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 1313, Sun Mar 30 09:28:00 2014 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 <-
4  setMethod("TextDocCol",  function(x,
5            c("character"),           readerControl = list(reader = x$defaultreader, language = "en"),
6            function(object, inputType = "PLAIN", stripWhiteSpace = FALSE, toLower = FALSE) {           dbControl = list(dbName = "", dbType = "DB1"))
7                # Add a new type for each unique input source format  {
8                type <- match.arg(inputType,c("PLAIN", "CSV", "RCV1", "REUT21578", "REUT21578_XML", "NEWSGROUP", "RIS"))      stopifnot(inherits(x, "Source"))
9                switch(type,  
10                       # Plain text      readerControl <- prepareReader(readerControl, x$defaultreader)
11                       "PLAIN" = {  
12                           filelist <- dir(object, full.names = TRUE)      if (is.function(readerControl$init))
13                           filenameIDs <- list(FileNames = filelist, IDs = 1:length(filelist))          readerControl$init()
14                           tdl <- sapply(filelist,  
15                                         function(file, FileNameIDs = filenameIDs) {      if (is.function(readerControl$exit))
16                                             id <- FileNameIDs$IDs[grep(file, FileNameIDs$FileNames)]          on.exit(readerControl$exit())
17                                             origin <- dirname(file)  
18                                             new("PlainTextDocument", FileName = file, Cached = 0, Author = "Unknown", DateTimeStamp = date(),      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19                                                 Description = "", ID = id, Origin = origin, Heading = "")          stop("error in creating database")
20                                         })      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21                           tdcl <- new("TextDocCol", .Data = tdl)  
22                       },      # Allocate memory in advance if length is known
23                       # Text in a special CSV format      tdl <- if (x$length > 0)
24                       # For details on the file format see the R documentation file          vector("list", as.integer(x$length))
25                       # The first argument is a directory with .csv files      else
26                       "CSV" = {          list()
27                           filelist <- dir(object, pattern = "\\.csv", full.names = TRUE)  
28                           tdl <- sapply(filelist,      counter <- 1
29                                         function(file) {      while (!eoi(x)) {
30                                             m <- as.matrix(read.csv(file, header = FALSE))          x <- stepNext(x)
31                                             l <- vector("list", dim(m)[1])          elem <- getElem(x)
32                                             for (i in 1:dim(m)[1]) {          id <- if (is.null(x$names) || is.na(x$names))
33                                                 author <- ""              as.character(counter)
34                                                 datetimestamp <- date()          else
35                                                 description <- ""              x$names[counter]
36                                                 id <- as.integer(m[i,1])          doc <- readerControl$reader(elem, readerControl$language, id)
37                                                 corpus <- as.character(m[i,2:dim(m)[2]])          filehash::dbInsert(db, meta(doc, "id"), doc)
38                                                 if (stripWhiteSpace)          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
39                                                     corpus <- gsub("[[:space:]]+", " ", corpus)          else tdl <- c(tdl, meta(doc, "id"))
40                                                 if (toLower)          counter <- counter + 1
41                                                     corpus <- tolower(corpus)      }
42                                                 origin <- "CSV"      if (!is.null(x$names) && !is.na(x$names))
43                                                 heading <- ""          names(tdl) <- x$names
44    
45                                                 l[[i]] <- new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,      structure(list(content = tdl,
46                                                               Description = description, ID = id, Origin = origin, Heading = heading)                     meta = CorpusMeta(),
47                                             }                     dmeta = data.frame(row.names = seq_along(tdl)),
48                                             l                     dbcontrol = dbControl),
49                                         })                class = c("PCorpus", "Corpus"))
50                           if (length(filelist) > 1)  }
51                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
52                           else  VCorpus <- Corpus <-
53                               tdcl <- new("TextDocCol", .Data = tdl)  function(x, readerControl = list(reader = x$defaultreader, language = "en"))
54                       },  {
