SCM

SCM Repository

[tm] Annotation of /pkg/R/corpus.R
ViewVC logotype

Annotation of /pkg/R/corpus.R

Parent Directory Parent Directory | Revision Log Revision Log


Revision 1242 - (view) (download)

1 : feinerer 17 # Author: Ingo Feinerer
2 :    
3 : khornik 1203 .PCorpus <-
4 :     function(x, cmeta, dmeta, dbcontrol)
5 :     {
6 : feinerer 985 attr(x, "CMetaData") <- cmeta
7 :     attr(x, "DMetaData") <- dmeta
8 :     attr(x, "DBControl") <- dbcontrol
9 :     class(x) <- c("PCorpus", "Corpus", "list")
10 :     x
11 :     }
12 :    
13 : khornik 1203 DBControl <-
14 :     function(x)
15 :     attr(x, "DBControl")
16 :    
17 :     PCorpus <-
18 :     function(x,
19 :     readerControl = list(reader = x$DefaultReader, language = "en"),
20 :     dbControl = list(dbName = "", dbType = "DB1"),
21 :     ...)
22 :     {
23 : feinerer 985 readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
24 : feinerer 63
25 : feinerer 1114 if (is.function(readerControl$init))
26 :     readerControl$init()
27 :    
28 :     if (is.function(readerControl$exit))
29 :     on.exit(readerControl$exit())
30 :    
31 : feinerer 946 if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
32 :     stop("error in creating database")
33 :     db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
34 : feinerer 712
35 : feinerer 946 # Allocate memory in advance if length is known
36 : feinerer 1074 tdl <- if (x$Length > 0)
37 : feinerer 985 vector("list", as.integer(x$Length))
38 : feinerer 946 else
39 :     list()
40 : feinerer 869
41 : feinerer 946 counter <- 1
42 : feinerer 985 while (!eoi(x)) {
43 :     x <- stepNext(x)
44 :     elem <- getElem(x)
45 : feinerer 1070 doc <- readerControl$reader(elem, readerControl$language, if (is.null(x$Names)) as.character(counter) else x$Names[counter])
46 : feinerer 946 filehash::dbInsert(db, ID(doc), doc)
47 : feinerer 985 if (x$Length > 0) tdl[[counter]] <- ID(doc)
48 : feinerer 946 else tdl <- c(tdl, ID(doc))
49 :     counter <- counter + 1
50 :     }
51 : feinerer 1064 names(tdl) <- x$Names
52 : feinerer 63
53 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
54 :     filehash::dbInsert(db, "DMetaData", df)
55 :     dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
56 : feinerer 712
57 : feinerer 985 .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
58 :     }
59 : feinerer 71
60 : khornik 1203 .VCorpus <-
61 :     function(x, cmeta, dmeta)
62 :     {
63 : feinerer 985 attr(x, "CMetaData") <- cmeta
64 :     attr(x, "DMetaData") <- dmeta
65 :     class(x) <- c("VCorpus", "Corpus", "list")
66 :     x
67 : feinerer 946 }
68 : feinerer 21
69 : feinerer 946 # The "..." are additional arguments for the FunctionGenerator reader
70 : khornik 1203 VCorpus <-
71 :     Corpus <-
72 :     function(x,
73 :     readerControl = list(reader = x$DefaultReader, language = "en"),
74 :     ...)
75 :     {
76 : feinerer 985 readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
77 : feinerer 49
78 : feinerer 1114 if (is.function(readerControl$init))
79 :     readerControl$init()
80 :    
81 :     if (is.function(readerControl$exit))
82 :     on.exit(readerControl$exit())
83 :    
84 : feinerer 946 # Allocate memory in advance if length is known
85 : feinerer 985 tdl <- if (x$Length > 0)
86 :     vector("list", as.integer(x$Length))
87 : feinerer 946 else
88 :     list()
89 : feinerer 72
90 : feinerer 985 if (x$Vectorized)
91 : feinerer 987 tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
92 :     pGetElem(x),
93 : feinerer 1070 id = if (is.null(x$Names)) as.character(seq_len(x$Length)) else x$Names,
94 : feinerer 987 SIMPLIFY = FALSE)
95 : feinerer 946 else {
96 :     counter <- 1
97 : feinerer 985 while (!eoi(x)) {
