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 1313 - (view) (download)

1 : feinerer 17 # Author: Ingo Feinerer
2 :    
3 : khornik 1203 PCorpus <-
4 :     function(x,
5 : feinerer 1306 readerControl = list(reader = x$defaultreader, language = "en"),
6 : feinerer 1259 dbControl = list(dbName = "", dbType = "DB1"))
7 : khornik 1203 {
8 : feinerer 1297 stopifnot(inherits(x, "Source"))
9 : feinerer 1273
10 : feinerer 1306 readerControl <- prepareReader(readerControl, x$defaultreader)
11 : feinerer 63
12 : feinerer 1114 if (is.function(readerControl$init))
13 :     readerControl$init()
14 :    
15 :     if (is.function(readerControl$exit))
16 :     on.exit(readerControl$exit())
17 :    
18 : feinerer 946 if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19 :     stop("error in creating database")
20 :     db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21 : feinerer 712
22 : feinerer 946 # Allocate memory in advance if length is known
23 : feinerer 1306 tdl <- if (x$length > 0)
24 :     vector("list", as.integer(x$length))
25 : feinerer 946 else
26 :     list()
27 : feinerer 869
28 : feinerer 946 counter <- 1
29 : feinerer 985 while (!eoi(x)) {
30 :     x <- stepNext(x)
31 :     elem <- getElem(x)
32 : feinerer 1306 id <- if (is.null(x$names) || is.na(x$names))
33 : feinerer 1307 as.character(counter)
34 :     else
35 :     x$names[counter]
36 : feinerer 1259 doc <- readerControl$reader(elem, readerControl$language, id)
37 : feinerer 1306 filehash::dbInsert(db, meta(doc, "id"), doc)
38 :     if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
39 :     else tdl <- c(tdl, meta(doc, "id"))
40 : feinerer 946 counter <- counter + 1
41 :     }
42 : feinerer 1306 if (!is.null(x$names) && !is.na(x$names))
43 :     names(tdl) <- x$names
44 : feinerer 63
45 : feinerer 1312 structure(list(content = tdl,
46 :     meta = CorpusMeta(),
47 :     dmeta = data.frame(row.names = seq_along(tdl)),
48 :     dbcontrol = dbControl),
49 :     class = c("PCorpus", "Corpus"))
50 : feinerer 985 }
51 : feinerer 71
52 : feinerer 1312 VCorpus <- Corpus <-
53 : feinerer 1306 function(x, readerControl = list(reader = x$defaultreader, language = "en"))
54 : khornik 1203 {
55 : feinerer 1297 stopifnot(inherits(x, "Source"))
56 : feinerer 1273
57 : feinerer 1306 readerControl <- prepareReader(readerControl, x$defaultreader)
58 : feinerer 49
59 : feinerer 1114 if (is.function(readerControl$init))
60 :     readerControl$init()
61 :    
62 :     if (is.function(readerControl$exit))
63 :     on.exit(readerControl$exit())
64 :    
65 : feinerer 946 # Allocate memory in advance if length is known
66 : feinerer 1306 tdl <- if (x$length > 0)
67 :     vector("list", as.integer(x$length))
68 : feinerer 946 else
69 :     list()
70 : feinerer 72
71 : feinerer 1306 if (x$vectorized)
72 : feinerer 1307 tdl <- mapply(function(elem, id)
73 :     readerControl$reader(elem, readerControl$language, id),
74 : feinerer 987 pGetElem(x),
75 : feinerer 1307 id = if (is.null(x$names) || is.na(x$names))
76 :     as.character(seq_len(x$length))
77 :     else x$names,
78 : feinerer 987 SIMPLIFY = FALSE)
79 : feinerer 946 else {
80 :     counter <- 1
81 : feinerer 985 while (!eoi(x)) {
82 :     x <- stepNext(x)
83 :     elem <- getElem(x)
84 : feinerer 1306 id <- if (is.null(x$names) || is.na(x$names))
85 : feinerer 1258 as.character(counter)
86 :     else
87 : feinerer 1306 x$names[counter]
88 : feinerer 1258 doc <- readerControl$reader(elem, readerControl$language, id)
89 : feinerer 1306 if (x$length > 0)
90 : feinerer 946 tdl[[counter]] <- doc
91 :     else
92 :     tdl <- c(tdl, list(doc))
93 :     counter <- counter + 1
94 :     }
95 :     }
96 : feinerer 1306 if (!is.null(x$names) && !is.na(x$names))
97 :     names(tdl) <- x$names
98 : feinerer 72
99 : feinerer 1312 structure(list(content = tdl,
100 :     meta = CorpusMeta(),
101 :     dmeta = data.frame(row.names = seq_along(tdl))),
102 :     class = c("VCorpus", "Corpus"))
103 : feinerer 946 }
104 : feinerer 72
105 : feinerer 1312 `[.PCorpus` <- `[.VCorpus` <-
106 : khornik 1203 function(x, i)
107 :     {
108 : feinerer 1307 if (!missing(i)) {
109 :     x$content <- x$content[i]
110 :     x$dmeta <- x$dmeta[i, , drop = FALSE]
111 :     }
112 :     x
113 : feinerer 985 }
114 : feinerer 49
115 : khornik 1203 .map_name_index <-
116 :     function(x, i)
117 :     {
118 : feinerer 1307 if (is.character(i))
119 :     match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
120 :     else
121 :     i
122 : feinerer 1108 }
123 :    
124 : khornik 1203 `[[.PCorpus` <-
125 :     function(x, i)
126 :     {
127 : feinerer 1108 i <- .map_name_index(x, i)
128 : feinerer 1307 db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
129 :     filehash::dbFetch(db, x$content[[i]])