55                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format      stopifnot(inherits(x, "Source"))
56                       # The first argument is a directory with the RCV1 XML files  
57                       "RCV1" = {      readerControl <- prepareReader(readerControl, x$defaultreader)
58                           filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)  
59                           tdl <- sapply(filelist,      if (is.function(readerControl$init))
60                                         function(file) {          readerControl$init()
61                                             tree <- xmlTreeParse(file)  
62                                             xmlApply(xmlRoot(tree), parseNewsItemPlain, stripWhiteSpace, toLower)      if (is.function(readerControl$exit))
63                                         })          on.exit(readerControl$exit())
64                           if (length(filelist) > 1)  
65                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))      # Allocate memory in advance if length is known
66                           else      tdl <- if (x$length > 0)
67                               tdcl <- new("TextDocCol", .Data = tdl)          vector("list", as.integer(x$length))
68                       },      else
69                       # Read in text documents in Reuters-21578 XML (not SGML) format          list()
70                       # Typically the first argument will be a directory where we can  
71                       # find the files reut2-000.xml ... reut2-021.xml      if (x$vectorized)
72                       "REUT21578" = {          tdl <- mapply(function(elem, id)
73                           filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)                            readerControl$reader(elem, readerControl$language, id),
74                           tdl <- sapply(filelist,                        pGetElem(x),
75                                         function(file) {                        id = if (is.null(x$names) || is.na(x$names))
76                                             tree <- xmlTreeParse(file)                            as.character(seq_len(x$length))
77                                             xmlApply(xmlRoot(tree), parseReutersPlain, stripWhiteSpace, toLower)                        else x$names,
78                                         })                        SIMPLIFY = FALSE)
79                           if (length(filelist) > 1)      else {
80                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))          counter <- 1
81                           else          while (!eoi(x)) {
82                               tdcl <- new("TextDocCol", .Data = tdl)              x <- stepNext(x)
83                       },              elem <- getElem(x)
84                       "REUT21578_XML" = {              id <- if (is.null(x$names) || is.na(x$names))
85                           filelist <- dir(object, pattern = "\\..xml", full.names = TRUE)                  as.character(counter)
86                           tdl <- sapply(filelist,              else
87                                         function(file) {                  x$names[counter]
88                                             parseReutersXML(file)              doc <- readerControl$reader(elem, readerControl$language, id)
89                                         })              if (x$length > 0)
90                           tdcl <- new("TextDocCol", .Data = tdl)                  tdl[[counter]] <- doc
91                       },              else
92                       "NEWSGROUP" = {                  tdl <- c(tdl, list(doc))
93                           filelist <- dir(object, full.names = TRUE)              counter <- counter + 1
94                           tdl <- sapply(filelist,          }
95                                         function(file) {      }
96                                             parseMail(file)      if (!is.null(x$names) && !is.na(x$names))
97                                         })          names(tdl) <- x$names
98                           new("TextDocCol", .Data = tdl)  
99                       },      structure(list(content = tdl,
100                       # Read in HTML documents as used by http://ris.bka.gv.at/vwgh                     meta = CorpusMeta(),
101                       "RIS" = {                     dmeta = data.frame(row.names = seq_along(tdl))),
102                           filelist <- dir(object, pattern = "\\..html", full.names = TRUE)                class = c("VCorpus", "Corpus"))
103                           tdl <- sapply(filelist,  }
104                                         function(file) {  
105                                             # Ignore warnings from misformed HTML documents  `[.PCorpus` <- `[.VCorpus` <-
106                                             suppressWarnings(RISDoc <- parseRISPlain(file, stripWhiteSpace, toLower))  function(x, i)
107                                             if (!is.null(RISDoc)) {  {
108                                                 l <- list()      if (!missing(i)) {
109                                                 l[[length(l) + 1]] <- RISDoc          x$content <- x$content[i]
110                                                 l          x$dmeta <- x$dmeta[i, , drop = FALSE]
