CoRB场景下：如何快速获取MarkLogic时间栈中非Latest的最新文档

可以直接编写XQuery模块作为CoRB的收集器，利用MarkLogic的内置查询和分组能力高效筛选目标文档，无需循环或多进程。

核心逻辑 #

1. 按文档所属集合分组，对应每个时间栈家族；
2. 筛选出每个组里URI与集合名称一致的主文档（即示例中的A.xml、B.xml、C.xml）；
3. 排除其中属于latest集合的主文档，最终得到A.xml和C.xml。

具体XQuery收集器代码 #

xquery version "1.0-ml";

(: 批量获取所有URI与所属集合名一致的主文档 :)
let $main-docs := cts:uris((), (), 
  cts:and-query((
    cts:collection-query(cts:collections()),
    cts:element-value-query(xs:QName("uri"), cts:collections())
  ))
)
(: 过滤掉属于latest集合的文档 :)
return $main-docs[not(cts:document-in-collection(., "latest"))]

优化说明 #

• 用cts:uris()的批量索引查询替代循环，大幅提升效率；
• 所有筛选逻辑都在索引层面完成，避免内存中处理大量数据；
• 无需额外CoRB进程，单进程即可完成需求。

如果你的时间栈是通过URI后缀（如.1.xml）区分版本，需要找每个家族的最新版本而非主文档，可以用以下代码：

xquery version "1.0-ml";

for $coll in cts:collections()
let $docs-in-coll := cts:uris((), (), cts:collection-query($coll))
(: 按URI中的版本号降序排序，取第一个为最新版本 :)
let $latest-in-coll := head(
  sort($docs-in-coll, (), function($u) {
    let $parts := tokenize($u, "\.")
    return if (count($parts) > 2 and xs:int($parts[count($parts)-1])) then xs:int($parts[count($parts)-1]) else 0
  }, "descending")
)
(: 排除主文档在latest集合的家族 :)
where not(cts:document-in-collection($coll, "latest"))
return $latest-in-coll

CoRB配置 #

将上述XQuery保存为模块（如find-target-docs.xqy），在CoRB配置中指定：

COLLECTOR=find-target-docs.xqy

内容的提问来源于stack exchange，提问作者chriskelly