在大量XML文本节点中执行文本搜索，并决定模式是否出现一次

Question

我有一些XML文件，大小约为50MB，最大为2GB，其中包含数万或数十万个只有文本节点的mycomment元素。到mycomment节点的路径不是固定的，也没有定义，因此//mycomment是获得所有路径的唯一方法。mycomment/text()的长度约为50到500个字符。我需要在所有mycomment文本节点中搜索一个模式，以便对文件进行分类。如果在其中一个文本节点中找到模式" mypattern1234 "，则变量hit设置为1，否则为空。像这样计算hit是一个好的解决方案吗：

<xsl:variable name="hit">
<xsl:if test="//mycomment[contains(text(),' mypattern1234 ')]">1</xsl:if>
</xsl:variable>

：-(我使用的是XSLT v1.0。非常感谢。

Answer 1

除非切换到流式XSLT3.0处理器(如Saxon EE(，否则您将无法处理2GB的输入文档。

如果你使用的是流媒体处理器，那么我建议你将其作为

<xsl:source-document href="input.xml" streamable="yes">
<xsl:if test="//text()[parent::comment][contains(.,' mypattern1234 ')]>1</xsl:if>
</xsl:source-document>

只查看文本节点，然后检查它们的上下文，而不是匹配元素节点，然后设置子文本节点的搜索，这样会减少一点开销。

我预计2Gb的搜索将在一分钟内运行，具体取决于您的硬件。但是，一旦找到匹配项，就应该立即停止对源文档的扫描，因此，如果在文档开头附近发现匹配项，则扫描速度会快得多。

Answer 2

目前尚不清楚mycomment元素是否可以具有混合内容或与注释或处理指令交错的文本节点。通常，如果您希望mycomment元素只有文本内容，我会检查mycomment[contains(., ' foo ')]，不需要选择下至文本节点的子级。如果你想这样做，那么我会使用mycomment/text()[contains(., ' foo ')]，你检查text()作为contains的参数会选择第一个文本子节点，所以在例如<mycomment>foo <!-- a comment --> mypattern1234 </mycomment>中，文本不会被检测到。

至于效率，这在很大程度上取决于所使用的XSLT处理器。

Answer 3

除了XML技术外，ripgrep使搜索速度提高了几个数量级：

#!/bin/zsh
DATABASE="$1"
SEARCH_PATTERN="$2"
if [ "${#SEARCH_PATTERN}" != 0 ] && [ "${#DATABASE}" != 0 ] ; then
RAWHIT=`rg -C 5 "$SEARCH_PATTERN" "$DATABASE"`
if [ "${#RAWHIT}" != 0 ] ; then
HIT=`echo $RAWHIT | rg -c -U "<comment>.*$SEARCH_PATTERN.*</comment>"`
if [ "${#HIT}" != 0 ] ; then
echo "Pattern found"
else
echo "Pattern not found"
fi 
else
echo "Pattern not found"
fi
else
echo "Missing Search Pattern or Database"
fi

i5平台上的运行和时间测量：

> time ./run.sh DB50C1000000P.xml Foo4711
Pattern found
./run.sh DB50C1000000P.xml Foo4711  0,23s user 0,58s system 98% cpu 0,828 total
> time ./run.sh DB50C1000000P.xml Foo4711a
Pattern not found
./run.sh DB50C1000000P.xml Foo4711a  0,23s user 0,59s system 98% cpu 0,829 total

数据库下载：数据库

Answer 4

比较技术-XPath与XQuery或XSLT与ripgrep：

• 溶液1(M.H.(：//comment[contains(.,'searchpattern')]
• 解决方案2(M.S.(：//comment[contains(text(),'searchpattern')]
• 溶液3(M.K.(：//text()[parent:comment][contains(.,'searchpattern')]

