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 1261 - (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 1261 if (!is.null(x$Names) && !is.na(x$Names))
55 :     names(tdl) <- x$Names
56 : feinerer 63
57 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
58 :     filehash::dbInsert(db, "DMetaData", df)
59 :     dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
60 : feinerer 712
61 : feinerer 985 .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
62 :     }
63 : feinerer 71
64 : khornik 1203 .VCorpus <-
65 :     function(x, cmeta, dmeta)
66 :     {
67 : feinerer 985 attr(x, "CMetaData") <- cmeta
68 :     attr(x, "DMetaData") <- dmeta
69 :     class(x) <- c("VCorpus", "Corpus", "list")
70 :     x
71 : feinerer 946 }
72 : feinerer 21
73 : khornik 1203 VCorpus <-
74 :     Corpus <-
75 : feinerer 1259 function(x, readerControl = list(reader = x$DefaultReader, language = "en"))
76 : khornik 1203 {
77 : feinerer 1259 readerControl <- prepareReader(readerControl, x$DefaultReader)
78 : feinerer 49
79 : feinerer 1114 if (is.function(readerControl$init))
80 :     readerControl$init()
81 :    
82 :     if (is.function(readerControl$exit))
83 :     on.exit(readerControl$exit())
84 :    
85 : feinerer 946 # Allocate memory in advance if length is known
86 : feinerer 985 tdl <- if (x$Length > 0)
87 :     vector("list", as.integer(x$Length))
88 : feinerer 946 else
89 :     list()
90 : feinerer 72
91 : feinerer 985 if (x$Vectorized)
92 : feinerer 987 tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
93 :     pGetElem(x),
94 : feinerer 1258 id = if (is.null(x$Names) || is.na(x$Names)) as.character(seq_len(x$Length)) else x$Names,
95 : feinerer 987 SIMPLIFY = FALSE)
96 : feinerer 946 else {
97 :     counter <- 1
98 : feinerer 985 while (!eoi(x)) {
99 :     x <- stepNext(x)
100 :     elem <- getElem(x)
101 : feinerer 1258 id <- if (is.null(x$Names) || is.na(x$Names))
102 :     as.character(counter)
103 :     else
104 :     x$Names[counter]
105 :     doc <- readerControl$reader(elem, readerControl$language, id)
106 : feinerer 985 if (x$Length > 0)
107 : feinerer 946 tdl[[counter]] <- doc
108 :     else
109 :     tdl <- c(tdl, list(doc))
110 :     counter <- counter + 1
111 :     }
112 :     }
113 : feinerer 1261 if (!is.null(x$Names) && !is.na(x$Names))
114 :     names(tdl) <- x$Names
115 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
116 : feinerer 985 .VCorpus(tdl, .MetaDataNode(), df)
117 :     }
118 : feinerer 72
119 : khornik 1203 `[.PCorpus` <-
120 :     function(x, i)
121 :     {
122 : feinerer 985 if (missing(i)) return(x)
123 :     index <- attr(x, "DMetaData")[[1 , "subset"]]
124 :     attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
125 :     dmeta <- attr(x, "DMetaData")
126 : feinerer 995 .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
127 : feinerer 946 }
128 : feinerer 72
129 : khornik 1203 `[.VCorpus` <-
130 :     function(x, i)
131 :     {
132 : feinerer 985 if (missing(i)) return(x)
133 : feinerer 995 .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
134 : feinerer 985 }
135 : feinerer 49
136 : khornik 1203 `[<-.PCorpus` <-
137 :     function(x, i, value)
138 :     {
139 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
140 :     counter <- 1
141 :     for (id in unclass(x)[i]) {
142 : feinerer 1025 if (identical(length(value), 1L)) db[[id]] <- value
143 : feinerer 985 else db[[id]] <- value[[counter]]
144 :     counter <- counter + 1
145 : feinerer 829 }
146 : feinerer 985 x
147 : feinerer 828 }
148 :    
149 : khornik 1203 .map_name_index <-
150 :     function(x, i)
151 :     {
152 : feinerer 1108 if (is.character(i)) {
153 :     if (is.null(names(x)))
154 :     match(i, meta(x, "ID", type = "local"))
155 :     else
156 :     match(i, names(x))
157 :     }
158 :     i
159 :     }
160 :    
161 : khornik 1203 `[[.PCorpus` <-
162 :     function(x, i)
163 :     {
164 : feinerer 1108 i <- .map_name_index(x, i)
165 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
166 : feinerer 995 filehash::dbFetch(db, NextMethod("[["))
167 : feinerer 985 }
168 : khornik 1203 `[[.VCorpus` <-
169 :     function(x, i)
170 :     {
171 : feinerer 1108 i <- .map_name_index(x, i)
172 : feinerer 985 lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
173 :     if (!is.null(lazyTmMap))
174 :     .Call("copyCorpus", x, materialize(x, i))
175 : feinerer 995 NextMethod("[[")
176 : feinerer 985 }
177 : feinerer 886
178 : khornik 1203 `[[<-.PCorpus` <-