111                                             }      }
112                                         })      x
113                           tdcl <- new("TextDocCol", .Data = tdl)  }
114                       })  
115                tdcl  .map_name_index <-
116            })  function(x, i)
117    {
118  # Parse an Austrian RIS HTML document      if (is.character(i))
119  parseRISPlain <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {          match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
120      author <- ""      else
121      datetimestamp <- date()          i
122      description <- ""  }
123    
124      tree <- htmlTreeParse(file)  `[[.PCorpus` <-
125      htmlElem <- unlist(tree$children$html$children)  function(x, i)
126    {
127      if (is.null(htmlElem))      i <- .map_name_index(x, i)
128          stop(paste("Empty document", file, "cannot be processed."))      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
129        filehash::dbFetch(db, x$content[[i]])
130      textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  }
131      names(textElem) <- NULL  `[[.VCorpus` <-
132    function(x, i)
133      corpus <- paste(textElem, collapse = " ")  {
134        i <- .map_name_index(x, i)
135      year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
136      senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)      if (!is.null(lazyTmMap))
137      number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)          .Call("copyCorpus", x, materialize(x, i))
138        x$content[[i]]
139      id <- as.integer(paste(year, senat, number, sep = ""))  }
140    
141      if (is.na(id))  `[[<-.PCorpus` <-
142          stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  function(x, i, value)
143      origin <- ""  {
144        i <- .map_name_index(x, i)
145      if (stripWhiteSpace)      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
146          corpus <- gsub("[[:space:]]+", " ", corpus)      db[[x$content[[i]]]] <- value
147      if (toLower)      x
148          corpus <- tolower(corpus)  }
149    `[[<-.VCorpus` <-
150      heading <- ""  function(x, i, value)
151    {
152      new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,      i <- .map_name_index(x, i)
153          Description = description, ID = id, Origin = origin, Heading = heading)      # Mark new objects as not active for lazy mapping
154  }      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
155        if (!is.null(lazyTmMap)) {
156  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file          lazyTmMap$index[i] <- FALSE
157  parseNewsItemPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {          meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
158      author <- "Not yet implemented"      }
159      datetimestamp <- xmlAttrs(node)[["date"]]      x$content[[i]] <- value
160      description <- "Not yet implemented"      x
161      id <- as.integer(xmlAttrs(node)[["itemid"]])  }
162      origin <- "Reuters Corpus Volume 1 XML"  
163      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  # Update NodeIDs of a CMetaData tree
164    .update_id <-
165      if (stripWhiteSpace)  function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
166          corpus <- gsub("[[:space:]]+", " ", corpus)  {
167      if (toLower)      # Traversal of (binary) CMetaData tree with setup of NodeIDs
168          corpus <- tolower(corpus)      set_id <- function(x) {
169            x$NodeID <- id
170      heading <- xmlValue(node[["title"]])          id <<- id + 1
171            level <<- level + 1
172      new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,          if (length(x$Children)) {
173          Description = description, ID = id, Origin = origin, Heading = heading)              mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
174  }              left <- set_id(x$Children[[1]])
175                if (level == 1) {
176  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file                  left.mapping <<- mapping
177  parseReutersPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {                  mapping <<- NULL
178      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!              }
179      if (!is.null(node[["TEXT"]][["AUTHOR"]]))              mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
180          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])              right <- set_id(x$Children[[2]])
181      else  
182          author <- ""              x$Children <- list(left, right)
183            }
184            level <<- level - 1
185            x
186        }
187        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
188    }
189    
190    # Find indices to be updated for a CMetaData tree
191    .find_indices <-
192    function(x)
193    {
194        indices.mapping <- NULL
195        for (m in levels(as.factor(CorpusDMeta(x)$MetaID))) {
196            indices <- (CorpusDMeta(x)$MetaID == m)
197            indices.mapping <- c(indices.mapping, list(m = indices))
198            names(indices.mapping)[length(indices.mapping)] <- m
199        }
200        indices.mapping
201    }
202    
203    #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    
248    c.VCorpus <-
249    function(..., recursive = FALSE)
250    {
251        args <- list(...)