平台：

MacBook，i5，macOS v10.15.4，16GB RAM

XML数据库：

尺寸：2.46GB

注释元素节点的数量(具有将在其中搜索模式的单个文本节点(=5914102

其他元素节点(非注释(的数量=11829597

XQuery v3.1，BaseX v9.3.2

> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=1 -bdatabase=DB50C1000000P -bpattern=Foo4711 run.xqy
Solution 1: Pattern found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  28,96s user 2,82s system 188% cpu 16,826 total
> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=1 -bdatabase=DB50C1000000P -bpattern=Foo4711a run.xqy
Solution 1: Pattern not found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  42,62s user 4,05s system 140% cpu 33,233 total
> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=2 -bdatabase=DB50C1000000P -bpattern=Foo4711 run.xqy 
Solution 2: Pattern found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  29,25s user 2,70s system 196% cpu 16,271 total
> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=2 -bdatabase=DB50C1000000P -bpattern=Foo4711a run.xqy
Solution 2: Pattern not found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  47,45s user 4,84s system 143% cpu 36,341 total
> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=3 -bdatabase=DB50C1000000P -bpattern=Foo4711 run.xqy
Solution 3: Pattern found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  30,09s user 2,70s system 195% cpu 16,773 total
> time java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX -bsolution=3 -bdatabase=DB50C1000000P -bpattern=Foo4711a run.xqy
Solution 3: Pattern not found
java -Xmx10g -cp /Users/ms/Projekte/basex/BaseX.jar org.basex.BaseX    run.xq  45,42s user 4,32s system 148% cpu 33,413 total

XSLT v3.0，SaxonEE v9-9-1-7J

> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711 solution=1 
Solution 1: Pattern found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  27,43s user 5,88s system 134% cpu 24,719 total
> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711a solution=1
Solution 1: Pattern not found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  30,28s user 9,06s system 131% cpu 29,964 total
> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711 solution=2 
Solution 2: Pattern found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  27,55s user 4,44s system 158% cpu 20,202 total
> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711a solution=2
Solution 2: Pattern not found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  34,47s user 5,24s system 177% cpu 22,324 total
> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711 solution=3 
Solution 3: Pattern found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  16,13s user 0,62s system 130% cpu 12,816 total
> time java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar  -s:empty.xml -xsl:run.xsl -o:out.xml database=DB50C1000000P.xml pattern=Foo4711a solution=3
Solution 3: Pattern not found
java -Xmx10g -jar /Users/ms/Projekte/SaxonEE9-9-1-7J/saxon9ee.jar -s:empty.xm  47,26s user 1,56s system 110% cpu 44,247 total

结果

好的案例：至少有一条带有搜索模式的评论

最快(16,13秒(：XSLTv3.0、SaxonEEv9-9-1-7J 上的解决方案3(M.K.(

最慢(30,09(：XQuery v3.1、BaseX v9.3.2 上的解决方案3(M.K.(

错误案例：对搜索模式没有任何评论

最快(30,28s(：XQuery v3.1、BaseX v9.3.2 上的解决方案1(M.H.(

最慢(47,26秒(：XQuery v3.1、BaseX v9.3.2 上的解决方案3(M.K.(

脚本和XML数据库

https://gitlab.com/ms152718212/xslxqyfindpattern

采用非XML技术的解决方案

抛石

> time rg -C 5 'Foo4711' DB50C1000000P.xml | rg -c -U '<comment>(?s:[^<]*)Foo4711(?s:[^<]*)</comment>' 
4
rg -C 5 'Foo4711' DB50C1000000P.xml  0,27s user 0,72s system 90% cpu 1,094 total
rg -c -U '<comment>(?s:[^<]*)Foo4711(?s:[^<]*)</comment>'  0,01s user 0,01s system 1% cpu 1,092 total

> time rg -C 5 'Foo4711a' DB50C1000000P.xml | rg -c -U '<comment>(?s:[^<]*)Foo4711a(?s:[^<]*)</comment>'
rg -C 5 'Foo4711a' DB50C1000000P.xml  0,24s user 0,66s system 93% cpu 0,957 total
rg -c -U '<comment>(?s:[^<]*)Foo4711a(?s:[^<]*)</comment>'  0,01s user 0,01s system 1% cpu 0,957 total