179 :     function(x, i, value)
180 :     {
181 : feinerer 1108 i <- .map_name_index(x, i)
182 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
183 :     index <- unclass(x)[[i]]
184 :     db[[index]] <- value
185 :     x
186 : feinerer 946 }
187 : khornik 1203 `[[<-.VCorpus` <-
188 :     function(x, i, value)
189 :     {
190 : feinerer 1108 i <- .map_name_index(x, i)
191 : feinerer 985 # Mark new objects as not active for lazy mapping
192 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
193 :     if (!is.null(lazyTmMap)) {
194 :     lazyTmMap$index[i] <- FALSE
195 :     meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
196 :     }
197 :     # Set the value
198 :     cl <- class(x)
199 : feinerer 995 y <- NextMethod("[[<-")
200 :     class(y) <- cl
201 :     y
202 : feinerer 985 }
203 : feinerer 946
204 : feinerer 1004 # Update NodeIDs of a CMetaData tree
205 : khornik 1203 .update_id <-
206 :     function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
207 :     {
208 : feinerer 1004 # Traversal of (binary) CMetaData tree with setup of NodeIDs
209 : feinerer 985 set_id <- function(x) {
210 : feinerer 988 x$NodeID <- id
211 : feinerer 697 id <<- id + 1
212 :     level <<- level + 1
213 : feinerer 988 if (length(x$Children) > 0) {
214 :     mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
215 :     left <- set_id(x$Children[[1]])
216 : feinerer 697 if (level == 1) {
217 :     left.mapping <<- mapping
218 :     mapping <<- NULL
219 :     }
220 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
221 :     right <- set_id(x$Children[[2]])
222 : feinerer 71
223 : feinerer 988 x$Children <- list(left, right)
224 : feinerer 71 }
225 : feinerer 697 level <<- level - 1
226 : feinerer 985 x
227 : feinerer 71 }
228 : feinerer 985 list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
229 : feinerer 71 }
230 :    
231 : feinerer 1004 # Find indices to be updated for a CMetaData tree
232 : khornik 1203 .find_indices <-
233 :     function(x)
234 :     {
235 : feinerer 1004 indices.mapping <- NULL
236 :     for (m in levels(as.factor(DMetaData(x)$MetaID))) {
237 :     indices <- (DMetaData(x)$MetaID == m)
238 :     indices.mapping <- c(indices.mapping, list(m = indices))
239 :     names(indices.mapping)[length(indices.mapping)] <- m
240 :     }
241 :     indices.mapping
242 :     }
243 :    
244 : khornik 1203 c2 <-
245 :     function(x, y, ...)
246 :     {
247 : feinerer 985 # Update the CMetaData tree
248 :     cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
249 : feinerer 1004 update.struct <- .update_id(cmeta)
250 : feinerer 71
251 : feinerer 985 new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
252 : feinerer 720
253 : feinerer 985 # Find indices to be updated for the left tree
254 : feinerer 1004 indices.mapping <- .find_indices(x)
255 : feinerer 958
256 : feinerer 985 # Update the DMetaData data frames for the left tree
257 :     for (i in 1:ncol(update.struct$left.mapping)) {
258 :     map <- update.struct$left.mapping[,i]
259 :     DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
260 :     }
261 : feinerer 689
262 : feinerer 985 # Find indices to be updated for the right tree
263 : feinerer 1004 indices.mapping <- .find_indices(y)
264 : feinerer 71
265 : feinerer 985 # Update the DMetaData data frames for the right tree
266 :     for (i in 1:ncol(update.struct$right.mapping)) {
267 :     map <- update.struct$right.mapping[,i]
268 :     DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
269 :     }
270 : feinerer 71
271 : feinerer 985 # Merge the DMetaData data frames
272 :     labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
273 : khornik 1203 na.matrix <- matrix(NA,
274 :     nrow = nrow(DMetaData(x)),
275 :     ncol = length(labels),
276 :     dimnames = list(row.names(DMetaData(x)), labels))
277 : feinerer 985 x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
278 :     labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
279 : khornik 1203 na.matrix <- matrix(NA,
280 :     nrow = nrow(DMetaData(y)),
281 :     ncol = length(labels),
282 :     dimnames = list(row.names(DMetaData(y)), labels))
283 : feinerer 985 y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
284 :     DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
285 : feinerer 71
286 : feinerer 985 new
287 :     }
288 : feinerer 71
289 : feinerer 985 c.Corpus <-
290 : khornik 1203 function(..., recursive = FALSE)
291 : feinerer 985 {
292 :     args <- list(...)