252        x <- args[[1L]]
253    
254      datetimestamp <- xmlValue(node[["DATE"]])      if (length(args) == 1L)
255      description <- ""          return(x)
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
256    
257      origin <- "Reuters-21578 XML"      if (!all(unlist(lapply(args, inherits, class(x)))))
258            stop("not all arguments are of the same corpus type")
259    
260      # The <BODY></BODY> tag is unfortunately NOT obligatory!      if (recursive)
261      if (!is.null(node[["TEXT"]][["BODY"]]))          Reduce(c2, args)
262          corpus <- xmlValue(node[["TEXT"]][["BODY"]])      else {
263      else          args <- do.call("c", lapply(args, content))
264          corpus <- ""          structure(list(content = args,
265                           meta = CorpusMeta(),
266                           dmeta = data.frame(row.names = seq_along(args))),
267                      class = c("VCorpus", "Corpus"))
268        }
269    }
270    
271      if (stripWhiteSpace)  c.TextDocument <-
272          corpus <- gsub("[[:space:]]+", " ", corpus)  function(..., recursive = FALSE)
273      if (toLower)  {
274          corpus <- tolower(corpus)      args <- list(...)
275        x <- args[[1L]]
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
276    
277      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (length(args) == 1L)
278            return(x)
279    
280      new("PlainTextDocument", .Data = corpus, Cached = 1, Author = author, DateTimeStamp = datetimestamp,      if (!all(unlist(lapply(args, inherits, class(x)))))
281          Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))          stop("not all arguments are text documents")
 }  
282    
283  # Set up metadata for a well-formed Reuters-21578 XML file      structure(list(content = args,
284  parseReutersXML<- function(file) {                     meta = CorpusMeta(),
285      new("XMLTextDocument", FileName = file, Cached = 0, Author = "REUTERS", DateTimeStamp = date(),                     dmeta = data.frame(row.names = seq_along(args))),
286          Description = "Reuters21578 file containing several news articles", ID = as.integer(0),                class = c("VCorpus", "Corpus"))
287          Origin = "Reuters-21578 XML", Heading = "Reuters21578 news articles")  }
288  }  
289    as.list.PCorpus <- as.list.VCorpus <-
290  parseMail <- function(file) {  function(x, ...)
291      mail <- readLines(file)      content(x)
292      author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  
293      datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  content.VCorpus <-
294      id <- as.integer(file)  function(x)
295      origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  {
296      heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
297      newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))      if (!is.null(lazyTmMap))
298            .Call("copyCorpus", x, materialize(x))
299      new("NewsgroupDocument", FileName = file, Cached = 0, Author = author, DateTimeStamp = datetimestamp,      x$content
300          Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  }
301  }  
302    content.PCorpus <-
303  setGeneric("loadFileIntoMem", function(object, ...) standardGeneric("loadFileIntoMem"))  function(x)
304  setMethod("loadFileIntoMem",  {
305            c("PlainTextDocument"),      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
306            function(object, ...) {      filehash::dbMultiFetch(db, unlist(x$content))
307                if (Cached(object) == 0) {  }
308                    corpus <- readLines(FileName(object))  
309                    Corpus(object) <- corpus  length.PCorpus <- length.VCorpus <-
310                    Cached(object) <- 1  function(x)
311                    return(object)      length(x$content)
312                } else {  
313                    return(object)  print.PCorpus <- print.VCorpus <-
314                }  function(x, ...)