130 : feinerer 985 }
131 : khornik 1203 `[[.VCorpus` <-
132 :     function(x, i)
133 :     {
134 : feinerer 1108 i <- .map_name_index(x, i)
135 : feinerer 985 lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
136 :     if (!is.null(lazyTmMap))
137 :     .Call("copyCorpus", x, materialize(x, i))
138 : feinerer 1307 x$content[[i]]
139 : feinerer 985 }
140 : feinerer 886
141 : khornik 1203 `[[<-.PCorpus` <-
142 :     function(x, i, value)
143 :     {
144 : feinerer 1108 i <- .map_name_index(x, i)
145 : feinerer 1307 db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
146 :     db[[x$content[[i]]]] <- value
147 : feinerer 985 x
148 : feinerer 946 }
149 : khornik 1203 `[[<-.VCorpus` <-
150 :     function(x, i, value)
151 :     {
152 : feinerer 1108 i <- .map_name_index(x, i)
153 : feinerer 985 # Mark new objects as not active for lazy mapping
154 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
155 :     if (!is.null(lazyTmMap)) {
156 :     lazyTmMap$index[i] <- FALSE
157 :     meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
158 :     }
159 : feinerer 1307 x$content[[i]] <- value
160 :     x
161 : feinerer 985 }
162 : feinerer 946
163 : feinerer 1004 # Update NodeIDs of a CMetaData tree
164 : khornik 1203 .update_id <-
165 :     function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
166 :     {
167 : feinerer 1004 # Traversal of (binary) CMetaData tree with setup of NodeIDs
168 : feinerer 985 set_id <- function(x) {
169 : feinerer 988 x$NodeID <- id
170 : feinerer 697 id <<- id + 1
171 :     level <<- level + 1
172 : feinerer 1285 if (length(x$Children)) {
173 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
174 :     left <- set_id(x$Children[[1]])
175 : feinerer 697 if (level == 1) {
176 :     left.mapping <<- mapping
177 :     mapping <<- NULL
178 :     }
179 : feinerer 988 mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
180 :     right <- set_id(x$Children[[2]])
181 : feinerer 71
182 : feinerer 988 x$Children <- list(left, right)
183 : feinerer 71 }
184 : feinerer 697 level <<- level - 1
185 : feinerer 985 x
186 : feinerer 71 }
187 : feinerer 985 list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
188 : feinerer 71 }
189 :    
190 : feinerer 1004 # Find indices to be updated for a CMetaData tree
191 : khornik 1203 .find_indices <-
192 :     function(x)
193 :     {
194 : feinerer 1004 indices.mapping <- NULL
195 : feinerer 1307 for (m in levels(as.factor(CorpusDMeta(x)$MetaID))) {
196 :     indices <- (CorpusDMeta(x)$MetaID == m)
197 : feinerer 1004 indices.mapping <- c(indices.mapping, list(m = indices))
198 :     names(indices.mapping)[length(indices.mapping)] <- m
199 :     }
200 :     indices.mapping
201 :     }
202 :    
203 : feinerer 1307 #c2 <-
204 :     #function(x, y, ...)
205 :     #{
206 :     # # Update the CMetaData tree
207 :     # cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
208 :     # update.struct <- .update_id(cmeta)
209 :     #
210 :     # new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
211 :     #
212 :     # # Find indices to be updated for the left tree
213 :     # indices.mapping <- .find_indices(x)
214 :     #
215 :     # # Update the CorpusDMeta data frames for the left tree
216 :     # for (i in 1:ncol(update.struct$left.mapping)) {
217 :     # map <- update.struct$left.mapping[,i]
218 :     # DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
219 :     # }
220 :     #
221 :     # # Find indices to be updated for the right tree
222 :     # indices.mapping <- .find_indices(y)
223 :     #
224 :     # # Update the CorpusDMeta data frames for the right tree
225 :     # for (i in 1:ncol(update.struct$right.mapping)) {
226 :     # map <- update.struct$right.mapping[,i]
227 :     # DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
228 :     # }
229 :     #
230 :     # # Merge the CorpusDMeta data frames
231 :     # labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
232 :     # na.matrix <- matrix(NA,
233 :     # nrow = nrow(DMetaData(x)),
234 :     # ncol = length(labels),
235 :     # dimnames = list(row.names(DMetaData(x)), labels))
236 :     # x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
237 :     # labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
238 :     # na.matrix <- matrix(NA,
239 :     # nrow = nrow(DMetaData(y)),
240 :     # ncol = length(labels),
241 :     # dimnames = list(row.names(DMetaData(y)), labels))
242 :     # y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
243 :     # DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
244 :     #
245 :     # new
246 :     #}
247 : feinerer 71
248 : feinerer 1313 c.VCorpus <-
249 : khornik 1203 function(..., recursive = FALSE)
250 : feinerer 985 {
251 :     args <- list(...)