98 :     x <- stepNext(x)
99 :     elem <- getElem(x)
100 : feinerer 1070 doc <- readerControl$reader(elem, readerControl$language, if (is.null(x$Names)) as.character(counter) else x$Names[counter])
101 : feinerer 985 if (x$Length > 0)
102 : feinerer 946 tdl[[counter]] <- doc
103 :     else
104 :     tdl <- c(tdl, list(doc))
105 :     counter <- counter + 1
106 :     }
107 :     }
108 : feinerer 1063 names(tdl) <- x$Names
109 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
110 : feinerer 985 .VCorpus(tdl, .MetaDataNode(), df)
111 :     }
112 : feinerer 72
113 : khornik 1203 `[.PCorpus` <-
114 :     function(x, i)
115 :     {
116 : feinerer 985 if (missing(i)) return(x)
117 :     index <- attr(x, "DMetaData")[[1 , "subset"]]
118 :     attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
119 :     dmeta <- attr(x, "DMetaData")
120 : feinerer 995 .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
121 : feinerer 946 }
122 : feinerer 72
123 : khornik 1203 `[.VCorpus` <-
124 :     function(x, i)
125 :     {
126 : feinerer 985 if (missing(i)) return(x)
127 : feinerer 995 .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
128 : feinerer 985 }
129 : feinerer 49
130 : khornik 1203 `[<-.PCorpus` <-
131 :     function(x, i, value)
132 :     {
133 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
134 :     counter <- 1
135 :     for (id in unclass(x)[i]) {
136 : feinerer 1025 if (identical(length(value), 1L)) db[[id]] <- value
137 : feinerer 985 else db[[id]] <- value[[counter]]
138 :     counter <- counter + 1
139 : feinerer 829 }
140 : feinerer 985 x
141 : feinerer 828 }
142 :    
143 : khornik 1203 .map_name_index <-
144 :     function(x, i)
145 :     {
146 : feinerer 1108 if (is.character(i)) {
147 :     if (is.null(names(x)))
148 :     match(i, meta(x, "ID", type = "local"))
149 :     else
150 :     match(i, names(x))
151 :     }
152 :     i
153 :     }
154 :    
155 : khornik 1203 `[[.PCorpus` <-
156 :     function(x, i)
157 :     {
158 : feinerer 1108 i <- .map_name_index(x, i)
159 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
160 : feinerer 995 filehash::dbFetch(db, NextMethod("[["))
161 : feinerer 985 }
162 : khornik 1203 `[[.VCorpus` <-
163 :     function(x, i)
164 :     {
165 : feinerer 1108 i <- .map_name_index(x, i)
166 : feinerer 985 lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
167 :     if (!is.null(lazyTmMap))
168 :     .Call("copyCorpus", x, materialize(x, i))
169 : feinerer 995 NextMethod("[[")
170 : feinerer 985 }
171 : feinerer 886
172 : khornik 1203 `[[<-.PCorpus` <-
173 :     function(x, i, value)
174 :     {
175 : feinerer 1108 i <- .map_name_index(x, i)
176 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
177 :     index <- unclass(x)[[i]]
178 :     db[[index]] <- value
179 :     x
180 : feinerer 946 }
181 : khornik 1203 `[[<-.VCorpus` <-
182 :     function(x, i, value)
183 :     {
184 : feinerer 1108 i <- .map_name_index(x, i)
185 : feinerer 985 # Mark new objects as not active for lazy mapping
186 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
187 :     if (!is.null(lazyTmMap)) {
188 :     lazyTmMap$index[i] <- FALSE
189 :     meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
190 :     }
191 :     # Set the value
192 :     cl <- class(x)
193 : feinerer 995 y <- NextMethod("[[<-")
194 :     class(y) <- cl
195 :     y
196 : feinerer 985 }
197 : feinerer 946
198 : feinerer 1004 # Update NodeIDs of a CMetaData tree
199 : khornik 1203 .update_id <-
200 :     function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
201 :     {
202 : feinerer 1004 # Traversal of (binary) CMetaData tree with setup of NodeIDs
203 : feinerer 985 set_id <- function(x) {
204 : feinerer 988 x$NodeID <- id
