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 1259 - (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$DefaultReader, language = "en"),
20 : feinerer 1259 dbControl = list(dbName = "", dbType = "DB1"))
21 : khornik 1203 {
22 : feinerer 1259 readerControl <- prepareReader(readerControl, x$DefaultReader)
23 : feinerer 63
24 : feinerer 1114 if (is.function(readerControl$init))
25 :     readerControl$init()
26 :    
27 :     if (is.function(readerControl$exit))
28 :     on.exit(readerControl$exit())
29 :    
30 : feinerer 946 if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
31 :     stop("error in creating database")
32 :     db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
33 : feinerer 712
34 : feinerer 946 # Allocate memory in advance if length is known
35 : feinerer 1074 tdl <- if (x$Length > 0)
36 : feinerer 985 vector("list", as.integer(x$Length))
37 : feinerer 946 else
38 :     list()
39 : feinerer 869
40 : feinerer 946 counter <- 1
41 : feinerer 985 while (!eoi(x)) {
42 :     x <- stepNext(x)
43 :     elem <- getElem(x)
44 : feinerer 1259 id <- if (is.null(x$Names) || is.na(x$Names))
45 :     as.character(counter)
46 :     else
47 :     x$Names[counter]
48 :     doc <- readerControl$reader(elem, readerControl$language, id)
49 : feinerer 946 filehash::dbInsert(db, ID(doc), doc)
50 : feinerer 985 if (x$Length > 0) tdl[[counter]] <- ID(doc)
51 : feinerer 946 else tdl <- c(tdl, ID(doc))
52 :     counter <- counter + 1
53 :     }
54 : feinerer 1064 names(tdl) <- x$Names
55 : feinerer 63
56 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
57 :     filehash::dbInsert(db, "DMetaData", df)
58 :     dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
59 : feinerer 712
60 : feinerer 985 .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
61 :     }
62 : feinerer 71
63 : khornik 1203 .VCorpus <-
64 :     function(x, cmeta, dmeta)
65 :     {
66 : feinerer 985 attr(x, "CMetaData") <- cmeta
67 :     attr(x, "DMetaData") <- dmeta
68 :     class(x) <- c("VCorpus", "Corpus", "list")
69 :     x
70 : feinerer 946 }
71 : feinerer 21
72 : khornik 1203 VCorpus <-
73 :     Corpus <-
74 : feinerer 1259 function(x, readerControl = list(reader = x$DefaultReader, language = "en"))
75 : khornik 1203 {
76 : feinerer 1259 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 1258 id = if (is.null(x$Names) || is.na(x$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 1258 id <- if (is.null(x$Names) || is.na(x$Names))
101 :     as.character(counter)
102 :     else
103 :     x$Names[counter]
104 :     doc <- readerControl$reader(elem, readerControl$language, id)
105 : feinerer 985 if (x$Length > 0)
106 : feinerer 946 tdl[[counter]] <- doc
107 :     else
108 :     tdl <- c(tdl, list(doc))
109 :     counter <- counter + 1
110 :     }
111 :     }
112 : feinerer 1063 names(tdl) <- x$Names
113 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
114 : feinerer 985 .VCorpus(tdl, .MetaDataNode(), df)
115 :     }
116 : feinerer 72
117 : khornik 1203 `[.PCorpus` <-
118 :     function(x, i)
119 :     {
120 : feinerer 985 if (missing(i)) return(x)
121 :     index <- attr(x, "DMetaData")[[1 , "subset"]]
122 :     attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
123 :     dmeta <- attr(x, "DMetaData")
124 : feinerer 995 .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
125 : feinerer 946 }
126 : feinerer 72
127 : khornik 1203 `[.VCorpus` <-
128 :     function(x, i)
129 :     {
130 : feinerer 985 if (missing(i)) return(x)
131 : feinerer 995 .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
132 : feinerer 985 }
133 : feinerer 49
134 : khornik 1203 `[<-.PCorpus` <-
135 :     function(x, i, value)
136 :     {
137 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
138 :     counter <- 1
139 :     for (id in unclass(x)[i]) {
140 : feinerer 1025 if (identical(length(value), 1L)) db[[id]] <- value
141 : feinerer 985 else db[[id]] <- value[[counter]]
142 :     counter <- counter + 1
143 : feinerer 829 }
144 : feinerer 985 x
145 : feinerer 828 }
146 :    
147 : khornik 1203 .map_name_index <-
148 :     function(x, i)
149 :     {
150 : feinerer 1108 if (is.character(i)) {
151 :     if (is.null(names(x)))
152 :     match(i, meta(x, "ID", type = "local"))
153 :     else
154 :     match(i, names(x))
155 :     }
156 :     i
157 :     }
158 :    
159 : khornik 1203 `[[.PCorpus` <-
160 :     function(x, i)
161 :     {
162 : feinerer 1108 i <- .map_name_index(x, i)
163 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
164 : feinerer 995 filehash::dbFetch(db, NextMethod("[["))
165 : feinerer 985 }
166 : khornik 1203 `[[.VCorpus` <-
167 :     function(x, i)
168 :     {
169 : feinerer 1108 i <- .map_name_index(x, i)
