Annotation of /pkg/R/corpus.R

Parent Directory | 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	}

---

R-Forge@R-project.org	ViewVC Help
Powered by ViewVC 1.0.0