Datastrukturer och modeller

Datastrukturer och modeller 

Thomas Gumbicht 

tomasgu@infra.kth.se 

1 

Datastrukturer, Thomas Gumbricht, 2007

Föreläsningens innehåll och syfte 

Föreläsningen ger en introduktion till datamodeller för 

Geografiska Informationssystem 

Binära dataformat 

Verklighet och model 

Objektmodel och fältmodel 

Raster data strukturer 

Vektor data strukturer 

Databaser 

2 


Komponenter i GIS 

GIS är ett system 

som används för: 

presentation 

modellering 

analys 

data manipulering 

uppdatering 

datalagring 

datafångst 

av geografiska data 

3 



GIS kräver att både kartor och attributdata representeras som siffror 

Konvertering av kartor till siffror kräver en väldefinierad standard för att 

geografiskt kodifiera lokalisering av kartdata 

Ett koordinatsystem är en standardiserad metod för geokodning 

Standardiserade koordinatsystem använder absoluta positioner, 

definierade av spheroid / datum (relativa koordinatsystem - med lokalt 

datum vanliga) 

I ett geografiskt koordinatsystem är normalt x-riktningen öst-väst, och y- 

riktningen nord-syd (undantag finns) 

Vanligtvis ökar koordinatvärdena åt öster och åt norr (undantag finns) 

4 



Digitala kartor kräver entydiga och väldefinierade begrepp, och 

strikt regel-baserad semantik för att kunna: 

representera en geografisk verklighet i form av en model 

identifiera den rumsliga utbredning av ensklida objekt 

lokalisera objekt i ett 2D/3D koordinatsystem 

separera intilliggande objekt från varandra 

identifiera och sortera objekt beroende på orientering, storlek, läge 

etc 

5 



En digital karta består av geografiska objekt, och attribut 

knutna till dessa objekt 

GIS organiserar denna geografiska data i filer och kataloger 

på en hårddisk 

Data kan lagras antingen som 

binärt kodad (effektivare) 

ASCII text (direkt läs- och editerbart) 

6 



det binära talsystemet 

7 


Binär talrepresentation 

Benämning Bitar tecken Värdeområde 

Byte 8 signed -127..127 

Byte 8 unsigned 0..255 

Small integer 16 signed -32768..32768 

Word 16 unsigned 0..65535 

Integer 32 signed -2147483648..2147483648 

Cardinal 32 unsigned 0..4294967295 

Single 32 7-8 decimaler 1.5*10^-45..3.4*10^38 

Real48 48 11-12 decimaler 2.9*10^-39..1.7*10^38 

Double 64 15-16 decimaler 5.0*10^-324..1.7*10^308 

8 



LSB = Least Significant Bit/Byte 

MSB = Most Significant Bit/Byte 

I exemplet sitter MSB i den första 

positionen. Om strängen inverteras 

hamnar istället MSB i den sista positionen. 

På samma sätt kan ett integer tal (16 

bitar = 2 byte) konstrueras med MSB i 

första positionen = big endian, eller med 

LSB i första positionen = small endian. 

9 



ASCII American National Standards Institute 

10 


Verklighet och modell 

Världen är oändligt komplex 

Innehållet i en databas representerar en 

begränsad syn på verkligheten; en rumslig 

databas är en av oändligt många möjliga 

representationer av modeller av 

verkligheten 

Ontologiska aspekter 

Epistomological aspekter 

Användarens tillgång till och tolkning av 

en rumslig databas är via ett gränssnitt 

11 



En rumslig databas kan innehålla 

Digitala abstraktioner av verkliga objekt 

ex.v. land, vatten, hus, vägar, träd 

Digitala abstraktioner av fiktiva objekt 

ex.v. politiska gränser, ekosystem 

12 



Datorer är bra på att 

lagra diskret data, men 

sämre på att lagra 

kontinuerlig data - till 

syvende och sidst är allt 

lagrat som 1 eller 0. 

13 



Objekt som är av diskret natur, 

hus, vägar, distrikt etc, vållar inga 

problem att representera som 

diskreta objekt. 