205 : feinerer 697 id <<- id + 1
206 :     level <<- level + 1
207 : feinerer 988 if (length(x$Children) > 0) {
208 :     mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
209 :     left <- set_id(x$Children[[1]])
210 : feinerer 697 if (level == 1) {
211 :     left.mapping <<- mapping
212 :     mapping <<- NULL
213 :     }
214 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
215 :     right <- set_id(x$Children[[2]])
216 : feinerer 71
217 : feinerer 988 x$Children <- list(left, right)
218 : feinerer 71 }
219 : feinerer 697 level <<- level - 1
220 : feinerer 985 x
221 : feinerer 71 }
222 : feinerer 985 list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
223 : feinerer 71 }
224 :    
225 : feinerer 1004 # Find indices to be updated for a CMetaData tree
226 : khornik 1203 .find_indices <-
227 :     function(x)
228 :     {
229 : feinerer 1004 indices.mapping <- NULL
230 :     for (m in levels(as.factor(DMetaData(x)$MetaID))) {
231 :     indices <- (DMetaData(x)$MetaID == m)
232 :     indices.mapping <- c(indices.mapping, list(m = indices))
233 :     names(indices.mapping)[length(indices.mapping)] <- m
234 :     }
235 :     indices.mapping
236 :     }
237 :    
238 : khornik 1203 c2 <-
239 :     function(x, y, ...)
240 :     {
241 : feinerer 985 # Update the CMetaData tree
242 :     cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
243 : feinerer 1004 update.struct <- .update_id(cmeta)
244 : feinerer 71
245 : feinerer 985 new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
246 : feinerer 720
247 : feinerer 985 # Find indices to be updated for the left tree
248 : feinerer 1004 indices.mapping <- .find_indices(x)
249 : feinerer 958
250 : feinerer 985 # Update the DMetaData data frames for the left tree
251 :     for (i in 1:ncol(update.struct$left.mapping)) {
252 :     map <- update.struct$left.mapping[,i]
253 :     DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
254 :     }
255 : feinerer 689
256 : feinerer 985 # Find indices to be updated for the right tree
257 : feinerer 1004 indices.mapping <- .find_indices(y)
258 : feinerer 71
259 : feinerer 985 # Update the DMetaData data frames for the right tree
260 :     for (i in 1:ncol(update.struct$right.mapping)) {
261 :     map <- update.struct$right.mapping[,i]
262 :     DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
263 :     }
264 : feinerer 71
265 : feinerer 985 # Merge the DMetaData data frames
266 :     labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
267 : khornik 1203 na.matrix <- matrix(NA,
268 :     nrow = nrow(DMetaData(x)),
269 :     ncol = length(labels),
270 :     dimnames = list(row.names(DMetaData(x)), labels))
271 : feinerer 985 x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
272 :     labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
273 : khornik 1203 na.matrix <- matrix(NA,
274 :     nrow = nrow(DMetaData(y)),
275 :     ncol = length(labels),
276 :     dimnames = list(row.names(DMetaData(y)), labels))
277 : feinerer 985 y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
278 :     DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
279 : feinerer 71
280 : feinerer 985 new
281 :     }
282 : feinerer 71
283 : feinerer 985 c.Corpus <-
284 : khornik 1203 function(..., recursive = FALSE)
285 : feinerer 985 {
286 :     args <- list(...)
287 : khornik 1203 x <- args[[1L]]
288 : feinerer 71
289 : khornik 1203 if(length(args) == 1L)
290 : feinerer 985 return(x)
291 : feinerer 71
292 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
293 :     stop("not all arguments are of the same corpus type")
294 : feinerer 71
295 : feinerer 985 if (inherits(x, "PCorpus"))
296 :     stop("concatenation of corpora with underlying databases is not supported")