252 : khornik 1203 x <- args[[1L]]
253 : feinerer 71
254 : feinerer 1313 if (length(args) == 1L)
255 : feinerer 985 return(x)
256 : feinerer 71
257 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
258 :     stop("not all arguments are of the same corpus type")
259 : feinerer 71
260 : feinerer 1095 if (recursive)
261 : khornik 1203 Reduce(c2, args)
262 : feinerer 1095 else {
263 : feinerer 1308 args <- do.call("c", lapply(args, content))
264 : feinerer 1313 structure(list(content = args,
265 :     meta = CorpusMeta(),
266 :     dmeta = data.frame(row.names = seq_along(args))),
267 :     class = c("VCorpus", "Corpus"))
268 : feinerer 1095 }
269 : feinerer 985 }
270 : feinerer 54
271 : khornik 1203 c.TextDocument <-
272 :     function(..., recursive = FALSE)
273 :     {
274 : feinerer 985 args <- list(...)
275 : khornik 1203 x <- args[[1L]]
276 : feinerer 72
277 : feinerer 1313 if (length(args) == 1L)
278 : feinerer 985 return(x)
279 : feinerer 72
280 : feinerer 985 if (!all(unlist(lapply(args, inherits, class(x)))))
281 :     stop("not all arguments are text documents")
282 : feinerer 54
283 : feinerer 1313 structure(list(content = args,
284 :     meta = CorpusMeta(),
285 :     dmeta = data.frame(row.names = seq_along(args))),
286 :     class = c("VCorpus", "Corpus"))
287 : feinerer 985 }
288 : feinerer 55
289 : feinerer 1313 as.list.PCorpus <- as.list.VCorpus <-
290 :     function(x, ...)
291 :     content(x)
292 :    
293 :     content.VCorpus <-
294 : feinerer 1307 function(x)
295 : feinerer 1313 {
296 :     lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
297 :     if (!is.null(lazyTmMap))
298 :     .Call("copyCorpus", x, materialize(x))
299 : feinerer 1307 x$content
300 : feinerer 1313 }
301 : feinerer 1307
302 : feinerer 1313 content.PCorpus <-
303 :     function(x)
304 : feinerer 1307 {
305 : feinerer 1313 db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
306 :     filehash::dbMultiFetch(db, unlist(x$content))
307 : feinerer 1307 }
308 :    
309 : feinerer 1313 length.PCorpus <- length.VCorpus <-
310 : feinerer 1307 function(x)
311 : feinerer 1313 length(x$content)
312 : feinerer 1307
313 : feinerer 1313 print.PCorpus <- print.VCorpus <-
314 : khornik 1203 function(x, ...)
315 :     {
316 : feinerer 985 cat(sprintf(ngettext(length(x),
317 : feinerer 1307 "A corpus with %d text document\n\n",
318 :     "A corpus with %d text documents\n\n"),
319 : feinerer 985 length(x)))
320 : feinerer 1307
321 : feinerer 1312 meta <- meta(x, type = "corpus")
322 : feinerer 1307 dmeta <- meta(x, type = "indexed")
323 :    
324 :     cat("Metadata:\n")
325 :     cat(sprintf(" Tag-value pairs. Tags: %s\n",
326 :     paste(names(meta), collapse = " ")))
327 :     cat(" Data frame. Variables:", colnames(dmeta), "\n")
328 :    
329 : feinerer 985 invisible(x)
330 :     }
331 :    
332 : khornik 1203 inspect <-
333 :     function(x)
334 :     UseMethod("inspect", x)
335 : feinerer 1313 inspect.PCorpus <- inspect.VCorpus <-
336 : khornik 1203 function(x)
337 :     {
338 : feinerer 1307 print(x)
339 : feinerer 938 cat("\n")
340 : feinerer 1307 print(noquote(content(x)))
341 :     invisible(x)
342 : feinerer 946 }
343 : feinerer 65
344 : khornik 1203 writeCorpus <-
345 :     function(x, path = ".", filenames = NULL)
346 :     {
347 : feinerer 985 filenames <- file.path(path,
348 : feinerer 1306 if (is.null(filenames))
349 :     sprintf("%s.txt", as.character(meta(x, "id", "local")))
350 :     else filenames)
351 :    
352 :     stopifnot(length(x) == length(filenames))
353 :    
354 :     mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
355 :    
356 :     invisible(x)
357 : 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