Egenskaper som finns överallt 

och som varierar kontinuerligt, 

elevation, temperatur, lufttryck, 

måste approximeras till en 

diskret representation. 

14 



punkter, linjer och areor 

Diskreta 

objekt 

bestämt antal 

Existerar över tid, 

kan vara mobila 

Geografisk 

model 

Koninuerliga 

fält 

specifik localisering 

Exempel: topografi, mänskliga objekt, indivier, etc. 

Egenskaper som varierar 

kontinuerligt i rummet 

Mätbara 

fenomoen 

värde = f(position) 

värden finns för alla plater 

Exemples: höjd, temperatur, fuktighet, 

befolkningstäthet, etc. 

15 



Diskreteringen av kontinuerliga fenomen 

är ofta godtycklig 

16 


Objektmodell och fältmodell 

GIS-samhället har utvecklat konceptuella 

modeller av verkligheten, sprungna ur 

kartografi snarare än datalogi: 

Objektmodel - punkter, linjer, ytor 

fyller upp alla delar av rummet 

Fältmodel - Värden för varje position 

17 


Tesseleringsmodeller 

Raster data modellen tillhör en större grupp av 

fältdatamodeller eller tesseleringsmodeller: 

Grid eller raster 

Hexagonaler 

Triangular Irregular Network (TIN) 

Kvadratträd 

18 


Fältmodel 

Raster = regelbunden tesselering 

Delar upp världen i rektangulära celler 

Registrerar grid-hörnen till en geografisk punkt 

Representerar diskreta objekt som grupper av celler 

med eller utan attributkoppling (koppling via 

indexnummer) 

Representerar fält som cellvärden (utan 

attributkoppling) 

Värden för varje cell 

Även celler utan relevant data lagras, som “ingen data” 

Vanligare att använda för fältobjekt 

Lätt att förstå 

19 


Raster data struktur 

Delar upp världen i rektangulära celler = pixlar 

Registrerar grid-hörnen till en geografisk punkt 

diskreta objekt 

grupper av celler 

Kontinuerliga fält 

cellvärdet = fältvärdet 

20 



Jordbruksmark 

Våtmark 

Skog 

Bebyggelse 


för diskreta objekt - 

markanvänding. 

21 


Raster 

Pixel storlek 

Storleken på cellen eller 

bildelementen som definierar den 

rumsliga detaljeringsgraden/ 

upplösningen 

kan vara olika i x och y 

Tilldelning av cellvärden - värdet på 

en cell kan representera 

medelvärdet för cellens yta 

typvärdet för cellens yta 

mittvårdet för cellets yta 

22 


Kolumner 


Rader 

Y-storlek 

0 0 0 0 1 7 7 7 7 7 

0 0 0 1 7 7 8 7 7 7 

0 0 0 0 1 7 7 7 7 7 

0 0 0 1 6 6 6 6 6 6 

0 0 1 3 6 6 6 6 6 6 

0 1 3 3 3 6 6 6 6 6 

1 2 2 3 3 3 4 4 6 6 

2 2 2 2 3 4 4 4 6 6 

2 2 2 4 4 4 4 5 6 6 

2 2 2 2 4 4 4 4 6 6 

Cell 

X-storlek 

Cell/pixel storlek = 

rumslig upplösning 

definierar detaljnivå för rumsliga objekt 

variationer inuti pixeln går förlorad 

23 

Datasrukturer, Thomas Gumbricht, 2007

Raster 

Mixade pixlar - ett problem med raster 

V 

L 

Vatten dominant 

V V L 

V V L 

V V L 

Segraren tar allt 

V L L 

V L L 

V L L 

ekotoner som egen klass 

V E L 

V E L 

V E L 

24 


Raster 

Lagring av rasterdata 

Sekventiell lagring 

Byte Interleaved by Pixel - BIP 

Byte Interleaved by Line - BIL 

Band Sequential - BSQ 

Blockkodning 

Kedjekodning 

Radlängdskodning 

Kvadratträd 

25 


Raster 

Filstorlek 

rader*kolumner*”Byte per pixel” = filstorlek 

Storlek på fil med byte-värden (1 byte per pixel) 

rader*kolumner 

26 


Raster 

metadata och huvudfil 

Exempel 1: Byte data 

ERmapper (mest 

komplett header, 

projektionen länkar till 

biblioteksfil) 

