SCM

SCM Repository

[tm] Diff of /pkg/R/corpus.R
ViewVC logotype

Diff of /pkg/R/corpus.R

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

trunk/R/textmin/R/textdoccol.R revision 57, Sun Sep 24 14:27:54 2006 UTC pkg/R/corpus.R revision 1114, Fri Nov 26 14:05:54 2010 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("TextDocCol", function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) standardGeneric("TextDocCol"))  .PCorpus <- function(x, cmeta, dmeta, dbcontrol) {
4  setMethod("TextDocCol",      attr(x, "CMetaData") <- cmeta
5            c("character"),      attr(x, "DMetaData") <- dmeta
6            function(object, inputType = "PLAIN", stripWhiteSpace = FALSE, toLower = FALSE) {      attr(x, "DBControl") <- dbcontrol
7                # Add a new type for each unique input source format      class(x) <- c("PCorpus", "Corpus", "list")
8                type <- match.arg(inputType,c("PLAIN", "CSV", "RCV1", "REUT21578", "REUT21578_XML", "NEWSGROUP", "RIS"))      x
9                switch(type,  }
10                       # Plain text  DBControl <- function(x) attr(x, "DBControl")
                      "PLAIN" = {  
                          filelist <- dir(object, full.names = TRUE)  
                          filenameIDs <- list(FileNames = filelist, IDs = 1:length(filelist))  
                          tdl <- sapply(filelist,  
                                        function(file, FileNameIDs = filenameIDs) {  
                                            id <- FileNameIDs$IDs[grep(file, FileNameIDs$FileNames)]  
                                            origin <- dirname(file)  
                                            new("PlainTextDocument", FileName = file, Cached = 0, Author = "Unknown", DateTimeStamp = date(),  
                                                Description = "", ID = id, Origin = origin, Heading = "")  
                                        })  
                          tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Text in a special CSV format  
                      # For details on the file format see the R documentation file  
                      # The first argument is a directory with .csv files  
                      "CSV" = {  
                          filelist <- dir(object, pattern = "\\.csv", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            m <- as.matrix(read.csv(file, header = FALSE))  
                                            l <- vector("list", dim(m)[1])  
                                            for (i in 1:dim(m)[1]) {  
                                                author <- ""  
                                                datetimestamp <- date()  
                                                description <- ""  
                                                id <- as.integer(m[i,1])  
                                                corpus <- as.character(m[i,2:dim(m)[2]])  
                                                if (stripWhiteSpace)  
                                                    corpus <- gsub("[[:space:]]+", " ", corpus)  
                                                if (toLower)  
                                                    corpus <- tolower(corpus)  
                                                origin <- "CSV"  
                                                heading <- ""  
   
                                                l[[i]] <- new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
                                                              Description = description, ID = id, Origin = origin, Heading = heading)  
                                            }  
                                            l  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format  
                      # The first argument is a directory with the RCV1 XML files  
                      "RCV1" = {  
                          filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseNewsItemPlain, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in text documents in Reuters-21578 XML (not SGML) format  
                      # Typically the first argument will be a directory where we can  
                      # find the files reut2-000.xml ... reut2-021.xml  
                      "REUT21578" = {  
                          filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseReutersPlain, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      "REUT21578_XML" = {  
                          filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            parseReutersXML(file)  
                                        })  
                          tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      "NEWSGROUP" = {  
                          filelist <- dir(object, full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            parseMail(file)  
                                        })  
                          new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in HTML documents as used by http://ris.bka.gv.at/vwgh  
                      "RIS" = {  
                          filelist <- dir(object, pattern = "\\..html", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            # Ignore warnings from misformed HTML documents  
                                            suppressWarnings(RISDoc <- parseRISPlain(file, stripWhiteSpace, toLower))  
                                            if (!is.null(RISDoc)) {  
                                                l <- list()  
                                                l[[length(l) + 1]] <- RISDoc  
                                                l  
                                            }  
                                        })  
                          tdcl <- new("TextDocCol", .Data = tdl)  
                      })  
               tdcl  
           })  
   
 # Parse an Austrian RIS HTML document  
 parseRISPlain <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- ""  
     datetimestamp <- date()  
     description <- ""  
   
     tree <- htmlTreeParse(file)  
     htmlElem <- unlist(tree$children$html$children)  
   
     if (is.null(htmlElem))  
         stop(paste("Empty document", file, "cannot be processed."))  
   
     textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  
     names(textElem) <- NULL  
   
     corpus <- paste(textElem, collapse = " ")  
   
     year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)  
     senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)  
     number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)  
   
     id <- as.integer(paste(year, senat, number, sep = ""))  
   
     if (is.na(id))  
         stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  
     origin <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- ""  
   
     new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading)  
 }  
   
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 parseNewsItemPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- "Not yet implemented"  
     datetimestamp <- xmlAttrs(node)[["date"]]  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["itemid"]])  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- xmlValue(node[["title"]])  
   
     new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading)  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReutersPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
11    
12      datetimestamp <- xmlValue(node[["DATE"]])  PCorpus <- function(x,
13      description <- ""                      readerControl = list(reader = x$DefaultReader, language = "en"),
14      id <- as.integer(xmlAttrs(node)[["NEWID"]])                      dbControl = list(dbName = "", dbType = "DB1"),
15                        ...) {
16        readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
17    
18      origin <- "Reuters-21578 XML"      if (is.function(readerControl$init))
19            readerControl$init()
20    
21      # The <BODY></BODY> tag is unfortunately NOT obligatory!      if (is.function(readerControl$exit))
22      if (!is.null(node[["TEXT"]][["BODY"]]))          on.exit(readerControl$exit())
23          corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
24      else      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
25          corpus <- ""          stop("error in creating database")
26        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
27    
28      if (stripWhiteSpace)      # Allocate memory in advance if length is known
29          corpus <- gsub("[[:space:]]+", " ", corpus)      tdl <- if (x$Length > 0)
30      if (toLower)          vector("list", as.integer(x$Length))
         corpus <- tolower(corpus)  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
31      else      else
32          heading <- ""          list()
33    
34        counter <- 1
35        while (!eoi(x)) {
36            x <- stepNext(x)
37            elem <- getElem(x)
38            doc <- readerControl$reader(elem, readerControl$language, if (is.null(x$Names)) as.character(counter) else x$Names[counter])
39            filehash::dbInsert(db, ID(doc), doc)
40            if (x$Length > 0) tdl[[counter]] <- ID(doc)
41            else tdl <- c(tdl, ID(doc))
42            counter <- counter + 1
43        }
44        names(tdl) <- x$Names
45    
46      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
47        filehash::dbInsert(db, "DMetaData", df)
48        dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
49    
50      new("PlainTextDocument", .Data = corpus, Cached = 1, Author = author, DateTimeStamp = datetimestamp,      .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
51  }  }
52    
53  # Set up metadata for a well-formed Reuters-21578 XML file  .VCorpus <- function(x, cmeta, dmeta) {
54  parseReutersXML<- function(file) {      attr(x, "CMetaData") <- cmeta
55      new("XMLTextDocument", FileName = file, Cached = 0, Author = "REUTERS", DateTimeStamp = date(),      attr(x, "DMetaData") <- dmeta
56          Description = "Reuters21578 file containing several news articles", ID = as.integer(0),      class(x) <- c("VCorpus", "Corpus", "list")
57          Origin = "Reuters-21578 XML", Heading = "Reuters21578 news articles")      x
58  }  }
59    
60  parseMail <- function(file) {  # Register S3 corpus classes to be recognized by S4 methods. This is
61      mail <- readLines(file)  # mainly a fix to be compatible with packages which were originally
62      author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  # developed to cooperate with corresponding S4 tm classes. Necessary
63      datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  # since tm's class architecture was changed to S3 since tm version 0.5.
64      id <- as.integer(file)  setOldClass(c("VCorpus", "Corpus", "list"))
65      origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  
66      heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))  # The "..." are additional arguments for the FunctionGenerator reader
67      newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))  VCorpus <- Corpus <- function(x,
68                                  readerControl = list(reader = x$DefaultReader, language = "en"),
69      new("NewsgroupDocument", FileName = file, Cached = 0, Author = author, DateTimeStamp = datetimestamp,                                ...) {
70          Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)      readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
71  }  
72        if (is.function(readerControl$init))
73  setGeneric("loadFileIntoMem", function(object, ...) standardGeneric("loadFileIntoMem"))          readerControl$init()
74  setMethod("loadFileIntoMem",  
75            c("PlainTextDocument"),      if (is.function(readerControl$exit))
76            function(object, ...) {          on.exit(readerControl$exit())
               if (Cached(object) == 0) {  
                   corpus <- readLines(FileName(object))  
                   Corpus(object) <- corpus  
                   Cached(object) <- 1  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           c("XMLTextDocument"),  
           function(object, ...) {  
               if (Cached(object) == 0) {  
                   file <- FileName(object)  
                   doc <- xmlTreeParse(file)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- 1  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           c("NewsgroupDocument"),  
           function(object, ...) {  
               if (Cached(object) == 0) {  
                   mail <- readLines(FileName(object))  
                   Cached(object) <- 1  
                   index <- grep("^Lines:", mail)  
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
   
 setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  
 setMethod("tm_transform",  
           c("TextDocCol"),  
           function(object, FUN, ...) {  
               result <- as(lapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object)), "TextDocCol")  
               result@GlobalMetaData <- GlobalMetaData(object)  
               return(result)  
           })  
   
 setGeneric("toPlainTextDocument", function(object, FUN, ...) standardGeneric("toPlainTextDocument"))  
 setMethod("toPlainTextDocument",  
           c("PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("toPlainTextDocument",  
           c("XMLTextDocument"),  
           function(object, FUN, ...) {  
               if (Cached(object) == 0)  
                   object <- loadFileIntoMem(object)  
   
               corpus <- Corpus(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(xmlApply(xmlRoot(corpus), FUN, ...))  
           })  
   
 setGeneric("stemTextDocument", function(object, ...) standardGeneric("stemTextDocument"))  
 setMethod("stemTextDocument",  
           c("PlainTextDocument"),  
           function(object) {  
               if (Cached(object) == 0)  
                   object <- loadFileIntoMem(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("removeStopWords", function(object, stopwords, ...) standardGeneric("removeStopWords"))  
 setMethod("removeStopWords",  
           c("PlainTextDocument", "character"),  
           function(object, stopwords) {  
               if (Cached(object) == 0)  
                   object <- loadFileIntoMem(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("tm_filter", function(object, FUN, ...) standardGeneric("tm_filter"))  
 setMethod("tm_filter",  
           c("TextDocCol"),  
           function(object, FUN, ...) {  
               sapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object))  
           })  
   
 setGeneric("filterREUT21578Topics", function(object, topics, ...) standardGeneric("filterREUT21578Topics"))  
 setMethod("filterREUT21578Topics",  
           c("PlainTextDocument", "character"),  
           function(object, topics) {  
               if (Cached(object) == 0)  
                   object <- loadFileIntoMem(object)  
77    
78                if (any(LocalMetaData(object)$Topics %in% topics))      # Allocate memory in advance if length is known
79                    return(TRUE)      tdl <- if (x$Length > 0)
80            vector("list", as.integer(x$Length))
81                else                else
82                    return(FALSE)          list()
           })  
83    
84  setGeneric("filterIDs", function(object, IDs, ...) standardGeneric("filterIDs"))      if (x$Vectorized)
85  setMethod("filterIDs",          tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
86            c("TextDocument", "numeric"),                        pGetElem(x),
87            function(object, IDs) {                        id = if (is.null(x$Names)) as.character(seq_len(x$Length)) else x$Names,
88                if (ID(object) %in% IDs)                        SIMPLIFY = FALSE)
89                    return(TRUE)      else {
90            counter <- 1
91            while (!eoi(x)) {
92                x <- stepNext(x)
93                elem <- getElem(x)
94                doc <- readerControl$reader(elem, readerControl$language, if (is.null(x$Names)) as.character(counter) else x$Names[counter])
95                if (x$Length > 0)
96                    tdl[[counter]] <- doc
97                else                else
98                    return(FALSE)                  tdl <- c(tdl, list(doc))
99            })              counter <- counter + 1
100            }
101        }
102        names(tdl) <- x$Names
103        df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
104        .VCorpus(tdl, .MetaDataNode(), df)
105    }
106    
107    `[.PCorpus` <- function(x, i) {
108        if (missing(i)) return(x)
109        index <- attr(x, "DMetaData")[[1 , "subset"]]
110        attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
111        dmeta <- attr(x, "DMetaData")
112        .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
113    }
114    
115    `[.VCorpus` <- function(x, i) {
116        if (missing(i)) return(x)
117        .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
118    }
119    
120  setGeneric("attachData", function(object, data) standardGeneric("attachData"))  `[<-.PCorpus` <- function(x, i, value) {
121  setMethod("attachData",      db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
122            c("TextDocCol","TextDocument"),      counter <- 1
123            function(object, data) {      for (id in unclass(x)[i]) {
124                data <- as(list(data), "TextDocCol")          if (identical(length(value), 1L)) db[[id]] <- value
125                object@.Data <- as(c(object@.Data, data), "TextDocCol")          else db[[id]] <- value[[counter]]
126                return(object)          counter <- counter + 1
127            })      }
128        x
129  setGeneric("attachMetaData", function(object, name, metadata) standardGeneric("attachMetaData"))  }
130  setMethod("attachMetaData",  
131            c("TextDocCol"),  .map_name_index <- function(x, i) {
132            function(object, name, metadata) {      if (is.character(i)) {
133                object@GlobalMetaData <- c(GlobalMetaData(object), new = list(metadata))          if (is.null(names(x)))
134                names(object@GlobalMetaData)[length(names(GlobalMetaData(object)))] <- name              match(i, meta(x, "ID", type = "local"))
               return(object)  
           })  
   