170 : feinerer 985 lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
171 :     if (!is.null(lazyTmMap))
172 :     .Call("copyCorpus", x, materialize(x, i))
173 : feinerer 995 NextMethod("[[")
174 : feinerer 985 }
175 : feinerer 886
176 : khornik 1203 `[[<-.PCorpus` <-
177 :     function(x, i, value)
178 :     {
179 : feinerer 1108 i <- .map_name_index(x, i)
180 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
181 :     index <- unclass(x)[[i]]
182 :     db[[index]] <- value
183 :     x
184 : feinerer 946 }
185 : khornik 1203 `[[<-.VCorpus` <-
186 :     function(x, i, value)
187 :     {
188 : feinerer 1108 i <- .map_name_index(x, i)
189 : feinerer 985 # Mark new objects as not active for lazy mapping
190 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
191 :     if (!is.null(lazyTmMap)) {
192 :     lazyTmMap$index[i] <- FALSE
193 :     meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
194 :     }
195 :     # Set the value
196 :     cl <- class(x)
197 : feinerer 995 y <- NextMethod("[[<-")
198 :     class(y) <- cl
199 :     y
200 : feinerer 985 }
201 : feinerer 946
202 : feinerer 1004 # Update NodeIDs of a CMetaData tree
203 : khornik 1203 .update_id <-
204 :     function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
205 :     {
206 : feinerer 1004 # Traversal of (binary) CMetaData tree with setup of NodeIDs
207 : feinerer 985 set_id <- function(x) {
208 : feinerer 988 x$NodeID <- id
209 : feinerer 697 id <<- id + 1
210 :     level <<- level + 1
211 : feinerer 988 if (length(x$Children) > 0) {
212 :     mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
213 :     left <- set_id(x$Children[[1]])
214 : feinerer 697 if (level == 1) {
215 :     left.mapping <<- mapping
216 :     mapping <<- NULL
217 :     }
218 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
219 :     right <- set_id(x$Children[[2]])
220 : feinerer 71
221 : feinerer 988 x$Children <- list(left, right)
222 : feinerer 71 }
223 : feinerer 697 level <<- level - 1
224 : feinerer 985 x
225 : feinerer 71 }
226 : feinerer 985 list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
227 : feinerer 71 }
228 :    
229 : feinerer 1004 # Find indices to be updated for a CMetaData tree
230 : khornik 1203 .find_indices <-
231 :     function(x)
232 :     {
233 : feinerer 1004 indices.mapping <- NULL
234 :     for (m in levels(as.factor(DMetaData(x)$MetaID))) {
235 :     indices <- (DMetaData(x)$MetaID == m)
236 :     indices.mapping <- c(indices.mapping, list(m = indices))
237 :     names(indices.mapping)[length(indices.mapping)] <- m
238 :     }
239 :     indices.mapping
240 :     }
241 :    
242 : khornik 1203 c2 <-
243 :     function(x, y, ...)
244 :     {
245 : feinerer 985 # Update the CMetaData tree
246 :     cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
247 : feinerer 1004 update.struct <- .update_id(cmeta)
248 : feinerer 71
249 : feinerer 985 new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
250 : feinerer 720
251 : feinerer 985 # Find indices to be updated for the left tree
252 : feinerer 1004 indices.mapping <- .find_indices(x)
253 : feinerer 958
254 : feinerer 985 # Update the DMetaData data frames for the left tree
255 :     for (i in 1:ncol(update.struct$left.mapping)) {
256 :     map <- update.struct$left.mapping[,i]
257 :     DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
258 :     }
259 : feinerer 689
260 : feinerer 985 # Find indices to be updated for the right tree
261 : feinerer 1004 indices.mapping <- .find_indices(y)
262 : feinerer 71
263 : feinerer 985 # Update the DMetaData data frames for the right tree
264 :     for (i in 1:ncol(update.struct$right.mapping)) {
265 :     map <- update.struct$right.mapping[,i]
266 :     DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
267 :     }
268 : feinerer 71
269 : feinerer 985 # Merge the DMetaData data frames
270 :     labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
271 : khornik 1203 na.matrix <- matrix(NA,
272 :     nrow = nrow(DMetaData(x)),
273 :     ncol = length(labels),
274 :     dimnames = list(row.names(DMetaData(x)), labels))
275 : feinerer 985 x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
276 :     labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
277 : khornik 1203 na.matrix <- matrix(NA,
278 :     nrow = nrow(DMetaData(y)),
279 :     ncol = length(labels),
280 :     dimnames = list(row.names(DMetaData(y)), labels))
281 : feinerer 985 y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
282 :     DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
283 : feinerer 71
284 : feinerer 985 new
285 :     }
286 : feinerer 71
287 : feinerer 985 c.Corpus <-
288 : khornik 1203 function(..., recursive = FALSE)
289 : feinerer 985 {
290 :     args <- list(...)
