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 1297 - (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$DefaultReader, language = "en"),
20 : feinerer 1259 dbControl = list(dbName = "", dbType = "DB1"))
21 : khornik 1203 {
22 : feinerer 1297 stopifnot(inherits(x, "Source"))
23 : feinerer 1273
24 : feinerer 1259 readerControl <- prepareReader(readerControl, x$DefaultReader)
25 : feinerer 63
26 : feinerer 1114 if (is.function(readerControl$init))
27 :     readerControl$init()
28 :    
29 :     if (is.function(readerControl$exit))
30 :     on.exit(readerControl$exit())
31 :    
32 : feinerer 946 if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
33 :     stop("error in creating database")
34 :     db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
35 : feinerer 712
36 : feinerer 946 # Allocate memory in advance if length is known
37 : feinerer 1074 tdl <- if (x$Length > 0)
38 : feinerer 985 vector("list", as.integer(x$Length))
39 : feinerer 946 else
40 :     list()
41 : feinerer 869
42 : feinerer 946 counter <- 1
43 : feinerer 985 while (!eoi(x)) {
44 :     x <- stepNext(x)
45 :     elem <- getElem(x)
46 : feinerer 1259 id <- if (is.null(x$Names) || is.na(x$Names))
47 :     as.character(counter)
48 :     else
49 :     x$Names[counter]
50 :     doc <- readerControl$reader(elem, readerControl$language, id)
51 : feinerer 946 filehash::dbInsert(db, ID(doc), doc)
52 : feinerer 985 if (x$Length > 0) tdl[[counter]] <- ID(doc)
53 : feinerer 946 else tdl <- c(tdl, ID(doc))
54 :     counter <- counter + 1
55 :     }
56 : feinerer 1261 if (!is.null(x$Names) && !is.na(x$Names))
57 :     names(tdl) <- x$Names
58 : feinerer 63
59 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
60 :     filehash::dbInsert(db, "DMetaData", df)
61 :     dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
62 : feinerer 712
63 : feinerer 985 .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
64 :     }
65 : feinerer 71
66 : khornik 1203 .VCorpus <-
67 :     function(x, cmeta, dmeta)
68 :     {
69 : feinerer 985 attr(x, "CMetaData") <- cmeta
70 :     attr(x, "DMetaData") <- dmeta
71 :     class(x) <- c("VCorpus", "Corpus", "list")
72 :     x
73 : feinerer 946 }
74 : feinerer 21
75 : khornik 1203 VCorpus <-
76 :     Corpus <-
77 : feinerer 1259 function(x, readerControl = list(reader = x$DefaultReader, language = "en"))
78 : khornik 1203 {
79 : feinerer 1297 stopifnot(inherits(x, "Source"))
80 : feinerer 1273
81 : feinerer 1259 readerControl <- prepareReader(readerControl, x$DefaultReader)
82 : feinerer 49
83 : feinerer 1114 if (is.function(readerControl$init))
84 :     readerControl$init()
85 :    
86 :     if (is.function(readerControl$exit))
87 :     on.exit(readerControl$exit())
88 :    
89 : feinerer 946 # Allocate memory in advance if length is known
90 : feinerer 985 tdl <- if (x$Length > 0)
91 :     vector("list", as.integer(x$Length))
92 : feinerer 946 else
93 :     list()
94 : feinerer 72
95 : feinerer 985 if (x$Vectorized)
96 : feinerer 987 tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
97 :     pGetElem(x),
98 : feinerer 1258 id = if (is.null(x$Names) || is.na(x$Names)) as.character(seq_len(x$Length)) else x$Names,
99 : feinerer 987 SIMPLIFY = FALSE)
100 : feinerer 946 else {
101 :     counter <- 1
102 : feinerer 985 while (!eoi(x)) {
103 :     x <- stepNext(x)
104 :     elem <- getElem(x)
105 : feinerer 1258 id <- if (is.null(x$Names) || is.na(x$Names))
106 :     as.character(counter)
107 :     else
108 :     x$Names[counter]
