如何使用 XQuery 查找 xml 文档中的重复数据？

Question

我在 MarkLogic xml 数据库中有一堆文档。 一份文档具有：

<colors>
  <color>red</color>
  <color>red</color>
</colors>

拥有多种颜色不是问题。 拥有多种红色的颜色是一个问题。 如何查找有重复数据的文档？

Answer 1

对于这个 XML：

<?xml version="1.0"?>
<colors>
    <color>Red</color>
    <color>Red</color>
    <color>Blue</color>
</colors>

使用这个 XSD：

<?xml version="1.0"?>
<xsl:stylesheet version="1.0"
  xmlns:xsl="http://www.w3.org/1999/XSL/Transform">

    <xsl:output method = "text" />  
    <xsl:strip-space elements="*"/>

    <xsl:template match="colors">

        <xsl:for-each select="color">
            <xsl:variable name="node_color" select="text()"/>
            <xsl:variable name="numEntries" select="count(../color[text()=$node_color])"/>
            <xsl:if test="$numEntries > 1">
                <xsl:text>Color value of </xsl:text><xsl:value-of select="."/><xsl:text> has multiple entries 
</xsl:text>      
            </xsl:if>
        </xsl:for-each>
    </xsl:template>
</xsl:stylesheet>

我得到这个输出：

Color value of Red has multiple entries 
Color value of Red has multiple entries 

这样至少会找到它们，但它会报告每次出现的重复颜色，而不仅仅是每个重复颜色。

Answer 2

MarkLogic 返回的所有内容都只是一个节点序列，因此我们可以计算整个序列的大小，并将其与不同值序列的计数进行比较。 如果它们不不同，则它们是重复的，并且您有您的子集。

for $c in doc()//colors
where fn:count($c/color) != fn:count(fn:distinct-values($c/color))
return $c

Answer 3

这应该可以解决问题。 我对MarkLogic不太熟悉，所以第一行获取文档集可能是错误的。 这将返回具有 2 个或更多具有相同字符串值的颜色元素的所有文档。

for $doc in doc()
let $colors = $doc//color/string(.)
where some $color in $colors
      satisfies count($colors[. = $color] > 1)
return doc()

Answer 4

或者您可以完全不用索引来完成此操作:)

for $c in doc()//colors 可能会在较大的数据集上创建 EXPANDED TREE CACHE 错误。

当数据量很大时，这里有一个稍微复杂的方法来攻击这个问题，确保URI Lexicon已打开，然后在元素上添加一个元素范围索引 >颜色并计算在某处有重复的不同颜色值。 然后仅逐一循环具有该颜色的文档，并计算文档中感兴趣的颜色的项目频率计数。 如果频率超过 1，则该文档需要进行重复数据删除。

let $qn := xs:QName("color")
let $colorsWithItemFreq := cts:element-values($qn, (), ("ascending", "item-order", "item-frequency"))
let $colorsOfInterest := 
    for $color at $i in cts:element-values($qn, (), ("ascending", "item-order", "fragment-frequency"))
    let $fragFrequency := cts:frequency($color)
    let $itemFrequency := cts:frequency($colorsWithItemFreq[$i])
    where $itemFrequency gt $fragFrequency
    return 
        $color

for $uri in cts:uris( (), ("document"), cts:element-value-query($qn, $colorsOfInterest)
let $colorsWithDuplicationInThisDoc :=
    for $color in cts:element-values($qn, (), ("item-frequency"), cts:document-query($uri) )
    where $color = $colorsOfInterest and cts:frequency($color) gt 1
    return
        $color
where fn:count( $colorsWithDuplicationInThisDoc ) gt 1
return
    $uri

希望有帮助。