315            })  {
316  setMethod("loadFileIntoMem",      cat(sprintf(ngettext(length(x),
317            c("XMLTextDocument"),                           "A corpus with %d text document\n\n",
318            function(object, ...) {                           "A corpus with %d text documents\n\n"),
319                if (Cached(object) == 0) {                  length(x)))
320                    file <- FileName(object)  
321                    doc <- xmlTreeParse(file)      meta <- meta(x, type = "corpus")
322                    class(doc) <- "list"      dmeta <- meta(x, type = "indexed")
323                    Corpus(object) <- doc  
324                    Cached(object) <- 1      cat("Metadata:\n")
325                    return(object)      cat(sprintf("  Tag-value pairs. Tags: %s\n",
326                } else {                  paste(names(meta), collapse = " ")))
327                    return(object)      cat("  Data frame. Variables:", colnames(dmeta), "\n")
328                }  
329            })      invisible(x)
330  setMethod("loadFileIntoMem",  }
331            c("NewsgroupDocument"),  
332            function(object, ...) {  inspect <-
333                if (Cached(object) == 0) {  function(x)
334                    mail <- readLines(FileName(object))      UseMethod("inspect", x)
335                    Cached(object) <- 1  inspect.PCorpus <- inspect.VCorpus <-
336                    index <- grep("^Lines:", mail)  function(x)
337                    Corpus(object) <- mail[(index + 1):length(mail)]  {
338                    return(object)      print(x)
339                } else {      cat("\n")
340                    return(object)      print(noquote(content(x)))
341                }      invisible(x)
342            })  }
   
 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)  
343    
344                if (any(LocalMetaData(object)$Topics %in% topics))  writeCorpus <-
345                    return(TRUE)  function(x, path = ".", filenames = NULL)
346                else  {
347                    return(FALSE)      filenames <- file.path(path,
348            })        if (is.null(filenames))
349              sprintf("%s.txt", as.character(meta(x, "id", "local")))
350          else filenames)
351    
352  setGeneric("filterIDs", function(object, IDs, ...) standardGeneric("filterIDs"))      stopifnot(length(x) == length(filenames))
 setMethod("filterIDs",  
           c("TextDocument", "numeric"),  
           function(object, IDs) {  
               if (ID(object) %in% IDs)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
353    
354  setGeneric("attachData", function(object, data) standardGeneric("attachData"))      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
 setMethod("attachData",  
           c("TextDocCol","TextDocument"),  
           function(object, data) {  
               data <- as(list(data), "TextDocCol")  
               object@.Data <- as(c(object@.Data, data), "TextDocCol")  
               return(object)  
           })  
   
 setGeneric("attachMetaData", function(object, name, metadata) standardGeneric("attachMetaData"))  
 setMethod("attachMetaData",  
           c("TextDocCol"),  
           function(object, name, metadata) {  
               object@GlobalMetaData <- c(GlobalMetaData(object), new = list(metadata))  
               names(object@GlobalMetaData)[length(names(GlobalMetaData(object)))] <- name  
               return(object)  
           })  
   
 setGeneric("setSubscriptable", function(object, name) standardGeneric("setSubscriptable"))  
 setMethod("setSubscriptable",  
           c("TextDocCol"),  
           function(object, name) {  
               if (!is.character(GlobalMetaData(object)$subscriptable))  
                   object <- attachMetaData(object, "subscriptable", name)  
               else  
                   object@GlobalMetaData$subscriptable <- c(GlobalMetaData(object)$subscriptable, name)  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
355    
356                object <- x      invisible(x)
               object@.Data <- x@.Data[i, ..., drop = FALSE]  
               for (m in names(GlobalMetaData(object))) {  
                   if (m %in% GlobalMetaData(object)$subscriptable) {  
                       object@GlobalMetaData[[m]] <- GlobalMetaData(object)[[m]][i, ..., drop = FALSE]  
                   }  
357                }                }
               return(object)  
           })  
   
 setMethod("c",  
           signature(x = "TextDocCol"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
                   return(x)  
               return(as(c(as(x, "list"), ...), "TextDocCol"))  
     })  
   
 setMethod("length",  
           signature(x = "TextDocCol"),  
           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")  
     })  
   
 setMethod("summary",  
           signature(object = "TextDocCol"),  
           function(object){  
               show(object)  
               if (length(GlobalMetaData(object)) > 0) {  
                   cat("\nThe global metadata consists of", length(GlobalMetaData(object)), "tag-value pair")  
                   if (length(GlobalMetaData(object)) == 1)  
                       cat(".\n")  
                   else  
                       cat("s.\n")  
                   cat("Available tags are:\n")  
                   cat(names(GlobalMetaData(object)), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           c("TextDocCol"),  
           function(object) {  
               summary(object)  
               cat("\n")  
               show(as(object, "list"))  
           })  

Legend:
Removed from v.57  
changed lines
  Added in v.1313

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