109 :     doc <- readerControl$reader(elem, readerControl$language, id)
110 : feinerer 985 if (x$Length > 0)
111 : feinerer 946 tdl[[counter]] <- doc
112 :     else
113 :     tdl <- c(tdl, list(doc))
114 :     counter <- counter + 1
115 :     }
116 :     }
117 : feinerer 1261 if (!is.null(x$Names) && !is.na(x$Names))
118 :     names(tdl) <- x$Names
119 : feinerer 946 df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
120 : feinerer 985 .VCorpus(tdl, .MetaDataNode(), df)
121 :     }
122 : feinerer 72
123 : khornik 1203 `[.PCorpus` <-
124 :     function(x, i)
125 :     {
126 : feinerer 985 if (missing(i)) return(x)
127 :     index <- attr(x, "DMetaData")[[1 , "subset"]]
128 :     attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
129 :     dmeta <- attr(x, "DMetaData")
130 : feinerer 995 .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
131 : feinerer 946 }
132 : feinerer 72
133 : khornik 1203 `[.VCorpus` <-
134 :     function(x, i)
135 :     {
136 : feinerer 985 if (missing(i)) return(x)
137 : feinerer 995 .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
138 : feinerer 985 }
139 : feinerer 49
140 : khornik 1203 `[<-.PCorpus` <-
141 :     function(x, i, value)
142 :     {
143 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
144 :     counter <- 1
145 :     for (id in unclass(x)[i]) {
146 : feinerer 1025 if (identical(length(value), 1L)) db[[id]] <- value
147 : feinerer 985 else db[[id]] <- value[[counter]]
148 :     counter <- counter + 1
149 : feinerer 829 }
150 : feinerer 985 x
151 : feinerer 828 }
152 :    
153 : khornik 1203 .map_name_index <-
154 :     function(x, i)
155 :     {
156 : feinerer 1108 if (is.character(i)) {
157 :     if (is.null(names(x)))
158 :     match(i, meta(x, "ID", type = "local"))
159 :     else
160 :     match(i, names(x))
161 :     }
162 :     i
163 :     }
164 :    
165 : khornik 1203 `[[.PCorpus` <-
166 :     function(x, i)
167 :     {
168 : feinerer 1108 i <- .map_name_index(x, i)
169 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
170 : feinerer 995 filehash::dbFetch(db, NextMethod("[["))
171 : feinerer 985 }
172 : khornik 1203 `[[.VCorpus` <-
173 :     function(x, i)
174 :     {
175 : feinerer 1108 i <- .map_name_index(x, i)
176 : feinerer 985 lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
177 :     if (!is.null(lazyTmMap))
178 :     .Call("copyCorpus", x, materialize(x, i))
179 : feinerer 995 NextMethod("[[")
180 : feinerer 985 }
181 : feinerer 886
182 : khornik 1203 `[[<-.PCorpus` <-
183 :     function(x, i, value)
184 :     {
185 : feinerer 1108 i <- .map_name_index(x, i)
186 : feinerer 985 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
187 :     index <- unclass(x)[[i]]
188 :     db[[index]] <- value
189 :     x
190 : feinerer 946 }
191 : khornik 1203 `[[<-.VCorpus` <-
192 :     function(x, i, value)
193 :     {
194 : feinerer 1108 i <- .map_name_index(x, i)
195 : feinerer 985 # Mark new objects as not active for lazy mapping
196 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
197 :     if (!is.null(lazyTmMap)) {
198 :     lazyTmMap$index[i] <- FALSE
199 :     meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
200 :     }
201 :     # Set the value
202 :     cl <- class(x)
203 : feinerer 995 y <- NextMethod("[[<-")
204 :     class(y) <- cl
205 :     y
206 : feinerer 985 }
207 : feinerer 946
208 : feinerer 1004 # Update NodeIDs of a CMetaData tree
209 : khornik 1203 .update_id <-
210 :     function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
