Question

我需要在荷兰语的XML语料库（5亿字）中查找1581个单词。该语料库本身在许多数据库中被分开。（您可以阅读here的原因。）我们使用BaseX作为服务器（版本7.9），它使用XQuery作为输入。

我有兴趣通过中性判定器（ het ）或非中性判断器（ de ）找出每个单词在语料库中的次数 - 这是通过寻找一个由两个女儿的NP（名词短语）组成的XPath结构来完成，即一个带有引理 de 或 het 的限定词，以及一个头部，是我感兴趣的词。

de

的示例结构

/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="accelerator"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="accountant"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="ace"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="de"] and node[@rel="hd" and @pt="n" and @word="acroniem"]]

het的示例结构

/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accelerator"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accountant"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="ace"]]
/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="acroniem"]]

在XQuery中，我会这样做，对于每个XPath结构：

count(for $node in db:open("mydatabase")/treebank/tree/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="het"] and node[@rel="hd" and @pt="n" and @word="accelerator"]] return $node)

这很好用。问题是，这需要很长时间。每次都需要按顺序打开相同（数千个）数据库，并对每个单词重复此过程。我的问题是，是不是有办法连接一些查询。我有一些想法，但我不确定如何执行它们 - 另外，我不确定BaseX可以处理多少个参数。

合并 de 和 het 查询。

这可能是最直接的案例。通过这样做，我至少减少了一半的查询需求。但我不知道在找到结果时如何区分这两者。例如，如果我将我的XPath代码更改为：

... (@lemma="de" or @lemma="het") ...

我应该找到所有情况，但我怎么能区分其中一个呢？换句话说，如果我使用那个XPath，我将从XQuery中的count函数返回一个数字但是我无法知道哪些是 de 哪个

同样的想法可以应用于结尾附近的单词属性

我可以将它们连接起来，而不是为每个单词执行新的查询：

... (@word="accelerator" or @word="accountant" or @word="ace" or ...) ...

但是，我怎样才能区分这些价值观呢？我可以将所有1581值放在一个XPath中吗？ BaseX可以处理吗？

带有一个单词列表的for循环，然后以XML格式返回结果以获取大量单词（如果BaseX可以处理，则可能全部返回）。

我不是XQuery的专家，但在伪代码中，我猜这样的事情是可能的：

$wordlist = ['accelerator', 'accountant', 'ace', 'acroniem'];
$determinerlist = ['de', 'het'];
$db = 'mydatabase';
foreach ($wordlist as $word) {
  foreach ($determinerlist as $det) {
    count(for $node in db:open("'.$db.'")/treebank/tree/node[@cat="np" and node[@rel="det" and @pt="lid" and @lemma="'.$det.'"] and node[@rel="hd" and @pt="n" and @word="'.$word.'"]] return $node);
  }
}

我不确定如何将计数分配给XQuery中的数组变量，如果可能的话，但XML输出看起来像这样（但当然欢迎更好的变体）：

<results>
  <result word="accelerator">
    <neuter>12</neuter>
    <nonneuter>3</nonneuter>
  </result>
  <result word="accountant">
    <neuter>4</neuter>
    <nonneuter>0</nonneuter>
  </result>
  <result word="ace">
    <neuter>14</neuter>
    <nonneuter>2</nonneuter>
  </result>
  <result word="acroniem">
    <neuter>3</neuter>
    <nonneuter>7</nonneuter>
  </result>
</results>

然后我可以使用Perl运行正则表达式或XML twig来获取我需要的值。

正如你所看到的那样，问题是找到一个有效的XQuery代码，并考虑到我在一个庞大的语料库中查找了1581个单词，并且要经历的数据库数量很多（数千）。对于每个数据库查找，通过Perl建立新连接。

如果您有任何疑问，请发表评论，我会尽可能地回答。

Answer 1

一般情况下，如果您利用索引而不是让查询遍历一万亿个节点，BaseX查询将是最快的（通常，非常快）。除非您修改了默认的数据库创建选项，否则BaseX默认为您创建TEXT，ATTRIBUTE和TOKEN索引。（BaseX还尝试重新编写查询以利用索引 - 虽然它并不总是成功的。）

因此，假设您的数据库是使用ATTRIBUTE索引构建的，您应该能够按以下方式重新编写查询：

db:attribute('dbname', 'accelerator', 'word')/parent::*

上面使用的db：attribute函数将返回数据库＆＃39; dbname＆＃39;，任何属性的父元素，加速器＆＃39;作为@word的值。显然你可以根据需要预测这个查询，就像这样，从你之前的例子来看：

db:attribute('dbname', 'accelerator', 'word')
      [parent::node[@rel="hd" and @pt="n"]]
      [ancestor::node
        [@cat="np"]
        [child::node[@rel="det" and @pt="lid" and @lemma="het"]
      ]
    ]

以下是有关BaseX索引功能的详细文档。我已经将它用于快速查询大型（> 20 GB）数据库。

http://docs.basex.org/wiki/Indexes

在XQuery中为多个值计算出现次数的最有效方法

1 个答案: