govdata.de SPARQL查询伪重复条目原因及去除方法

一、标题伪重复（带@de与不带的差异） #

• @de的含义：这是RDF字面量的语言标签，@de表示该标题为德语版本。在DCAT规范中，dct:title这类字段支持多语言标注，用于区分不同语言的内容。
• 重复原因：出现两个条目是因为数据存储存在冗余——一个是带语言标签的规范条目，另一个是未添加语言标签的遗留数据。而govdata.de网页门户做了去重处理，会自动合并同内容的多语言/无标签条目，所以仅显示一个。
• 优化查询建议：若只想获取带德语标签的标题，可修改查询添加语言筛选：

PREFIX dcat: <http://www.w3.org/ns/dcat#>
PREFIX dct: <http://purl.org/dc/terms/>
SELECT DISTINCT *
WHERE {
    ?dataset a dcat:Dataset .
    ?dataset dct:title ?title .
    FILTER(LANG(?title) = "de")
    ?dataset dct:description ?description .
}

二、关联SPARQL的dataset与门户详情URL #

govdata.de的门户详情URL采用固定前缀+数据集标识符的结构，可通过以下方式关联：

• 获取数据集标识符：在SPARQL查询中加入dct:identifier ?id字段，?id的值通常就是详情URL最后一段的内容（如gerichte8e8c3、gerichte-2021-07-13）。
• 示例查询：

PREFIX dcat: <http://www.w3.org/ns/dcat#>
PREFIX dct: <http://purl.org/dc/terms/>
SELECT DISTINCT ?dataset ?title ?id
WHERE {
    ?dataset a dcat:Dataset .
    ?dataset dct:title ?title .
    ?dataset dct:identifier ?id .
}

• 拼接详情URL：将查询得到的?id值拼接到门户详情页前缀后，即可得到对应详情页面地址。
• 补充说明：部分数据集的dcat:landingPage属性可能直接指向门户详情页，也可在查询中加入该字段验证：?dataset dcat:landingPage ?landingUrl。

内容的提问来源于stack exchange，提问作者Matteo