293 : khornik 1203 x <- args[[1L]]
294 : feinerer 71
295 : khornik 1203 if(length(args) == 1L)
296 : feinerer 985 return(x)
297 : feinerer 71
298 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
299 :     stop("not all arguments are of the same corpus type")
300 : feinerer 71
301 : feinerer 985 if (inherits(x, "PCorpus"))
302 :     stop("concatenation of corpora with underlying databases is not supported")
303 : feinerer 689
304 : feinerer 1095 if (recursive)
305 : khornik 1203 Reduce(c2, args)
306 : feinerer 1095 else {
307 : khornik 1203 args <- do.call("c", lapply(args, unclass))
308 :     .VCorpus(args,
309 : feinerer 1095 cmeta = .MetaDataNode(),
310 : khornik 1203 dmeta = data.frame(MetaID = rep(0, length(args)),
311 :     stringsAsFactors = FALSE))
312 : feinerer 1095 }
313 : feinerer 985 }
314 : feinerer 54
315 : khornik 1203 c.TextDocument <-
316 :     function(..., recursive = FALSE)
317 :     {
318 : feinerer 985 args <- list(...)
319 : khornik 1203 x <- args[[1L]]
320 : feinerer 72
321 : khornik 1203 if(length(args) == 1L)
322 : feinerer 985 return(x)
323 : feinerer 72
324 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
325 :     stop("not all arguments are text documents")
326 : feinerer 54
327 : khornik 1203 dmeta <- data.frame(MetaID = rep(0, length(args)),
328 :     stringsAsFactors = FALSE)
329 :     .VCorpus(args, .MetaDataNode(), dmeta)
330 : feinerer 985 }
331 : feinerer 55
332 : khornik 1203 print.Corpus <-
333 :     function(x, ...)
334 :     {
335 : feinerer 985 cat(sprintf(ngettext(length(x),
336 :     "A corpus with %d text document\n",
337 :     "A corpus with %d text documents\n"),
338 :     length(x)))
339 :     invisible(x)
340 :     }
341 :    
342 : khornik 1203 summary.Corpus <-
343 :     function(object, ...)
344 :     {
345 : feinerer 988 print(object)
346 :     if (length(DMetaData(object)) > 0) {
347 :     cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
348 : feinerer 985 "\nThe metadata consists of %d tag-value pair and a data frame\n",
349 :     "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
350 : feinerer 988 length(CMetaData(object)$MetaData)))
351 : feinerer 985 cat("Available tags are:\n")
352 : feinerer 988 cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
353 : feinerer 985 cat("Available variables in the data frame are:\n")
354 : feinerer 988 cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
355 : feinerer 985 }
356 :     }
357 :    
358 : khornik 1203 inspect <-
359 :     function(x)
360 :     UseMethod("inspect", x)
361 :     inspect.PCorpus <-
362 :     function(x)
363 :     {
364 : feinerer 938 summary(x)
365 :     cat("\n")
366 : feinerer 946 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
367 :     show(filehash::dbMultiFetch(db, unlist(x)))
368 : feinerer 938 }
369 : khornik 1203 inspect.VCorpus <-
370 :     function(x)
371 :     {
372 : feinerer 946 summary(x)
373 :     cat("\n")
374 :     print(noquote(lapply(x, identity)))
375 :     }
376 : feinerer 65
377 : khornik 1203 lapply.PCorpus <-
378 :     function(X, FUN, ...)
379 :     {
380 : feinerer 985 db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
381 :     lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
382 :     }
383 : khornik 1203 lapply.VCorpus <-
384 :     function(X, FUN, ...)
385 :     {
386 : feinerer 985 lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
387 :     if (!is.null(lazyTmMap))
388 :     .Call("copyCorpus", X, materialize(X))
389 :     base::lapply(X, FUN, ...)
390 :     }
391 : feinerer 719
392 : khornik 1203 writeCorpus <-
393 :     function(x, path = ".", filenames = NULL)
394 :     {
395 : feinerer 985 filenames <- file.path(path,
396 :     if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
397 :     else filenames)
398 :     i <- 1
399 :     for (o in x) {
400 :     writeLines(as.PlainTextDocument(o), filenames[i])
401 :     i <- i + 1
402 : feinerer 836 }
403 : 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