thesis, the similarity of the SQL query is calculated using the XML similarity metrics, based on the similarity of two XML documents. The similarity metric had to be tested both in terms of correctness and implementation efficiency. The result is a web information system that allows you to search for similar SQL queries to the specified input query and to the selected RDBMS (currently it is PL/SQL, T-SQL, MySQL, and SQLite). The application uses an inverted index and works with better than linear complexity.