DatasetHeader Begin 

Version = "5.5" 

Description = "NOAA-AVHHR NDVI annual average " 

DataSetType = ERStorage 

DataType = Raster 

ByteOrder = LSBFirst 

CoordinateSpace Begin 

Datum = "CLARKE 1866" 

Projection = "ALBERSEA" 

CoordinateType = EN 

Rotation = 0:0:0.0 

CoordinateSpace End 

RasterInfo Begin 

CellType = Unsigned8BitInteger 

NullCellValue = 0 

CellInfo Begin 

Xdimension = 8000 

Ydimension = 8000 

CellInfo End 

NrOfLines = 360 

NrOfCellsPerLine = 450 

RegistrationCoord Begin 

Eastings = -3920000 

Northings = 3250000 

RegistrationCoord End 

NrOfBands = 1 

BandId Begin 

Value = "Pseudo" 

BandId End 

RasterInfo End 

DatasetHeader End 

27 


Raster 

metadata och huvudfil ; 

; ArcView Image Information 

; NOAA-AVHRR NDVI annual average 


ArcGIS (projektion som 

kommentar, måste ligga 

i separat .PRJ fil) 

; Projection: ALBERS (Albers Equal Area Conic) 

; Units: METERS 

; Spheroid: CLARKE1866 

; 1st standard parallel (dms): -19 00 0.000 

; 2nd standard parallel (dms): 21 00 0.000 

; central meridian (dms): 20 00 0.000 

; latitude of projection origin: 1 00 0.000 

; false easting (meters): 0.00000 

; false northing (meters): 0.00000 

; 

NCOLS 450 

NROWS 360 

NBANDS 1 

NBITS 8 

LAYOUT BIL 

BYTEORDER I 

SKIPBYTES 0 

MAPUNITS METERS 

ULXMAP -3916000 

ULYMAP 3246000 

XDIM 8000.00000 

YDIM 8000.00000 

28 


Raster 

metadata och huvudfil file format : IDRISI Raster A.1 

file title : NOAA-AVHHR NDVI annual average 

data type : byte 


IDRISI (projektionen 

länkar till biblioteksfil) 

file type : binary 

columns : 450 

rows : 360 

ref. system : albersaf 

ref. units : m 

unit dist. : 1.0000000 

min. X : -3920000.0000000 

max. X : -320000.0000000 

min. Y : 370000.0000000 

max. Y : 3250000.0000000 

pos'n error : unknown 

resolution : 8000.0000000 

min. value : 0 

max. value : 255 

display min : 0 

display max : 255 

value units : unspecified 

value error : unknown 

flag value : none 

flag def'n : none 

legend cats : 0 

29 


Raster 



ENVI (projektionen 


ENVI 

description = { 

NOAA-AVHHR NDVI annual average } 

samples = 450 

lines = 360 

bands = 1 

header offset = 0 

file type = ENVI Standard 

data type = 1 

interleave = bsq 

sensor type = AVHRR 

byte order = 0 

map info = {Albers_NDVI_ADDS, 1.0000, 1.0000, -3916000, 3246000, 8.0000000000e+003, 8.0000000000e+003, , units=Meters} 

projection info = {9, 6378206.4, 6356583.8, 1.000000, 20.000000, 0.0, 0.0, -19.000000, 21.000000, Albers_NDVI_ADDS, units=Meters} 

wavelength units = Unknown 

band names = { 

NDVI} 

30 


Raster 



DIVA (projektionen 


Version=4.1 

Title=NDVIg Annual mean 2004 

Created=20050306 

[GeoReference] 

Projection=ALBERS 

Datum=CLARKE1866 

Mapunits=m 

Columns=450 

Rows=360 

MinX=-3920000 

MaxX=-32000 

MinY=37000 

MaxY=3250000 

ResolutionX=8000 

ResolutionY=8000 

[Data] 

DataType=BYTE 

MinValue=0 

MaxValue=255 

NoDataValue=-9999 

Transparent=1 

Units=NDVI 

[Application] 

31 


Raster 



JPG (*.jpw, *.jpgw) 

TIF (*.tfw) 

BMP (*.bmpw) 

Denna typ av huvudfil kallas 

“world”-fil och kan följa med 

alla typer av bildformat. 

