{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:1325541"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:1325541","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Κλιμακώσιμη Μετατροπή Γεωχωρικών Δεδομένων σε RDF με την επέκταση του εργαλείου GeoTriples","abstract":"Η παρούσα διπλωματική εργασία αφορά την επέκταση του εργαλείου GeoΤriples ώστε να του προσφέρουμε τη δυνατότητα αποδοτικής επεξεργασίας μεγάλης κλίμακας δεδομένων (big data). To GeoΤriples επεξεργάζεται γεωχωρικά δεδομένα και μεταδεδομένα (metadata) προερχόμενα από ESRI Shapefiles, GML, KML, GeoJSON, CSV αρχεία ή σχεσιακές βάσεις δεδομένων (relational databases) με τη δυνατότητα αποθήκευσης γεωχωρικών δεδομένων και μετατρέπει τα δεδομένα αυτά σε Διασυνδεδεμένα Γεωχωρικά Δεδομένα (Linked Open Geospatial Data). Στόχος μας είναι η επέκταση του GeoΤriples ώστε να του δώσουμε τη δυνατότητα να επεξεργάζεται και να μετατρέπει αποδοτικότερα τα δεδομένα που του δίνονται ως είσοδο μέσω του framework ανοιχτού κώδικα Apache Hadoop. Η δυνατότητα αυτή, συμβάλλει σε εξαιρετικά σημαντικό βαθμό στη βελτιώση της απόδοσης του GeoΤriples όσον αφορά το χρόνο επεξεργασίας των δεδομένων του. Βέβαια, όπως είναι γνωστό και από τις θεμελιώδεις αρχές του Apache Hadoop, η βελτίωση αυτή θα επέλθει εφόσον τα δεδομένα προς μετατροπή αφορούν μεγάλης κλίμακας σύνολα δεδομένων καθώς το χρονικό κόστος για την εκκίνηση των διαδικασιών του Apache Hadoop αλλά και για τη διαχείριση της συστάδας (cluster) του, ξεπερνά κατά πολύ τις όποιες διαδικασίες αφορούν επεξεργασία μικρού όγκου δεδομένων. Η υλοποίησή μας αφορά τη μετατροπή δεδομένων τα οποία προέρχονται από δύο διαφορετικές μορφές αποθήκευσης γεωχωρικών δεδομένων. Η πρώτη μορφή, αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων ESRI Shapefile, ενώ η δεύτερη μορφή αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων CSV. Στο πρώτο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από Shapefile αρχεία ενώ στο δεύτερο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από CSV αρχεία. Τα αποτελέσματα μας προέρχονται από τη σύγκριση της υλοποίησή μας με την πρότυπη υλοποίηση του εργαλείου GeoTriples. Η σύγκριση που πραγματοποιήσαμε αφορά τη χρονική απόδοση των δύο υλοποιήσεων και έγινε σε δύο φάσεις. Στην πρώτη φάση συγκρίναμε την υλοποίησή μας με τη σειριακή εκτέλεση του GeoTriples, ενώ στη δεύτερη φάση δώσαμε στην πρότυπη έκδοση του GeoTriples τη δυνατοτητα παράλληλης εκτέλεσης και τη συγκρίναμε με την υλοποίησή μας. Η πρότυπη έκδοση του GeoTriples έχει ως κύριο σημείο περιορισμού της χρονικής του απόδοσης την προσπέλαση του δίσκου του υπολογιστικού συστήματος που εκτελείται η οποία αυξάνεται όσο αυξάνεται και ο όγκος των δεδομένων προς επεξεργασία. Από τα αποτελέσματα τα οποία λάβαμε καταφέραμε να αποδείξουμε ότι η εκτέλεση του GeoTriples μέσω του Apache Hadoop, άρει τον προηγούμενο περιορισμό και όσο τα δεδομένα εισόδου αυξάνονται σε πλήθος και όγκο αρχείων, γίνεται αποδοτικότερη σε χρόνο, σε σχέση με την πρότυπη υλοποίηση του GeoTriples.","abstract_html":"Η παρούσα διπλωματική εργασία αφορά την επέκταση του εργαλείου GeoΤriples ώστε να του προσφέρουμε τη δυνατότητα αποδοτικής επεξεργασίας μεγάλης κλίμακας δεδομένων (big data). To GeoΤriples επεξεργάζεται γεωχωρικά δεδομένα και μεταδεδομένα (metadata) προερχόμενα από ESRI Shapefiles, GML, KML, GeoJSON, CSV αρχεία ή σχεσιακές βάσεις δεδομένων (relational databases) με τη δυνατότητα αποθήκευσης γεωχωρικών δεδομένων και μετατρέπει τα