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 74, Tue Nov 21 20:04:17 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  # The "..." are additional arguments for the function_generator parser  PCorpus <-
4  setGeneric("TextDocCol", function(object, parser = plaintext_parser, ...) standardGeneric("TextDocCol"))  function(x,
5  setMethod("TextDocCol",           readerControl = list(reader = x$defaultreader, language = "en"),
6            signature(object = "Source"),           dbControl = list(dbName = "", dbType = "DB1"))
7            function(object, parser = plaintext_parser, ...) {  {
8                if (inherits(parser, "function_generator"))      stopifnot(inherits(x, "Source"))
9                    parser <- parser(...)  
10        readerControl <- prepareReader(readerControl, x$defaultreader)
11    
12        if (is.function(readerControl$init))
13            readerControl$init()
14    
15        if (is.function(readerControl$exit))
16            on.exit(readerControl$exit())
17    
18        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19            stop("error in creating database")
20        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21    
22        # Allocate memory in advance if length is known
23        tdl <- if (x$length > 0)
24            vector("list", as.integer(x$length))
25        else
26            list()
27    
               tdl <- list()  
28                counter <- 1                counter <- 1
29                while (!eoi(object)) {      while (!eoi(x)) {
30                    object <- step_next(object)          x <- stepNext(x)
31                    elem <- get_elem(object)          elem <- getElem(x)
32                    # If there is no Load on Demand support          id <- if (is.null(x$names) || is.na(x$names))
33                    # we need to load the corpus into memory at startup              as.character(counter)
34                    if (object@LoDSupport)          else
35                        load <- object@Load              x$names[counter]
36                    else          doc <- readerControl$reader(elem, readerControl$language, id)
37                        load <- TRUE          filehash::dbInsert(db, meta(doc, "id"), doc)
38                    tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
39            else tdl <- c(tdl, meta(doc, "id"))
40                    counter <- counter + 1                    counter <- counter + 1
41                }                }
42        if (!is.null(x$names) && !is.na(x$names))
43            names(tdl) <- x$names
44    
45                dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      structure(list(content = tdl,
46                dcmeta.node <- new("MetaDataNode",                     meta = CorpusMeta(),
47                              NodeID = 0,                     dmeta = data.frame(row.names = seq_along(tdl)),
48                              MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),                     dbcontrol = dbControl),
49                              children = list())                class = c("PCorpus", "Corpus"))
50    }
51                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))  
52            })  VCorpus <- Corpus <-
53    function(x, readerControl = list(reader = x$defaultreader, language = "en"))
54  setGeneric("DirSource", function(directory, load = FALSE) standardGeneric("DirSource"))  {
55  setMethod("DirSource",      stopifnot(inherits(x, "Source"))
56            signature(directory = "character"),  
57            function(directory, load = FALSE) {      readerControl <- prepareReader(readerControl, x$defaultreader)
58                new("DirSource", LoDSupport = TRUE, FileList = dir(directory, full.names = TRUE),  
59                    Position = 0, Load = load)      if (is.function(readerControl$init))
60            })          readerControl$init()
61    
62  setGeneric("CSVSource", function(object) standardGeneric("CSVSource"))      if (is.function(readerControl$exit))
63  setMethod("CSVSource",          on.exit(readerControl$exit())
64            signature(object = "character"),  
65            function(object) {      # Allocate memory in advance if length is known
66                object <- substitute(file(object))      tdl <- if (x$length > 0)
67                con <- eval(object)          vector("list", as.integer(x$length))
68                content <- scan(con, what = "character")      else
69                close(con)          list()
70                new("CSVSource", LoDSupport = FALSE, URI = object,  
71                    Content = content, Position = 0)      if (x$vectorized)
72            })          tdl <- mapply(function(elem, id)
73  setMethod("CSVSource",                            readerControl$reader(elem, readerControl$language, id),
74            signature(object = "ANY"),                        pGetElem(x),
75            function(object) {                        id = if (is.null(x$names) || is.na(x$names))
76                object <- substitute(object)                            as.character(seq_len(x$length))
77                con <- eval(object)                        else x$names,
78                content <- scan(con, what = "character")                        SIMPLIFY = FALSE)
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("ReutersSource", function(object) standardGeneric("ReutersSource"))  
 setMethod("ReutersSource",  
           signature(object = "character"),  
           function(object) {  
               object <- substitute(file(object))  
               con <- eval(object)  
               corpus <- paste(readLines(con), "\n", collapse = "")  
               close(con)  
               tree <- xmlTreeParse(corpus, asText = TRUE)  
               content <- xmlRoot(tree)$children  
   