Huvudfilen innehåller 6 rader 

8000 (upplösning i X) 

0 (rotation) 

0 (rotation) 

-8000 (upplösning i Y) 

-3916000 (X-koordinat för centrum av övre vänstra pixeln) 

3246000 (Y-koordinat för centrum av övre vänstra pixeln) 

32 


Raster 


Exempel 2: Integer data 

ERmapper 



Description = "NOAA-AVHHR NDVI annual npp " 











CellType = Unsigned16BitInteger 





CellInfo End 







NrOfBands = 1 

BandId Begin 


BandId End 



33 


Raster 


Exempel 3: real data 

ERmapper 



Description = "NDVI annual max trend 1982-2004" 











CellType = IEEE32REAL 





CellInfo End 







NrOfBands = 1 

BandId Begin 


BandId End 



34 


Vektor data model 

Verkliga eller fiktiva objekt representerade som 

punkter, linjer och ytor 

punkter representar objekt utan 

utbredning, eller med för skalan irrelevant 

utbredning 

linjer knyter samman punkter till start-, 

bryt-, och stoppunkter 

ytor (polygoner) byggs upp av slutna linjer 

35 



Y 

Puntker Linjer Ytor 

X 

36 



Precision och noggrannhet 

Objekt definieras av x,y koordinater relaterade 

till ett koordinatsystem (long/lat eller x,y). 

Presicion (upplösning) i koordinater beror på 

binär lagringsform (6-15 decimaler), men är ofta 

hög 

Noggrannheten i data oftast mer begränsande än 

upplösning 

37 



Precision och noggrannhet 

Precision är det minsta avstånd mellan två 

intilliggande objekt som uppmätts och lagrats. 

Noggrannhet är frånvaro av fel 

Osäkerhet är ett mer generellt begrepp, och 

inkluderar både precision och noggrannhet. 

38 



Punktdata 

(x,y) 

Flaggstång 

Byggnad 

Stad 

39 



Linjedata 

(x 1 ,y 1 ) 

(x 2 ,y 2 ) (x 3 ,y 3 ) 

(x 4 ,y 4 ) 

Vattendrag 

Väg 

Järnväg 

Staket 

40 



Areadata 

(x 1 ,y 1 ) 

(x 5 ,y 5 ) 

(x 2 ,y 2 ) (x 3 ,y 3 ) 

(x 4 ,y 4 ) 

Sjö 

Skog 

Stad 

Fastighet 

41 



Tre huvudsakliga modeller för att lagra vektorer 

Enkel (eller spaghetti) data struktur 

Ingen logik, dubblering av data 

(inom ett lager) 

Punkt listor 

Ingen logik, ingen dubblering 

topologisk struktur 

Logik, ingen dubblering 

42 



Spaghetti vektor data model 

Varje punkt, linje eller polygon lagras i en post (“record”) 

som innehåller Id och koordinater som definierar geometri 

(de första GIS-programmen hade spaghetti data struktur) 

Punkter Linjer Ytor 

43 



Spaghetti vektor data model 

Fördelar 

enkelt 

effektiv för display och utskrift 

Nackdelar 

Ineffektivt för rumsliga analyser 

och generaliseringar 

44 



Punkt data struktur 

Ingen data redundans 

Ingen topologi 

45 



Topologisk data struktur 

Nätverkstopologi 

kallas även “ark-nod” modellen 

ark = linje 

nod = slutpunkt på en linje, eller en punkt där 

en lijne splittras eller linjer går samman 

46 



Topologisk data struktur 

registrerar x/y koordinater 

av rumsliga objekt 

Kodar rumsliga relationer: 

vilka arkar kopplar till 

vilken nod 

vilka ytor ligger på sidorna 

av en ark 

vilka arkar bygger en 

polygon 

47 



Spaghetti modell och topologisk model 

Spaghetti: registrering 

som 2 eller 3 ytor 

Topologiskt: registrering 

som 3 ytor 

48 



topologisk vektor data model 

Fördelar 

Rumsliga relationer är explicita 

Rumslig analys utan koordinater möjlig 

Nackdelar 

komplex data struktur 

topologi måste omregistreras efter varje 

uppdatering 

Fördelaktigaste systemet för flertalet användare 

49 


Jämförelse mellan raster och vektor 

Fördelar 

Raster 

Nackdelar 

- Enkel och läsbar lagring. 