δεδομένα αυτά σε Διασυνδεδεμένα Γεωχωρικά Δεδομένα (Linked Open Geospatial Data). Στόχος μας είναι η επέκταση του GeoΤriples ώστε να του δώσουμε τη δυνατότητα να επεξεργάζεται και να μετατρέπει αποδοτικότερα τα δεδομένα που του δίνονται ως είσοδο μέσω του framework ανοιχτού κώδικα Apache Hadoop. Η δυνατότητα αυτή, συμβάλλει σε εξαιρετικά σημαντικό βαθμό στη βελτιώση της απόδοσης του GeoΤriples όσον αφορά το χρόνο επεξεργασίας των δεδομένων του. Βέβαια, όπως είναι γνωστό και από τις θεμελιώδεις αρχές του Apache Hadoop, η βελτίωση αυτή θα επέλθει εφόσον τα δεδομένα προς μετατροπή αφορούν μεγάλης κλίμακας σύνολα δεδομένων καθώς το χρονικό κόστος για την εκκίνηση των διαδικασιών του Apache Hadoop αλλά και για τη διαχείριση της συστάδας (cluster) του, ξεπερνά κατά πολύ τις όποιες διαδικασίες αφορούν επεξεργασία μικρού όγκου δεδομένων. Η υλοποίησή μας αφορά τη μετατροπή δεδομένων τα οποία προέρχονται από δύο διαφορετικές μορφές αποθήκευσης γεωχωρικών δεδομένων. Η πρώτη μορφή, αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων ESRI Shapefile, ενώ η δεύτερη μορφή αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων CSV. Στο πρώτο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από Shapefile αρχεία ενώ στο δεύτερο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από CSV αρχεία. Τα αποτελέσματα μας προέρχονται από τη σύγκριση της υλοποίησή μας με την πρότυπη υλοποίηση του εργαλείου GeoTriples. Η σύγκριση που πραγματοποιήσαμε αφορά τη χρονική απόδοση των δύο υλοποιήσεων και έγινε σε δύο φάσεις. Στην πρώτη φάση συγκρίναμε την υλοποίησή μας με τη σειριακή εκτέλεση του GeoTriples, ενώ στη δεύτερη φάση δώσαμε στην πρότυπη έκδοση του GeoTriples τη δυνατοτητα παράλληλης εκτέλεσης και τη συγκρίναμε με την υλοποίησή μας. Η πρότυπη έκδοση του GeoTriples έχει ως κύριο σημείο περιορισμού της χρονικής του απόδοσης την προσπέλαση του δίσκου του υπολογιστικού συστήματος που εκτελείται η οποία αυξάνεται όσο αυξάνεται και ο όγκος των δεδομένων προς επεξεργασία. Από τα αποτελέσματα τα οποία λάβαμε καταφέραμε να αποδείξουμε ότι η εκτέλεση του GeoTriples μέσω του Apache Hadoop, άρει τον προηγούμενο περιορισμό και όσο τα δεδομένα εισόδου αυξάνονται σε πλήθος και όγκο αρχείων, γίνεται αποδοτικότερη σε χρόνο, σε σχέση με την πρότυπη υλοποίηση του GeoTriples.","abstract_has_math":false,"creators":["Βασιλείου Αλέξανδρος","Vasiliou Alexandros"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2016,"date_issued":"2016","date_published":"2016","updated_at":"2026-11-19T05:27:13Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1325541"],"render_values":[{"text":"uoadl:1325541","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325541","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/1325541","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A1325541","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Βασιλείου Αλέξανδρος","Vasiliou Alexandros"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2016"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:1325541","https://pergamos.lib.uoa.gr/uoa/dl/object/1325541"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία αφορά την επέκταση του εργαλείου GeoΤriples ώστε να του προσφέρουμε τη δυνατότητα αποδοτικής επεξεργασίας μεγάλης κλίμακας δεδομένων (big data). To GeoΤriples επεξεργάζεται γεωχωρικά δεδομένα και μεταδεδομένα (metadata) προερχόμενα από ESRI Shapefiles, GML, KML, GeoJSON, CSV αρχεία ή σχεσιακές βάσεις δεδομένων (relational databases) με