211 :     {
212 : feinerer 1004 # Traversal of (binary) CMetaData tree with setup of NodeIDs
213 : feinerer 985 set_id <- function(x) {
214 : feinerer 988 x$NodeID <- id
215 : feinerer 697 id <<- id + 1
216 :     level <<- level + 1
217 : feinerer 1285 if (length(x$Children)) {
218 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
219 :     left <- set_id(x$Children[[1]])
220 : feinerer 697 if (level == 1) {
221 :     left.mapping <<- mapping
222 :     mapping <<- NULL
223 :     }
224 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
225 :     right <- set_id(x$Children[[2]])
226 : feinerer 71
227 : feinerer 988 x$Children <- list(left, right)
228 : feinerer 71 }
229 : feinerer 697 level <<- level - 1
230 : feinerer 985 x
231 : feinerer 71 }
232 : feinerer 985 list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
233 : feinerer 71 }
234 :    
235 : feinerer 1004 # Find indices to be updated for a CMetaData tree
236 : khornik 1203 .find_indices <-
237 :     function(x)
238 :     {
239 : feinerer 1004 indices.mapping <- NULL
240 :     for (m in levels(as.factor(DMetaData(x)$MetaID))) {
241 :     indices <- (DMetaData(x)$MetaID == m)
242 :     indices.mapping <- c(indices.mapping, list(m = indices))
243 :     names(indices.mapping)[length(indices.mapping)] <- m
244 :     }
245 :     indices.mapping
246 :     }
247 :    
248 : khornik 1203 c2 <-
249 :     function(x, y, ...)
250 :     {
251 : feinerer 985 # Update the CMetaData tree
252 :     cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
253 : feinerer 1004 update.struct <- .update_id(cmeta)
254 : feinerer 71
255 : feinerer 985 new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
256 : feinerer 720
257 : feinerer 985 # Find indices to be updated for the left tree
258 : feinerer 1004 indices.mapping <- .find_indices(x)
259 : feinerer 958
260 : feinerer 985 # Update the DMetaData data frames for the left tree
261 :     for (i in 1:ncol(update.struct$left.mapping)) {
262 :     map <- update.struct$left.mapping[,i]
263 :     DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
264 :     }
265 : feinerer 689
266 : feinerer 985 # Find indices to be updated for the right tree
267 : feinerer 1004 indices.mapping <- .find_indices(y)
268 : feinerer 71
269 : feinerer 985 # Update the DMetaData data frames for the right tree
270 :     for (i in 1:ncol(update.struct$right.mapping)) {
271 :     map <- update.struct$right.mapping[,i]
272 :     DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
273 :     }
274 : feinerer 71
275 : feinerer 985 # Merge the DMetaData data frames
276 :     labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
277 : khornik 1203 na.matrix <- matrix(NA,
278 :     nrow = nrow(DMetaData(x)),
279 :     ncol = length(labels),
280 :     dimnames = list(row.names(DMetaData(x)), labels))
281 : feinerer 985 x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
282 :     labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
283 : khornik 1203 na.matrix <- matrix(NA,
284 :     nrow = nrow(DMetaData(y)),
285 :     ncol = length(labels),
286 :     dimnames = list(row.names(DMetaData(y)), labels))
287 : feinerer 985 y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
288 :     DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
289 : feinerer 71
290 : feinerer 985 new
291 :     }
292 : feinerer 71
293 : feinerer 985 c.Corpus <-
294 : khornik 1203 function(..., recursive = FALSE)
295 : feinerer 985 {
296 :     args <- list(...)