- Enkelt att analysera 

(algoritmer från fjärranalys och 

bildbehandling) 

Enkla att kombinera 

(överläggning). 

- Kvalitet beror på pixel-storlek. 

- Kräver mycket fysisk 

lagringskapacitet: grid formatet 

växer kvadratiskt när cellstroleken 

minskar. 

Fördelar 

- Enkelt att skala om, kvalitet 

behålls vid transformaioner. 

- Enkelt med topologiska och 

nätverksberäknignar. 

- Effektivt utnyttjande av fysisk 

lagringskapacitet. 

Vektor 

Nackdelar 

- Beräkningsmässigt mer krävande 

för flera standardberäkningar 

(Filtrering, överläggning). 

50 


Jämförelse mellan raster och vektor 

Fördelar 

Raster 

Nackdelar 

- Enkel och läsbar lagring. 

- Enkelt att analysera 

(algoritmer från fjärranalys och 

bildbehandling) 

Enkla att kombinera 

(överläggning). 

- Kvalitet beror på pixel-storlek. 

- Kräver mycket fysisk 

lagringskapacitet: grid formatet 

växer kvadratiskt när cellstroleken 

minskar. 

Fördelar 

- Enkelt att skala om, kvalitet 

behålls vid transformaioner. 

- Enkelt med topologiska och 

nätverksberäknignar. 

- Effektivt utnyttjande av fysisk 

lagringskapacitet. 

Vektor 

Nackdelar 

- Beräkningsmässigt mer krävande 

för flera standardberäkningar 

(Filtrering, överläggning). 

51 


Databaser 

GIS är ett system 

som används för: 

presentation 

modellering 

analys 

data manipulering 

uppdatering 

datalagring 

datafångst 

av geografiska data 

52 


Databaser 

Databasutveckling 

Entitity-relationship-modellen (ER) 

Konkret exempel 

53 


Databaser 

Databastekniken utvecklades på 1970 talet för flygbokningar etc 

Konceptuella metoder uppstod ungefär samtidigt, av vilka ER-modellen 

(Entity-Relationship-modellen) fortfarande används 

Objektmodellering (UML) är en modernare konceptuell metod, som liknar 

objekt-orienterad programmering med hierarkiska klasser och ärvda 

egenskaper. 

Den vanligaste formen av databas är RelationsDataBaser (RDB); när en 

konceptuell modell är klar översätts den till en RDB 

Vanliga RelationsDataBaser inkluder Access, DBase, Oracle, My SQL 

De flesta RDB har anammat samma standard för hur man ställer frågor - 

Standar Query Language (SQL) 

54 


Databaser 

Databasutvecklingsprocessen 

Samla information 

Vilka data ska med, 

vad ska man använda data till, 

vem ska kunna bearbeta data etc 

Ta fram en begreppsmodell 

Formalisera ett databasschema 

ERmodell 

Objektmodell (UML) 

Anpassa databasshemat till 

relationsdatabassystem 

Skapa databasen i 

relationsdatabassystem 

55 


Databaser 

Entitity-relationship-modellen 

Entiteter = logiska klasser hörande till databasen 

Samband = relationer mellan entiteter 

Attribut = datatyper som hör till entiteten 

56 


Databaser 

Erfarenhetsregler 

1. Lagra data i tabeller, där varje fält (kolumn) ska ha ett unikt namn och en 

entydig datatyp 

2. Varje post (rad) i en tabell måste vara unik 

3. Lägg fält vars värden förekommer i flera poster (rader) i tabellen i egna tabeller 

4. Inga fält (kolumner) i tabellen får vara sammansatta av flera logiskt oberoende 

storheter 

5. Inga fält (kolumner) i tabellen får innehålla upprepade värden av samma 

storhet 

Bunta ihop reglerna 2,4 och 5 = första normalformen (1NF) 