τη δυνατότητα αποθήκευσης γεωχωρικών δεδομένων και μετατρέπει τα δεδομένα αυτά σε Διασυνδεδεμένα Γεωχωρικά Δεδομένα (Linked Open Geospatial Data). Στόχος μας είναι η επέκταση του GeoΤriples ώστε να του δώσουμε τη δυνατότητα να επεξεργάζεται και να μετατρέπει αποδοτικότερα τα δεδομένα που του δίνονται ως είσοδο μέσω του framework ανοιχτού κώδικα Apache Hadoop. Η δυνατότητα αυτή, συμβάλλει σε εξαιρετικά σημαντικό βαθμό στη βελτιώση της απόδοσης του GeoΤriples όσον αφορά το χρόνο επεξεργασίας των δεδομένων του. Βέβαια, όπως είναι γνωστό και από τις θεμελιώδεις αρχές του Apache Hadoop, η βελτίωση αυτή θα επέλθει εφόσον τα δεδομένα προς μετατροπή αφορούν μεγάλης κλίμακας σύνολα δεδομένων καθώς το χρονικό κόστος για την εκκίνηση των διαδικασιών του Apache Hadoop αλλά και για τη διαχείριση της συστάδας (cluster) του, ξεπερνά κατά πολύ τις όποιες διαδικασίες αφορούν επεξεργασία μικρού όγκου δεδομένων. Η υλοποίησή μας αφορά τη μετατροπή δεδομένων τα οποία προέρχονται από δύο διαφορετικές μορφές αποθήκευσης γεωχωρικών δεδομένων. Η πρώτη μορφή, αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων ESRI Shapefile, ενώ η δεύτερη μορφή αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων CSV. Στο πρώτο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από Shapefile αρχεία ενώ στο δεύτερο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από CSV αρχεία. Τα αποτελέσματα μας προέρχονται από τη σύγκριση της υλοποίησή μας με την πρότυπη υλοποίηση του εργαλείου GeoTriples. Η σύγκριση που πραγματοποιήσαμε αφορά τη χρονική απόδοση των δύο υλοποιήσεων και έγινε σε δύο φάσεις. Στην πρώτη φάση συγκρίναμε την υλοποίησή μας με τη σειριακή εκτέλεση του GeoTriples, ενώ στη δεύτερη φάση δώσαμε στην πρότυπη έκδοση του GeoTriples τη δυνατοτητα παράλληλης εκτέλεσης και τη συγκρίναμε με την υλοποίησή μας. Η πρότυπη έκδοση του GeoTriples έχει ως κύριο σημείο περιορισμού της χρονικής του απόδοσης την προσπέλαση του δίσκου του υπολογιστικού συστήματος που εκτελείται η οποία αυξάνεται όσο αυξάνεται και ο όγκος των δεδομένων προς επεξεργασία. Από τα αποτελέσματα τα οποία λάβαμε καταφέραμε να αποδείξουμε ότι η εκτέλεση του GeoTriples μέσω του Apache Hadoop, άρει τον προηγούμενο περιορισμό και όσο τα δεδομένα εισόδου αυξάνονται σε πλήθος και όγκο αρχείων, γίνεται αποδοτικότερη σε χρόνο, σε σχέση με την πρότυπη υλοποίηση του GeoTriples.","This thesis concerns the extension of the tool GeoTriples in order to offer the possibility of efficient big data processing. GeoTriples process geospatial data and metadata from ESRI Shapefiles, GML, KML, GeoJSON, CSV files or relational databases with the ability to store geospatial data and converts that data as Linked Open Geospatial Data. Our goal is to expand GeoTriples in order to have the potential to process and convert efficiently the input data through the open source framework Apache Hadoop. This potential, contributes significantly to improve the efficiency of the data processing time of GeoTriples. It is known from the fundamental principles of Apache Hadoop, that this improvement will occur by converting big data, as the time cost for starting Apache Hadoop processes and the cluster management, outweighs any small data processing. Our implementation concerning the conversion of data derived from two types of geospatial data storage. The first geospatial data storage type, concerning geospatial data that are stored in the form of ESRI Shapefile, while the second