 setGeneric("setSubscriptable", function(object, name) standardGeneric("setSubscriptable"))  
 setMethod("setSubscriptable",  
           c("TextDocCol"),  
           function(object, name) {  
               if (!is.character(GlobalMetaData(object)$subscriptable))  
                   object <- attachMetaData(object, "subscriptable", name)  
135                else                else
136                    object@GlobalMetaData$subscriptable <- c(GlobalMetaData(object)$subscriptable, name)              match(i, names(x))
137                return(object)      }
138            })      i
139    }
140  setMethod("[",  
141            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  `[[.PCorpus` <-  function(x, i) {
142            function(x, i, j, ... , drop) {      i <- .map_name_index(x, i)
143                if(missing(i))      db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
144        filehash::dbFetch(db, NextMethod("[["))
145    }
146    `[[.VCorpus` <-  function(x, i) {
147        i <- .map_name_index(x, i)
148        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
149        if (!is.null(lazyTmMap))
150            .Call("copyCorpus", x, materialize(x, i))
151        NextMethod("[[")
152    }
153    
154    `[[<-.PCorpus` <-  function(x, i, value) {
155        i <- .map_name_index(x, i)
156        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
157        index <- unclass(x)[[i]]
158        db[[index]] <- value
159        x
160    }
161    `[[<-.VCorpus` <-  function(x, i, value) {
162        i <- .map_name_index(x, i)
163        # Mark new objects as not active for lazy mapping
164        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
165        if (!is.null(lazyTmMap)) {
166            lazyTmMap$index[i] <- FALSE
167            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
168        }
169        # Set the value
170        cl <- class(x)
171        y <- NextMethod("[[<-")
172        class(y) <- cl
173        y
174    }
175    
176    # Update NodeIDs of a CMetaData tree
177    .update_id <- function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
178        # Traversal of (binary) CMetaData tree with setup of NodeIDs
179        set_id <- function(x) {
180            x$NodeID <- id
181            id <<- id + 1
182            level <<- level + 1
183            if (length(x$Children) > 0) {
184                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
185                left <- set_id(x$Children[[1]])
186                if (level == 1) {
187                    left.mapping <<- mapping
188                    mapping <<- NULL
189                }
190                mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
191                right <- set_id(x$Children[[2]])
192    
193                x$Children <- list(left, right)
194            }
195            level <<- level - 1
196            x
197        }
198        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
199    }
200    
201    # Find indices to be updated for a CMetaData tree
202    .find_indices <- function(x) {
203        indices.mapping <- NULL
204        for (m in levels(as.factor(DMetaData(x)$MetaID))) {
205            indices <- (DMetaData(x)$MetaID == m)
206            indices.mapping <- c(indices.mapping, list(m = indices))
207            names(indices.mapping)[length(indices.mapping)] <- m
208        }
209        indices.mapping
210    }
211    
212    c2 <- function(x, y, ...) {
213        # Update the CMetaData tree
214        cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
215        update.struct <- .update_id(cmeta)
216    
217        new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
218    
219        # Find indices to be updated for the left tree
220        indices.mapping <- .find_indices(x)
221    
222        # Update the DMetaData data frames for the left tree
223        for (i in 1:ncol(update.struct$left.mapping)) {
224            map <- update.struct$left.mapping[,i]
225            DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
226        }
227    
228        # Find indices to be updated for the right tree
229        indices.mapping <- .find_indices(y)
230    
231        # Update the DMetaData data frames for the right tree
232        for (i in 1:ncol(update.struct$right.mapping)) {
233            map <- update.struct$right.mapping[,i]
234            DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
235        }
236    
237        # Merge the DMetaData data frames
238        labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
239        na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
240        x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
241        labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
242        na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
243        y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
244        DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
245    
246        new
247    }
248    
249    c.Corpus <-
250    function(x, ..., recursive = FALSE)
251    {
252        args <- list(...)
253    
254        if (identical(length(args), 0L))
255                    return(x)                    return(x)
256    
257                object <- x      if (!all(unlist(lapply(args, inherits, class(x)))))
258                object@.Data <- x@.Data[i, ..., drop = FALSE]          stop("not all arguments are of the same corpus type")
259                for (m in names(GlobalMetaData(object))) {  
260                    if (m %in% GlobalMetaData(object)$subscriptable) {      if (inherits(x, "PCorpus"))
261                        object@GlobalMetaData[[m]] <- GlobalMetaData(object)[[m]][i, ..., drop = FALSE]          stop("concatenation of corpora with underlying databases is not supported")
262    
263        l <- base::c(list(x), args)
264        if (recursive)
265            Reduce(c2, l)
266        else {
267            l <- do.call("c", lapply(l, unclass))
268            .VCorpus(l,
269                     cmeta = .MetaDataNode(),
270                     dmeta = data.frame(MetaID = rep(0, length(l)), stringsAsFactors = FALSE))
271                    }                    }
272                }                }
273                return(object)  
274            })  c.TextDocument <- function(x, ..., recursive = FALSE) {
   
