在XQuery中对多个值进行计数的最有效方法

我需要在荷兰语的XML语料库中查找1581个单词（5亿个单词）。该语料本身在许多数据库中均被拆分。（您可以在这里阅读原因。）我们使用BaseX作为服务器（版本7.9），它使用XQuery作为输入。

我有兴趣找出带有中性确定词（het）或非中性确定词（de）的语料库中每个单词有多少次-这是通过寻找由NP（名词短语）组成的XPath结构来完成的，有两个女儿，一个是具有lemma de或het的确定者，另一个是我感兴趣的单词“团长”。

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，然后对每个XPath结构这样做：

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)

这样很好。事实是，这需要很长时间。每次都需要顺序打开相同（数千个）的数据库，并且对每个单词重复此过程。我的问题是，没有办法串联一些查询。我有一些想法，但是我不确定如何执行它们-而且，我不确定BaseX可以处理多少个参数。

1. 合并了与该查询。

这可能是最直接的情况。这样，我至少将查询需求减少了一半。但是我不知道发现结果时如何区分两者。例如，如果我将XPath代码更改为：

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

我应该找到所有情况，但是如何区分一个或另一个呢？换句话说，如果我使用了XPath，我将得到计数功能XQuery中一个数回，但没有办法，我知道这是去的，哪些是的？

2. 相同的想法可以应用于末尾的单词属性

我可以对每个单词进行以下连接，而不是对每个单词执行新的查询：

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

但是，我又如何区分这些值？我可以将所有1581个值放在一个XPath中吗？BaseX可以处理吗？

3. 一个带有单词列表的for循环，然后它将以XML格式返回很多单词的结果（如果BaseX可以处理，则可能全部返回）。

我不是XQuery的专家，但是在伪代码中，我猜可能是这样的：

$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);
  }
}

我不确定如何在XQuery中将计数分配给数组变量，但是XML输出看起来可能是这样的（当然，欢迎更好的变化）：

<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，我可以使用带有正则表达式或XML树枝的Perl来运行以获得所需的值。

如您所见，可能的问题是找到一个合适的XQuery代码，该代码高效，并且考虑到我有1581个单词要在庞大的语料库中查找，并且要通过的数据库数量也很多（千）。对于每个数据库查找，将通过Perl建立新的连接。

如果您有任何疑问，请发表评论，我会尽力回答。