type concerning geospatial data that are stored in the form of CSV files. In the first stage we adapted the GeoTriples through Apache Hadoop to process and convert data from Shapefiles while in the second stage we adapted the GeoTriples through Apache Hadoop to process and convert data from CSV files. Our results emit from the comparison of our implementation by the standard implementation of GeoTriples tool. The comparison made on the temporal performance of the two embodiments and was done in two phases. In the first phase we compared our implementation to the serial execution of GeoTriples, while in the second phase we give to the standard version of GeoTriples the possibility of parallel execution and compared it with our implementation. The standard version of GeoTriples has as main limitation point the time of accessing performance of the computer system running disk which becomes greater as the volume of data processed. From our results, we were able to prove that the implementation of GeoTriples through Apache Hadoop, remove the previous restriction and as the input data is growing in number and volume of files, becomes more efficient in time compared to the standard implementation of GeoTriples."]},{"key":"dc:title","label":"Title","values":["Κλιμακώσιμη Μετατροπή Γεωχωρικών Δεδομένων σε RDF με την επέκταση του εργαλείου GeoTriples"]}]}],"canonical_facts":{"dc:creator":["Βασιλείου Αλέξανδρος","Vasiliou Alexandros"],"dc:date":["2016"],"dc:description":["Η παρούσα διπλωματική εργασία αφορά την επέκταση του εργαλείου GeoΤriples ώστε να του προσφέρουμε τη δυνατότητα αποδοτικής επεξεργασίας μεγάλης κλίμακας δεδομένων (big data). To GeoΤriples επεξεργάζεται γεωχωρικά δεδομένα και μεταδεδομένα (metadata) προερχόμενα από ESRI Shapefiles, GML, KML, GeoJSON, CSV αρχεία ή σχεσιακές βάσεις δεδομένων (relational databases) με τη δυνατότητα αποθήκευσης γεωχωρικών δεδομένων και μετατρέπει τα δεδομένα αυτά σε Διασυνδεδεμένα Γεωχωρικά Δεδομένα (Linked Open Geospatial Data). Στόχος μας είναι η επέκταση του GeoΤriples ώστε να του δώσουμε τη δυνατότητα να επεξεργάζεται και να μετατρέπει αποδοτικότερα τα δεδομένα που του δίνονται ως είσοδο μέσω του framework ανοιχτού κώδικα Apache Hadoop. Η δυνατότητα αυτή, συμβάλλει σε εξαιρετικά σημαντικό βαθμό στη βελτιώση της απόδοσης του GeoΤriples όσον αφορά το χρόνο επεξεργασίας των δεδομένων του. Βέβαια, όπως είναι γνωστό και από τις θεμελιώδεις αρχές του Apache Hadoop, η βελτίωση αυτή θα επέλθει εφόσον τα δεδομένα προς μετατροπή αφορούν μεγάλης κλίμακας σύνολα δεδομένων καθώς το χρονικό κόστος για την εκκίνηση των διαδικασιών του Apache Hadoop αλλά και για τη διαχείριση της συστάδας (cluster) του, ξεπερνά κατά πολύ τις όποιες διαδικασίες αφορούν επεξεργασία μικρού όγκου δεδομένων. Η υλοποίησή μας αφορά τη μετατροπή δεδομένων τα οποία προέρχονται από δύο διαφορετικές μορφές αποθήκευσης γεωχωρικών δεδομένων. Η πρώτη μορφή, αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων ESRI Shapefile, ενώ η δεύτερη μορφή αφορά γεωχωρικά δεδομένα τα οποία είναι αποθηκευμένα υπό τη μορφή αρχείων CSV. Στο πρώτο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από Shapefile αρχεία ενώ στο δεύτερο στάδιο προσαρμόσαμε το GeoTriples ώστε μέσω του Apache Hadoop να επεξεργάζεται και να μετατρέπει δεδομένα τα οποία προέρχονται από CSV αρχεία. Τα αποτελέσματα μας προέρχονται από τη σύγκριση της υλοποίησή μας με την πρότυπη υλοποίηση του εργαλείου GeoTriples. Η σύγκριση που