 setMethod("c",  
           signature(x = "TextDocCol"),  
           function(x, ..., recursive = TRUE){  
275                args <- list(...)                args <- list(...)
276                if(length(args) == 0)  
277        if (identical(length(args), 0L))
278                    return(x)                    return(x)
               return(as(c(as(x, "list"), ...), "TextDocCol"))  
     })  
279    
280  setMethod("length",      if (!all(unlist(lapply(args, inherits, class(x)))))
281            signature(x = "TextDocCol"),          stop("not all arguments are text documents")
           function(x){  
               return(length(as(x, "list")))  
     })  
   
 setMethod("show",  
           signature(object = "TextDocCol"),  
           function(object){  
               cat("A text document collection with", length(object), "text document")  
               if (length(object) == 1)  
                   cat("\n")  
               else  
                   cat("s\n")  
     })  
282    
283  setMethod("summary",      dmeta <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
284            signature(object = "TextDocCol"),      .VCorpus(list(x, ...), .MetaDataNode(), dmeta)
285            function(object){  }
286                show(object)  
287                if (length(GlobalMetaData(object)) > 0) {  print.Corpus <- function(x, ...) {
288                    cat("\nThe global metadata consists of", length(GlobalMetaData(object)), "tag-value pair")      cat(sprintf(ngettext(length(x),
289                    if (length(GlobalMetaData(object)) == 1)                           "A corpus with %d text document\n",
290                        cat(".\n")                           "A corpus with %d text documents\n"),
291                    else                  length(x)))
292                        cat("s.\n")      invisible(x)
293    }
294    
295    summary.Corpus <- function(object, ...) {
296        print(object)
297        if (length(DMetaData(object)) > 0) {
298            cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
299                                 "\nThe metadata consists of %d tag-value pair and a data frame\n",
300                                 "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
301                        length(CMetaData(object)$MetaData)))
302                    cat("Available tags are:\n")                    cat("Available tags are:\n")
303                    cat(names(GlobalMetaData(object)), "\n")          cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
304            cat("Available variables in the data frame are:\n")
305            cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
306        }
307                }                }
     })  
308    
309  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <- function(x) UseMethod("inspect", x)
310  setMethod("inspect",  inspect.PCorpus <- function(x) {
311            c("TextDocCol"),      summary(x)
312            function(object) {      cat("\n")
313                summary(object)      db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
314        show(filehash::dbMultiFetch(db, unlist(x)))
315    }
316    inspect.VCorpus <- function(x) {
317        summary(x)
318                cat("\n")                cat("\n")
319                show(as(object, "list"))      print(noquote(lapply(x, identity)))
320            })  }
321    
322    lapply.PCorpus <- function(X, FUN, ...) {
323        db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
324        lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
325    }
326    lapply.VCorpus <- function(X, FUN, ...) {
327        lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
328        if (!is.null(lazyTmMap))
329            .Call("copyCorpus", X, materialize(X))
330        base::lapply(X, FUN, ...)
331    }
332    
333    writeCorpus <-  function(x, path = ".", filenames = NULL) {
334        filenames <- file.path(path,
335                               if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
336                               else filenames)
337        i <- 1
338        for (o in x) {
339            writeLines(as.PlainTextDocument(o), filenames[i])
340            i <- i + 1
341        }
342    }

Legend:
Removed from v.57  
changed lines
  Added in v.1114

root@r-forge.r-project.org
ViewVC Help
Powered by ViewVC 1.0.0  
Thanks to:
Vienna University of Economics and Business Powered By FusionForge