291 : khornik 1203 x <- args[[1L]]
292 : feinerer 71
293 : khornik 1203 if(length(args) == 1L)
294 : feinerer 985 return(x)
295 : feinerer 71
296 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
297 :     stop("not all arguments are of the same corpus type")
298 : feinerer 71
299 : feinerer 985 if (inherits(x, "PCorpus"))
300 :     stop("concatenation of corpora with underlying databases is not supported")
301 : feinerer 689
302 : feinerer 1095 if (recursive)
303 : khornik 1203 Reduce(c2, args)
304 : feinerer 1095 else {
305 : khornik 1203 args <- do.call("c", lapply(args, unclass))
306 :     .VCorpus(args,
307 : feinerer 1095 cmeta = .MetaDataNode(),
308 : khornik 1203 dmeta = data.frame(MetaID = rep(0, length(args)),
309 :     stringsAsFactors = FALSE))
310 : feinerer 1095 }
311 : feinerer 985 }
312 : feinerer 54
313 : khornik 1203 c.TextDocument <-
314 :     function(..., recursive = FALSE)
315 :     {
316 : feinerer 985 args <- list(...)
317 : khornik 1203 x <- args[[1L]]
318 : feinerer 72
319 : khornik 1203 if(length(args) == 1L)
320 : feinerer 985 return(x)
321 : feinerer 72
322 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
323 :     stop("not all arguments are text documents")
324 : feinerer 54
325 : khornik 1203 dmeta <- data.frame(MetaID = rep(0, length(args)),
326 :     stringsAsFactors = FALSE)
327 :     .VCorpus(args, .MetaDataNode(), dmeta)
328 : feinerer 985 }
329 : feinerer 55
330 : khornik 1203 print.Corpus <-
331 :     function(x, ...)
332 :     {
333 : feinerer 985 cat(sprintf(ngettext(length(x),
334 :     "A corpus with %d text document\n",
335 :     "A corpus with %d text documents\n"),
336 :     length(x)))
337 :     invisible(x)
338 :     }
339 :    
340 : khornik 1203 summary.Corpus <-
341 :     function(object, ...)
342 :     {
343 : feinerer 988 print(object)
344 :     if (length(DMetaData(object)) > 0) {
345 :     cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
346 : feinerer 985 "\nThe metadata consists of %d tag-value pair and a data frame\n",
347 :     "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
348 : feinerer 988 length(CMetaData(object)$MetaData)))
349 : feinerer 985 cat("Available tags are:\n")
350 : feinerer 988 cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
351 : feinerer 985 cat("Available variables in the data frame are:\n")
352 : feinerer 988 cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
353 : feinerer 985 }
354 :     }
355 :    
356 : khornik 1203 inspect <-
357 :     function(x)
358 :     UseMethod("inspect", x)
359 :     inspect.PCorpus <-
360 :     function(x)
361 :     {
362 : feinerer 938 summary(x)
363 :     cat("\n")
364 : feinerer 946 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
365 :     show(filehash::dbMultiFetch(db, unlist(x)))
366 : feinerer 938 }
367 : khornik 1203 inspect.VCorpus <-
368 :     function(x)
369 :     {
370 : feinerer 946 summary(x)
371 :     cat("\n")
372 :     print(noquote(lapply(x, identity)))
373 :     }
374 : feinerer 65
375 : khornik 1203 lapply.PCorpus <-
376 :     function(X, FUN, ...)
377 :     {
378 : feinerer 985 db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
379 :     lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
380 :     }
381 : khornik 1203 lapply.VCorpus <-
382 :     function(X, FUN, ...)
383 :     {
384 : feinerer 985 lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
385 :     if (!is.null(lazyTmMap))
386 :     .Call("copyCorpus", X, materialize(X))
387 :     base::lapply(X, FUN, ...)
388 :     }
389 : feinerer 719
390 : khornik 1203 writeCorpus <-
391 :     function(x, path = ".", filenames = NULL)
392 :     {
393 : feinerer 985 filenames <- file.path(path,
394 :     if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
395 :     else filenames)
396 :     i <- 1
397 :     for (o in x) {
398 :     writeLines(as.PlainTextDocument(o), filenames[i])
399 :     i <- i + 1
400 : feinerer 836 }
401 : feinerer 985 }

R-Forge@R-project.org
ViewVC Help
Powered by ViewVC 1.0.0  
Thanks to:
Vienna University of Economics and Business University of Wisconsin - Madison Powered By FusionForge