               new("ReutersSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
 setMethod("ReutersSource",  
           signature(object = "ANY"),  
           function(object) {  
               object <- substitute(object)  
               con <- eval(object)  
               corpus <- paste(readLines(con), "\n", collapse = "")  
               close(con)  
               tree <- xmlTreeParse(corpus, asText = TRUE)  
               content <- xmlRoot(tree)$children  
   
               new("ReutersSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("step_next", function(object) standardGeneric("step_next"))  
 setMethod("step_next",  
           signature(object = "DirSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           signature(object = "CSVSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           signature(object = "ReutersSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
   
 setGeneric("get_elem", function(object) standardGeneric("get_elem"))  
 setMethod("get_elem",  
           signature(object = "DirSource"),  
           function(object) {  
               filename <- object@FileList[object@Position]  
               list(content = readLines(filename),  
                    uri = substitute(file(filename)))  
           })  
 setMethod("get_elem",  
           signature(object = "CSVSource"),  
           function(object) {  
               list(content = object@Content[object@Position],  
                    uri = object@URI)  
           })  
 setMethod("get_elem",  
           signature(object = "ReutersSource"),  
           function(object) {  
               # Construct a character representation from the XMLNode  
               con <- textConnection("virtual.file", "w")  
               saveXML(object@Content[[object@Position]], con)  
               close(con)  
   
               list(content = virtual.file, uri = object@URI)  
           })  
   
 setGeneric("eoi", function(object) standardGeneric("eoi"))  
 setMethod("eoi",  
           signature(object = "DirSource"),  
           function(object) {  
               if (length(object@FileList) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
 setMethod("eoi",  
           signature(object = "CSVSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
 setMethod("eoi",  
           signature(object = "ReutersSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
   
 plaintext_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("PlainTextDocument", .Data = elem$content, URI = elem$uri, Cached = TRUE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
         }  
79          else {          else {
80              doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,          counter <- 1
81                         Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")          while (!eoi(x)) {
82          }              x <- stepNext(x)
83                elem <- getElem(x)
84          return(doc)              id <- if (is.null(x$names) || is.na(x$names))
85      }                  as.character(counter)
86  }              else
87  class(plaintext_parser) <- "function_generator"                  x$names[counter]
88                doc <- readerControl$reader(elem, readerControl$language, id)
89  reut21578xml_parser <- function(...) {              if (x$length > 0)
90      function(elem, lodsupport, load, id) {                  tdl[[counter]] <- doc
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
             author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
         else  
             author <- ""  
   
         datetimestamp <- xmlValue(node[["DATE"]])  
         description <- ""  
         id <- xmlAttrs(node)[["NEWID"]]  
   
         # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["TITLE"]]))  
             heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
91          else          else
92              heading <- ""                  tdl <- c(tdl, list(doc))
93                counter <- counter + 1
         topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         }  
   
         return(doc)  
     }  
 }  
 class(reut21578xml_parser) <- "function_generator"  
   
 rcv1_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         datetimestamp <- xmlAttrs(node)[["date"]]  
         id <- xmlAttrs(node)[["itemid"]]  
         heading <- xmlValue(node[["title"]])  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         }  
   