First Normal Form -> Second Normal Form -> Third Normal Form -> 

-> Boyce-Codd Normal Form -> Fourth Normal Form -> 

-> Fifth Normal Form -> Domain/Key Normal Form 

57 


Normalformer eller erfarenhetsregler 

Första normalformen (1NF) = Separata tabeller för relaterad data, 

primärnyckel i varje tabell, ett värde per fält (inga listor) 

Andra normalformen (2NF) = alla fält i en tabell som inte är 

primärnyckel ska vara helt beroende av primärnyckeln, inga 

redundanta (överlappande) data 

Tredje normalformen (3NF) = Alla fält utom primärnyckeln ska vara 

oberoende av varandra, men beroende av primärnyckeln 

Boyce-Codd Normal Form (BCNF) = 3NF med tillägget att icke-triviala 

samband (ex.v. personnummer och stud id) mellan fält inte är tillåtet 

(ovanligt att man uppnår 3NF men bryter mot BCNF) 

Fjärde normalformen (4NF) = Isolera oberoende multipla relationer i 

en enskild tabell ska inte finnas 

Optimal naormalform (ONF) = En model baserad på endast 

grundläggande objekt orienterade element 

Domain-Key Normal Form (DKNF) = En modell helt utan redundans 

och anomalier 

58 

Datainsamling, Thomas Gumbricht, 2007

ptevent 

event_id 

exp_id 

log_id 

ptdate 

pttime 

ptid 

ptlong 

ptlat 

ptelev 

ptaccur 

ptlabel 

pturl 

lblcolor 

lbltf_id 

lblsize 

lblopac 

icon_id 

iconcol 

iconopac 

iconsize 

pub_id 

sale_id 

thm_id 

subt_id 

(e.g. vägpunkt från GPS) 

bigint 

bigint 

integer 

date 

time 

varchar(32) 

decimal(13,8) 

decimal(13,8) 

decimal(10,5) 

decimal(10,5) 

decimal(10,5) 

varchar(255) 

varchar(16) 

smallint 

tinyint 

tinyint 

smallint 

varchar(16) 

tinyint 

tinyint 

tinyint 

tinyint 

smallint 

smallint 

primärnyckel 

Länkfält 

Länkarna skapas i SQL i realtid 

inte vid design 

59 


explorer (den som fångat vägpunkten) 

primärnyckel 

exp_id bigint 

efname varcar(32) 

emname varchar(32) 

elname varchar(32) 

eusrname varchar(32) 

epswd varchar(32) 

egender char(1) 

ebirth date 

cat_id tinyint 

pay_id tinyint 

regdate date 

lastdate date 

nrlogin smallint 

email varchar(32) 

phone1 varchar(20) 

phone2 varchar(20) 

adress1 varchar(32) 

adress2 varchar(32) 

cmpny varchar(32) 

deptm varchar(32) 

cntry_id char(2) 

state_id char(2) 

city varchar(32) 

postcode varchar(8) 

work_id tinyint 

pub_id tinyint 

60 


logexp 

log_id 

mylog_id 

exp_id 

logname 

logdate 

lastdate 

log_mode 

log_nav 

devc_id 

site_id 

logtheme 

logtitle 

icon_id 

(loggen för en samling ptevents) 

primärnyckel 

bigint 

integer 

bigint 

varchar(32) 

date 

date 

tinyint 

tinyint 

smallint 

bigint 

smallint 

varchar(32) 