πραγματοποιήσαμε αφορά τη χρονική απόδοση των δύο υλοποιήσεων και έγινε σε δύο φάσεις. Στην πρώτη φάση συγκρίναμε την υλοποίησή μας με τη σειριακή εκτέλεση του GeoTriples, ενώ στη δεύτερη φάση δώσαμε στην πρότυπη έκδοση του GeoTriples τη δυνατοτητα παράλληλης εκτέλεσης και τη συγκρίναμε με την υλοποίησή μας. Η πρότυπη έκδοση του GeoTriples έχει ως κύριο σημείο περιορισμού της χρονικής του απόδοσης την προσπέλαση του δίσκου του υπολογιστικού συστήματος που εκτελείται η οποία αυξάνεται όσο αυξάνεται και ο όγκος των δεδομένων προς επεξεργασία. Από τα αποτελέσματα τα οποία λάβαμε καταφέραμε να αποδείξουμε ότι η εκτέλεση του GeoTriples μέσω του Apache Hadoop, άρει τον προηγούμενο περιορισμό και όσο τα δεδομένα εισόδου αυξάνονται σε πλήθος και όγκο αρχείων, γίνεται αποδοτικότερη σε χρόνο, σε σχέση με την πρότυπη υλοποίηση του GeoTriples.","This thesis concerns the extension of the tool GeoTriples in order to offer the possibility of efficient big data processing. GeoTriples process geospatial data and metadata from ESRI Shapefiles, GML, KML, GeoJSON, CSV files or relational databases with the ability to store geospatial data and converts that data as Linked Open Geospatial Data. Our goal is to expand GeoTriples in order to have the potential to process and convert efficiently the input data through the open source framework Apache Hadoop. This potential, contributes significantly to improve the efficiency of the data processing time of GeoTriples. It is known from the fundamental principles of Apache Hadoop, that this improvement will occur by converting big data, as the time cost for starting Apache Hadoop processes and the cluster management, outweighs any small data processing. Our implementation concerning the conversion of data derived from two types of geospatial data storage. The first geospatial data storage type, concerning geospatial data that are stored in the form of ESRI Shapefile, while the second type concerning geospatial data that are stored in the form of CSV files. In the first stage we adapted the GeoTriples through Apache Hadoop to process and convert data from Shapefiles while in the second stage we adapted the GeoTriples through Apache Hadoop to process and convert data from CSV files. Our results emit from the comparison of our implementation by the standard implementation of GeoTriples tool. The comparison made on the temporal performance of the two embodiments and was done in two phases. In the first phase we compared our implementation to the serial execution of GeoTriples, while in the second phase we give to the standard version of GeoTriples the possibility of parallel execution and compared it with our implementation. The standard version of GeoTriples has as main limitation point the time of accessing performance of the computer system running disk which becomes greater as the volume of data processed. From our results, we were able to prove that the implementation of GeoTriples through Apache Hadoop, remove the previous restriction and as the input data is growing in number and volume of files, becomes more efficient in time compared to the standard implementation of GeoTriples."],"dc:identifier":["uoadl:1325541","https://pergamos.lib.uoa.gr/uoa/dl/object/1325541"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Κλιμακώσιμη Μετατροπή Γεωχωρικών Δεδομένων σε RDF με την επέκταση του εργαλείου GeoTriples"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:27:13Z"}