         return(doc)  
94      }      }
95  }  }
96  class(rcv1_parser) <- "function_generator"      if (!is.null(x$names) && !is.na(x$names))
97            names(tdl) <- x$names
 newsgroup_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         mail <- elem$content  
         author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  
         datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  
         origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  
         heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))  
         newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))  
98    
99          if (!lodsupport || (lodsupport && load)) {      structure(list(content = tdl,
100              # The header is separated from the body by a blank line.                     meta = CorpusMeta(),
101              # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}                     dmeta = data.frame(row.names = seq_along(tdl))),
102              for (index in seq(along = mail)) {                class = c("VCorpus", "Corpus"))
103                  if (mail[index] == "")  }
104                      break  
105    `[.PCorpus` <- `[.VCorpus` <-
106    function(x, i)
107    {
108        if (!missing(i)) {
109            x$content <- x$content[i]
110            x$dmeta <- x$dmeta[i, , drop = FALSE]
111        }
112        x
113    }
114    
115    .map_name_index <-
116    function(x, i)
117    {
118        if (is.character(i))
119            match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
120        else
121            i
122    }
123    
124    `[[.PCorpus` <-
125    function(x, i)
126    {
127        i <- .map_name_index(x, i)
128        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
129        filehash::dbFetch(db, x$content[[i]])
130    }
131    `[[.VCorpus` <-
132    function(x, i)
133    {
134        i <- .map_name_index(x, i)
135        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
136        if (!is.null(lazyTmMap))
137            .Call("copyCorpus", x, materialize(x, i))
138        x$content[[i]]
139    }
140    
141    `[[<-.PCorpus` <-
142    function(x, i, value)
143    {
144        i <- .map_name_index(x, i)
145        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
146        db[[x$content[[i]]]] <- value
147        x
148    }
149    `[[<-.VCorpus` <-
150    function(x, i, value)
151    {
152        i <- .map_name_index(x, i)
153        # Mark new objects as not active for lazy mapping
154        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
155        if (!is.null(lazyTmMap)) {
156            lazyTmMap$index[i] <- FALSE
157            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
158        }
159        x$content[[i]] <- value
160        x
161    }
162    
163    # Update NodeIDs of a CMetaData tree
164    .update_id <-
165    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
166    {
167        # Traversal of (binary) CMetaData tree with setup of NodeIDs
168        set_id <- function(x) {
169            x$NodeID <- id
170            id <<- id + 1
171            level <<- level + 1
172            if (length(x$Children)) {
173                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
174                left <- set_id(x$Children[[1]])
175                if (level == 1) {
176                    left.mapping <<- mapping
177                    mapping <<- NULL
178              }              }
179              content <- mail[(index + 1):length(mail)]              mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
180                right <- set_id(x$Children[[2]])
181    
182              doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,              x$Children <- list(left, right)
                        Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin,  
                        Heading = heading, Newsgroup = newsgroup)  
         } else {  
             doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
183          }          }
184            level <<- level - 1
185          return(doc)          x
186      }      }
187        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
188  }  }
 class(newsgroup_parser) <- "function_generator"  
   
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 rcv1_to_plain <- function(node, ...) {  
     datetimestamp <- xmlAttrs(node)[["date"]]  
     id <- xmlAttrs(node)[["itemid"]]  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
     heading <- xmlValue(node[["title"]])  
189    
190      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,  # Find indices to be updated for a CMetaData tree
191          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)  .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
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 reut21578xml_to_plain <- function(node, ...) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
   
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- xmlAttrs(node)[["NEWID"]]  
   
     origin <- "Reuters-21578 XML"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
   
     topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
     new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
201  }  }
202    
203  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  #c2 <-
204  setMethod("load_doc",  #function(x, y, ...)
205            signature(object = "PlainTextDocument"),  #{
206            function(object, ...) {  #    # Update the CMetaData tree
207                if (!Cached(object)) {  #    cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
208                    con <- eval(URI(object))  #    update.struct <- .update_id(cmeta)
209                    corpus <- readLines(con)  #
210                    close(con)  #    new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
211                    Corpus(object) <- corpus  #
212                    Cached(object) <- TRUE  #    # Find indices to be updated for the left tree
213                    return(object)  #    indices.mapping <- .find_indices(x)
214                } else {  #
215                    return(object)  #    # Update the CorpusDMeta data frames for the left tree
216                }  #    for (i in 1:ncol(update.struct$left.mapping)) {
217            })  #        map <- update.struct$left.mapping[,i]
218  setMethod("load_doc",  #        DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("load_doc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   mail <- readLines(con)  
                   close(con)  
                   Cached(object) <- TRUE  
                   for (index in seq(along = mail)) {  
                       if (mail[index] == "")  
                           break  
                   }  
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
   
 setGeneric("tm_update", function(object, origin, parser = plaintext_parser, ...) standardGeneric("tm_update"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tm_update",  
           signature(object = "TextDocCol", origin = "DirSource"),  
           function(object, origin, parser = plaintext_parser, ...) {  
               if (inherits(parser, "function_generator"))  
                   parser <- parser(...)  
   
