Marklogic：从元素单词词典中获取单词计数

我有两个示例XML文件，如下所示：

abc.xml

<data>
<text>i am a test user and doing testing here more and more. What are you doing?</text>
<data>

<data>
<text>We are a doing nothing here you can say it time pass. what are you doing?</text>
<data>

我是一个测试用户，在这里做测试越来越多。你在做什么？

def.xml

<data>
<text>i am a test user and doing testing here more and more. What are you doing?</text>
<data>

<data>
<text>We are a doing nothing here you can say it time pass. what are you doing?</text>
<data>

我们是一个无所事事的人，你可以说时间流逝了。你在做什么？

现在我已经为

元素创建了元素单词词典。我对以下方面感兴趣：

获取整个数据库中的所有唯一单词及其计数（具有 只有以上两个文件）

获取给定文件的所有唯一单词

请参见

1）了解所有唯一单词和匹配片段的数量：

for $w in cts:element-words(xs:QName('text'))
return 
element word {
    attribute count { 
      xdmp:estimate(cts:search(doc(), cts:word-query($w))
    },
    $w }

这应该很快，但要获得实际的单词数而不仅仅是片段数，我认为您可能需要检查每个片段，这可能会非常慢：

sum(
  cts:search(doc(), cts:word-query($w))/cts:highlight(.,
    cts:word-query($w),<match/>)/count(//match)
  )

---

如果您启用了URI词典，那么您可以通过迭代

cts:URI（）

而不是

doc（）

并将该值作为第四个参数传递给

cts:element-values（）

，而不是调用文档上的

xdmp:node-URI

，进一步优化2）但它给了我错误的结果：我是一个测试用户，在这里做测试越来越多。你在做什么？我们是一个无所事事的人，你可以说时间流逝了。你在做什么？我在这里期望的是单个单词计数，比如在我的例子中“2次”做“3次”等等。你确定你有一个元素单词词典，而不是元素范围索引吗？范围索引是值词典，而不是单词词典，因此它们存储每个元素的完整值，而不是单个单词。这就是您的输出所表明的。我已经在上面创建了[元素词词典和元素范围索引]。我还尝试删除它的元素范围索引，但在这种情况下，上面的查询给我错误。因为cts：元素值需要元素范围索引。有人能帮我吗？没有找到任何优化的solution@user1660340看看更新后的解决方案。使用

cts:element words

而不是

cts:element values

应该可以解决这个问题。我尝试了更新的解决方案，但得到的所有单词的计数为“0”。：（整个链接都在讨论获取元素/元素属性值及其计数（使用cts:frequency）或获取唯一单词等，但我希望获取唯一单词，以及该单词在给定uri或整个数据库中的出现情况。