297 : khornik 1203 x <- args[[1L]]
298 : feinerer 71
299 : khornik 1203 if(length(args) == 1L)
300 : feinerer 985 return(x)
301 : feinerer 71
302 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
303 :     stop("not all arguments are of the same corpus type")
304 : feinerer 71
305 : feinerer 985 if (inherits(x, "PCorpus"))
306 :     stop("concatenation of corpora with underlying databases is not supported")
307 : feinerer 689
308 : feinerer 1095 if (recursive)
309 : khornik 1203 Reduce(c2, args)
310 : feinerer 1095 else {
311 : khornik 1203 args <- do.call("c", lapply(args, unclass))
312 :     .VCorpus(args,
313 : feinerer 1095 cmeta = .MetaDataNode(),
314 : khornik 1203 dmeta = data.frame(MetaID = rep(0, length(args)),
315 :     stringsAsFactors = FALSE))
316 : feinerer 1095 }
317 : feinerer 985 }
318 : feinerer 54
319 : khornik 1203 c.TextDocument <-
320 :     function(..., recursive = FALSE)
321 :     {
322 : feinerer 985 args <- list(...)
323 : khornik 1203 x <- args[[1L]]
324 : feinerer 72
325 : khornik 1203 if(length(args) == 1L)
326 : feinerer 985 return(x)
327 : feinerer 72
328 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
329 :     stop("not all arguments are text documents")
330 : feinerer 54
331 : khornik 1203 dmeta <- data.frame(MetaID = rep(0, length(args)),
332 :     stringsAsFactors = FALSE)
333 :     .VCorpus(args, .MetaDataNode(), dmeta)
334 : feinerer 985 }
335 : feinerer 55
336 : khornik 1203 print.Corpus <-
337 :     function(x, ...)
338 :     {
339 : feinerer 985 cat(sprintf(ngettext(length(x),
340 :     "A corpus with %d text document\n",
341 :     "A corpus with %d text documents\n"),
342 :     length(x)))
343 :     invisible(x)
344 :     }
345 :    
346 : khornik 1203 summary.Corpus <-
347 :     function(object, ...)
348 :     {
349 : feinerer 988 print(object)
350 : feinerer 1285 if (length(DMetaData(object))) {
351 : feinerer 988 cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
352 : feinerer 985 "\nThe metadata consists of %d tag-value pair and a data frame\n",
353 :     "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
354 : feinerer 988 length(CMetaData(object)$MetaData)))
355 : feinerer 985 cat("Available tags are:\n")
356 : feinerer 988 cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
357 : feinerer 985 cat("Available variables in the data frame are:\n")
358 : feinerer 988 cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
359 : feinerer 985 }
360 :     }
361 :    
362 : khornik 1203 inspect <-
363 :     function(x)
364 :     UseMethod("inspect", x)
365 :     inspect.PCorpus <-
366 :     function(x)
367 :     {
368 : feinerer 938 summary(x)
369 :     cat("\n")
370 : feinerer 946 db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
371 :     show(filehash::dbMultiFetch(db, unlist(x)))
372 : feinerer 938 }
373 : khornik 1203 inspect.VCorpus <-
374 :     function(x)
375 :     {
376 : feinerer 946 summary(x)
377 :     cat("\n")
378 :     print(noquote(lapply(x, identity)))
379 :     }
380 : feinerer 65
381 : khornik 1203 lapply.PCorpus <-
382 :     function(X, FUN, ...)
383 :     {
384 : feinerer 985 db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
385 :     lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
386 :     }
387 : khornik 1203 lapply.VCorpus <-
388 :     function(X, FUN, ...)
389 :     {
390 : feinerer 985 lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
391 :     if (!is.null(lazyTmMap))
392 :     .Call("copyCorpus", X, materialize(X))
393 :     base::lapply(X, FUN, ...)
394 :     }
395 : feinerer 719
396 : khornik 1203 writeCorpus <-
397 :     function(x, path = ".", filenames = NULL)
398 :     {
399 : feinerer 985 filenames <- file.path(path,
400 :     if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
401 :     else filenames)
402 :     i <- 1
403 :     for (o in x) {
404 :     writeLines(as.PlainTextDocument(o), filenames[i])
405 :     i <- i + 1
406 : feinerer 836 }
407 : feinerer 985 }

root@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