               object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))  
               new.files <- setdiff(origin@FileList, object.filelist)  
   
               for (filename in new.files) {  
                   elem <- list(content = readLines(filename),  
                                uri = substitute(file(filename)))  
                   object <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)  
               }  
   
               return(object)  
           })  
   
 setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  
 setMethod("tm_transform",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- object  
               result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
               return(result)  
           })  
   
 setGeneric("as.plaintext_doc", function(object, FUN, ...) standardGeneric("as.plaintext_doc"))  
 setMethod("as.plaintext_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("as.plaintext_doc",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               corpus <- Corpus(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
   
 setGeneric("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))  
 setMethod("tm_tolower",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
   
 setGeneric("strip_whitespace", function(object, ...) standardGeneric("strip_whitespace"))  
 setMethod("strip_whitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
   
 setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))  
 setMethod("stem_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))  
 setMethod("remove_words",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               if (!Cached(object))  
                   object <- load_doc(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 = s_filter, doclevel = FALSE) standardGeneric("tm_filter"))  
 setMethod("tm_filter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter, doclevel = FALSE) {  
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
   
 setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))  
 setMethod("tm_index",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter, doclevel = FALSE) {  
               if (doclevel)  
                   return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               else  
                   return(FUN(object, ...))  
           })  
   
 s_filter <- function(object, s, ...) {  
     query.df <- DMetaData(object)  
     con <- textConnection(s)  
     tokens <- scan(con, "character")  
     close(con)  
     local.meta <- lapply(object, LocalMetaData)  
     local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)  
     l.meta <- NULL  
     for (i in 1:length(object)) {  
         l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))  
     }  
     # Load local meta data from text documents into data frame  
     for (i in 1:length(l.meta)) {  
         l.meta[[i]] <- c(l.meta[[i]], list(author = Author(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(datetimestamp = DateTimeStamp(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(description = Description(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(identifier = ID(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(origin = Origin(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(heading = Heading(object[[i]])))  
     }  
     # TODO: Handle entries (\code{m} with length greater 1, i.e., lists)  
     for (i in 1:length(l.meta)) {  
         for (j in 1:length(l.meta[[i]])) {  
             m <- l.meta[[i]][[j]]  
             m.name <- names(l.meta[[i]][j])  
             if (!(m.name %in% names(query.df))) {  
                 before <- rep(NA, i - 1)  
                 after <- rep(NA, length(l.meta) - i)  
                 insert <- c(before, m, after)  
                 query.df <- cbind(query.df, insert, stringsAsFactors = FALSE)  
                 names(query.df)[length(query.df)] <- m.name  
             }  
             else {  
                 if (is.null(m))  
                     m <- NA  
                 #if (length(m) > 1)  
                 #    query.df[i,names(l.meta[[i]])] <- list(m)  
                 #else  
                     query.df[i,m.name] <- m  
             }  
         }  
     }  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 #s_filter <- function(object, s, ..., DMetaData) {  
 #    b <- TRUE  
 #    for (tag in names(s)) {  
 #        if (tag %in% names(LocalMetaData(object))) {  
 #            b <- b && any(grep(s[[tag]], LocalMetaData(object)[[tag]]))  
 #        } else if (tag %in% names(DMetaData)){  
 #            b <- b && any(grep(s[[tag]], DMetaData[[tag]]))  
 #        } else {  
 #            b <- b && any(grep(s[[tag]], eval(call(tag, object))))  
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  #    return(b)  #
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  setGeneric("fulltext_search_filter", function(object, pattern, ...) standardGeneric("fulltext_search_filter"))  c.VCorpus <-
249  setMethod("fulltext_search_filter",  function(..., recursive = FALSE)
250            signature(object = "PlainTextDocument", pattern = "character"),  {
251            function(object, pattern, ...) {      args <- list(...)
252                if (!Cached(object))      x <- args[[1L]]
253                    object <- load_doc(object)  
254        if (length(args) == 1L)
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("attach_data", function(object, data) standardGeneric("attach_data"))  
 setGeneric("attach_metadata", function(object, name, metadata) standardGeneric("attach_metadata"))  
   