smallint 

61 


SQL-sats för att 

skapa tabellen 

ptevent 

CREATE TABLE ptevent ( 

event_id BIGINT UNSIGNED NOT NULL AUTO_INCREMENT, 

logpt_id TINYINT UNSIGNED, 

exp_id BIGINT UNSIGNED NOT NULL, 

log_id INTEGER UNSIGNED NOT NULL, 

ptdate DATE, 

pttime TIME, 

ptid VARCHAR(32), 

ptlong DECIMAL(13,8), 

ptlat DECIMAL(13,8), 

ptelev DECIMAL(10,5), 

ptaccur DECIMAL(10,5), 

ptlabel VARCHAR(255), 

pturl VARCHAR(255), 

lblcolor VARCHAR (10), 

lbltf_id SMALLINT UNSIGNED, 

lblsize TINYINT UNSIGNED, 

lblopac TINYINT UNSIGNED, 

icon_id SMALLINT UNSIGNED, 

iconcol VARCHAR (10), 

iconopac TINYINT UNSIGNED, 

iconsize TINYINT UNSIGNED, 

pub_id TINYINT UNSIGNED, 

sale_id TINYINT UNSIGNED, 

thm_id SMALLINT UNSIGNED, 

subt_id SMALLINT UNSIGNED, 

thm_link TINYINT UNSIGNED, 

PRIMARY KEY (event_id) 

); 

62 


Några hjälptabeller i databasen 

movemode 

mode_id tinyint 

movetype varchar(32) 

moveshrt varchar(16) 

logpal 

log_id 

exp_id 

tinyint 

bigint 

navmode 

nav_id tinyint 

navtype varchar(32) 

navshrt varchar(16) 

exppal 

pal_id 

exp_id 

bigint 

bigint 

public 

paltyp 

pub_id 

tinyint 

pal_id 

tinyint 

pubtype 

varchar(16) 

palname 

varchar(16) 

device 

devc_id 

integer 

devname 

varchar(64) 

63 


Några kopplingar i databasen 

icontype 

navmode 

colors 

ptevent 

logexp 

device 

movemode 

public 

explorer 

64 


Datainsamling, Thomas Gumbricht, 2007 

65 

Länkfält i databasen 

logexp 

log_id 

bigint 

mylog_id 

integer 

exp_id 

bigint 

logname 

varchar(32) 

logdate 

date 

lastdate 

date 

log_mode tinyint 

log_nav 

tinyint 

devc_id 

smallint 

site_id 

bigint 

logtheme 

smallint 

logtitle 

varchar(32) 

icon_id 

smallint 

event_id 

bigint 

exp_id 

bigint 

log_id 

integer 

ptdate 

date 

pttime 

time 

ptid 

varchar(32) 

ptlong 

decimal(13,8) 

ptlat 

decimal(13,8) 

ptelev 

decimal(10,5) 

ptaccur 

decimal(10,5) 

ptlabel 

decimal(10,5) 

pturl 

varchar(255) 

lblcolor 

varchar(16) 

lbltf_id 

smallint 

lblsize 

tinyint 

lblopac 

tinyint 

icon_id 

smallint 

iconcol 

varchar(16) 

iconopac 

tinyint 

iconsize 

tinyint 

pub_id 

tinyint 

sale_id 

tinyint 

thm_id 

smallint 

subt_id 

smallint 

ptevent 

exp_id 

bigint 

efname 

varcar(32) 

emname 

varchar(32) 

elname 

varchar(32) 

eusrname 

varchar(32) 

epswd 

varchar(32) 

egender 

char(1) 

ebirth 

date 

cat_id 

tinyint 

pay_id 

tinyint 

regdate 

date 

lastdate 

date 

nrlogin 

smallint 

email 

varchar(32) 

phone1 

varchar(20) 

phone2 

varchar(20) 

adress1 

varchar(32) 

adress2 

varchar(32) 

cmpny 

varchar(32) 

deptm 

varchar(32) 

cntry_id 

char(2) 

state_id 

char(2) 

city 

varchar(32) 

postcode 

varchar(8) 

work_id 

tinyint 

pub_id 

tinyint 

explorer

SQL sats för att länka tabeller 

SELECT L.*,P.* 

FROM logexp AS L 

LEFT JOIN ptevent as P 

ON L.log_id = P.log_id 

WHERE 

L.exp_id = 'X’ 

66 


SQL sats för att lägga till data i tabeller 

INSERT INTO logexp 

(mylog_id, logname,logdate...) 

VALUES (‘X’,’Y’,’Z’...) 

67

Datastrukturer och modeller

Create successful ePaper yourself

Delete template?

Save as template?