297 : feinerer 689
298 : feinerer 1095 if (recursive)
299 : khornik 1203 Reduce(c2, args)
300 : feinerer 1095 else {
301 : khornik 1203 args <- do.call("c", lapply(args, unclass))
302 :     .VCorpus(args,
303 : feinerer 1095 cmeta = .MetaDataNode(),
304 : khornik 1203 dmeta = data.frame(MetaID = rep(0, length(args)),
305 :     stringsAsFactors = FALSE))
306 : feinerer 1095 }
307 : feinerer 985 }
308 : feinerer 54
309 : khornik 1203 c.TextDocument <-
310 :     function(..., recursive = FALSE)
311 :     {
312 : feinerer 985 args <- list(...)
313 : khornik 1203 x <- args[[1L]]
314 : feinerer 72
315 : khornik 1203 if(length(args) == 1L)
316 : feinerer 985 return(x)
317 : feinerer 72
318 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
319 :     stop("not all arguments are text documents")
320 : feinerer 54
321 : khornik 1203 dmeta <- data.frame(MetaID = rep(0, length(args)),
322 :     stringsAsFactors = FALSE)
323 :     .VCorpus(args, .MetaDataNode(), dmeta)
324 : feinerer 985 }
325 : feinerer 55
326 : khornik 1203 print.Corpus <-
327 :     function(x, ...)
328 :     {
329 : feinerer 985 cat(sprintf(ngettext(length(x),
330 :     "A corpus with %d text document\n",
331 :     "A corpus with %d text documents\n"),
332 :     length(x)))
333 :     invisible(x)
334 :     }
335 :    
336 : khornik 1203 summary.Corpus <-
337 :     function(object, ...)
338 :     {
339 : feinerer 988 print(object)
340 :     if (length(DMetaData(object)) > 0) {
341 :     cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
342 : feinerer 985 "\nThe metadata consists of %d tag-value pair and a data frame\n",
343 :     "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
344 : feinerer 988 length(CMetaData(object)$MetaData)))
345 : feinerer 985 cat("Available tags are:\n")
346 : feinerer 988 cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
347 : feinerer 985 cat("Available variables in the data frame are:\n")
348 : feinerer 988 cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
349 : feinerer 985 }
350 :     }
351 :    
352 : khornik 1203 inspect <-
353 :     function(x)
354 :     UseMethod("inspect", x)
355 :     inspect.PCorpus <-
356 :     function(x)
357 :     {
358 : feinerer 938 summary(x)
359 :     cat("\n")
360 : feinerer 946 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
361 :     show(filehash::dbMultiFetch(db, unlist(x)))
362 : feinerer 938 }
363 : khornik 1203 inspect.VCorpus <-
364 :     function(x)
365 :     {
366 : feinerer 946 summary(x)
367 :     cat("\n")
368 :     print(noquote(lapply(x, identity)))
369 :     }
370 : feinerer 65
371 : khornik 1203 lapply.PCorpus <-
372 :     function(X, FUN, ...)
373 :     {
374 : feinerer 985 db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
375 :     lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
376 :     }
377 : khornik 1203 lapply.VCorpus <-
378 :     function(X, FUN, ...)
379 :     {
380 : feinerer 985 lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
381 :     if (!is.null(lazyTmMap))
382 :     .Call("copyCorpus", X, materialize(X))
383 :     base::lapply(X, FUN, ...)
384 :     }
385 : feinerer 719
386 : khornik 1203 writeCorpus <-
387 :     function(x, path = ".", filenames = NULL)
388 :     {
389 : feinerer 985 filenames <- file.path(path,
390 :     if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
391 :     else filenames)
392 :     i <- 1
393 :     for (o in x) {
394 :     writeLines(as.PlainTextDocument(o), filenames[i])
395 :     i <- i + 1
396 : feinerer 836 }
397 : feinerer 985 }

root@r-forge.r-project.org
ViewVC Help
Powered by ViewVC 1.0.0  
Thanks to:
Vienna University of Economics and Business Powered By FusionForge