 setGeneric("append_doc", function(object, data, meta = NULL) standardGeneric("append_doc"))  
 setMethod("append_doc",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               object@.Data <- c(object@.Data, list(data))  
               if (length(meta) > 0)  
                   object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))  
               return(object)  
           })  
   
 setGeneric("append_meta", function(object, dcmeta = list(), dmeta = NULL) standardGeneric("append_meta"))  
 setMethod("append_meta",  
           signature(object = "TextDocCol"),  
           function(object, dcmeta = list(), dmeta = NULL) {  
               object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)  
               if (length(dmeta) > 0)  
                   object@DMetaData <- cbind(object@DMetaData, dmeta)  
               return(object)  
           })  
   
 setGeneric("remove_metadata", function(object, name) standardGeneric("remove_metadata"))  
 #setMethod("remove_metadata",  
 #          signature(object = "TextDocCol"),  
 #          function(object, name) {  
 #              object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != name]  
 #              return(object)  
 #          })  
   
 setGeneric("modify_metadata", function(object, name, metadata) standardGeneric("modify_metadata"))  
 #setMethod("modify_metadata",  
 #          signature(object = "TextDocCol"),  
 #          function(object, name, metadata) {  
 #              object@DMetaData[[name]] <- metadata  
 #              return(object)  
 #          })  
   
 # TODO: Handle metadata in document slots  
 setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))  
 setMethod("prescind_meta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   local.meta <- lapply(object, LocalMetaData)  
                   local.m <- lapply(local.meta, "[[", m)  
                   local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                   if (length(local.m) == length(unlist(local.m)))  
                       local.m <- unlist(local.m)  
                   else  
                       local.m <- I(local.m)  
                   object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)  
                   names(object@DMetaData)[length(object@DMetaData)] <- m  
               }  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
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")
               object@DMetaData <- DMetaData(object)[i, ]  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               return(x@.Data[[i, ...]])  
           })  
   
 setMethod("[[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               object@.Data[[i, ...]] <- value  
               return(object)  
           })  
   
 # Update \code{NodeID}s of a DCMetaData tree  
 # TODO: Avoid global variables outside of update_id function  
 update_id <- function(object) {  
     id <<- 0  
     mapping <<- left.mapping <<- NULL  
     level <<- 0  
     return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  
 }  
   
 # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s  
 set_id <- function(object) {  
     object@NodeID <- id  
     id <<- id + 1  
     level <<- level + 1  
259    
260      if (length(object@children) > 0) {      if (recursive)
261          mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))          Reduce(c2, args)
262          left <- set_id(object@children[[1]])      else {
263          if (level == 1) {          args <- do.call("c", lapply(args, content))
264              left.mapping <<- mapping          structure(list(content = args,
265              mapping <<- NULL                         meta = CorpusMeta(),
266          }                         dmeta = data.frame(row.names = seq_along(args))),
267          mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))                    class = c("VCorpus", "Corpus"))
         right <- set_id(object@children[[2]])  
   
         object@children <- list(left, right)  
268      }      }
     level <<- level - 1  
   
     return(object)  
269  }  }
270    
271  setMethod("c",  c.TextDocument <-
272            signature(x = "TextDocCol"),  function(..., recursive = FALSE)
273            function(x, y, ..., meta = list(merge_date = date(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  {
274                if (!inherits(y, "TextDocCol"))      args <- list(...)
275                    stop("invalid argument")      x <- args[[1L]]
   
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
276    
277                # Update the DCMetaData tree      if (length(args) == 1L)
278                dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))          return(x)
               update.struct <- update_id(dcmeta)  
               object@DCMetaData <- update.struct$root  
279    
280                # Find indices to be updated for the left tree      if (!all(unlist(lapply(args, inherits, class(x)))))
281                indices.mapping <- NULL          stop("not all arguments are text documents")
               for (m in levels(as.factor(DMetaData(x)$MetaID))) {  
                   indices <- (DMetaData(x)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
282    
283                # Update the DMetaData data frames for the left tree      structure(list(content = args,
284                for (i in 1:ncol(update.struct$left.mapping)) {                     meta = CorpusMeta(),
285                    map <- update.struct$left.mapping[,i]                     dmeta = data.frame(row.names = seq_along(args))),
286                    x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])                class = c("VCorpus", "Corpus"))
287    }
288    
289    as.list.PCorpus <- as.list.VCorpus <-
290    function(x, ...)
291        content(x)
292    
293    content.VCorpus <-
294    function(x)
295    {
296        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
297        if (!is.null(lazyTmMap))
298            .Call("copyCorpus", x, materialize(x))
299        x$content
300    }
301    
302    content.PCorpus <-
303    function(x)
304    {
305        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
306        filehash::dbMultiFetch(db, unlist(x$content))
307    }
308    
309    length.PCorpus <- length.VCorpus <-
310    function(x)
311        length(x$content)
312    
313    print.PCorpus <- print.VCorpus <-
314    function(x, ...)
315    {
316        cat(sprintf(ngettext(length(x),
317                             "A corpus with %d text document\n\n",
318                             "A corpus with %d text documents\n\n"),
319                    length(x)))
320    
321        meta <- meta(x, type = "corpus")
322        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        invisible(x)
330    }
331    
332    inspect <-
333    function(x)
334        UseMethod("inspect", x)
335    inspect.PCorpus <- inspect.VCorpus <-
336    function(x)
337    {
338        print(x)
339        cat("\n")
340        print(noquote(content(x)))
341        invisible(x)
342                }                }
343    
344                # Find indices to be updated for the right tree  writeCorpus <-
345                indices.mapping <- NULL  function(x, path = ".", filenames = NULL)
346                for (m in levels(as.factor(DMetaData(y)$MetaID))) {  {
347                    indices <- (DMetaData(y)$MetaID == m)      filenames <- file.path(path,
348                    indices.mapping <- c(indices.mapping, list(m = indices))        if (is.null(filenames))
349                    names(indices.mapping)[length(indices.mapping)] <- m            sprintf("%s.txt", as.character(meta(x, "id", "local")))
350                }        else filenames)
351    
352                # Update the DMetaData data frames for the right tree      stopifnot(length(x) == length(filenames))
               for (i in 1:ncol(update.struct$right.mapping)) {  
                   map <- update.struct$right.mapping[,i]  
                   y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Merge the DMetaData data frames  
               labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))  
               x.dmeta.aug <- cbind(DMetaData(x), na.matrix)  
               labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))  
               y.dmeta.aug <- cbind(DMetaData(y), na.matrix)  
               object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)  
   
               return(object)  
           })  
 setMethod("c",  
           signature(x = "TextDocument"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
                   return(x)  
353    
354                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
               dcmeta.node <- new("MetaDataNode",  
                             NodeID = 0,  
                             MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))  
           })  
   
 setMethod("length",  
           signature(x = "TextDocCol"),  
           function(x){  
               return(length(as(x, "list")))  
     })  
   
 setMethod("show",  
           signature(object = "TextDocCol"),  
           function(object){  
               cat(sprintf(ngettext(length(object),  
                                    "A text document collection with %d text document\n",  
                                    "A text document collection with %d text documents\n"),  
                           length(object)))  
     })  
   
 setMethod("summary",  
           signature(object = "TextDocCol"),  
           function(object){  
               show(object)  
               if (length(DMetaData(object)) > 0) {  
                   cat(sprintf(ngettext(length(DMetaData(object)),  
                                               "\nThe global metadata consists of %d tag-value pair\n",  
                                               "\nThe global metadata consists of %d tag-value pairs\n"),  
                                        length(DMetaData(object))))  
                   cat("Available tags are:\n")  
                   cat(names(DMetaData(object)), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("TextDocCol"),  
           function(object) {  
               summary(object)  
               cat("\n")  
               show(as(object, "list"))  
           })  
355    
356  # No metadata is checked      invisible(x)
357  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  }
 setMethod("%IN%",  
           signature(x = "TextDocument", y = "TextDocCol"),  
           function(x, y) {  
               x %in% y  
           })  

Legend:
Removed from v.74  
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