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

revision 1333, Fri Apr 18 10:38:46 2014 UTC revision 1467, Sun Jan 22 18:06:19 2017 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3    Corpus <-
4    function(x, readerControl = list(reader = reader(x), language = "en"))
5    {
6        stopifnot(inherits(x, "Source"))
7    
8        readerControl <- prepareReader(readerControl, reader(x))
9    
10        if ((inherits(x, "DirSource") || inherits(x, "VectorSource")) &&
11            identical(readerControl$reader, readPlain))
12            SimpleCorpus(x, readerControl)
13        else
14            VCorpus(x, readerControl)
15    }
16    
17  PCorpus <-  PCorpus <-
18  function(x,  function(x,
19           readerControl = list(reader = x$defaultreader, language = "en"),           readerControl = list(reader = reader(x), language = "en"),
20           dbControl = list(dbName = "", dbType = "DB1"))           dbControl = list(dbName = "", dbType = "DB1"))
21  {  {
22      stopifnot(inherits(x, "Source"))      stopifnot(inherits(x, "Source"))
23    
24      readerControl <- prepareReader(readerControl, x$defaultreader)      readerControl <- prepareReader(readerControl, reader(x))
   
     if (is.function(readerControl$init))  
         readerControl$init()  
   
     if (is.function(readerControl$exit))  
         on.exit(readerControl$exit())  
25    
26      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
27          stop("error in creating database")          stop("error in creating database")
28      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
29    
30      # Allocate memory in advance if length is known      x <- open(x)
31      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()      tdl <- vector("list", length(x))
   
32      counter <- 1      counter <- 1
33      while (!eoi(x)) {      while (!eoi(x)) {
34          x <- stepNext(x)          x <- stepNext(x)
35          elem <- getElem(x)          elem <- getElem(x)
36          id <- if (is.null(x$names) || is.na(x$names))          doc <- readerControl$reader(elem,
37              as.character(counter)                                      readerControl$language,
38          else                                      as.character(counter))
             x$names[counter]  
         doc <- readerControl$reader(elem, readerControl$language, id)  
39          filehash::dbInsert(db, meta(doc, "id"), doc)          filehash::dbInsert(db, meta(doc, "id"), doc)
40          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")          tdl[[counter]] <- meta(doc, "id")
         else tdl <- c(tdl, meta(doc, "id"))  
41          counter <- counter + 1          counter <- counter + 1
42      }      }
43      if (!is.null(x$names) && !is.na(x$names))      x <- close(x)
         names(tdl) <- x$names  
44    
45      structure(list(content = tdl,      p <- list(content = tdl,
46                     meta = CorpusMeta(),                     meta = CorpusMeta(),
47                     dmeta = data.frame(row.names = seq_along(tdl)),                     dmeta = data.frame(row.names = seq_along(tdl)),
48                     dbcontrol = dbControl),                dbcontrol = dbControl)
49                class = c("PCorpus", "Corpus"))      class(p) <- c("PCorpus", "Corpus")
50        p
51  }  }
52    
53  VCorpus <-  SimpleCorpus <-
54  function(x, readerControl = list(reader = x$defaultreader, language = "en"))  function(x, control = list(language = "en"))
55  {  {
56      stopifnot(inherits(x, "Source"))      stopifnot(inherits(x, "Source"))
57    
58      readerControl <- prepareReader(readerControl, x$defaultreader)      if (!is.null(control$reader) && !identical(control$reader, readPlain))
59            warning("custom reader is ignored")
60    
61      if (is.function(readerControl$init))      content <- if (inherits(x, "VectorSource")) {
62          readerControl$init()          if (is.character(x$content)) x$content else as.character(x$content)
63        } else if (inherits(x, "DirSource")) {
64            setNames(as.character(
65                       lapply(x$filelist,
66                              function(f) paste(readContent(f, x$encoding, "text"),
67                                                collapse = "\n"))
68                       ),
69                     basename(x$filelist))
70        } else
71            stop("unsupported source type")
72        s <- list(content = content,
73                  meta = CorpusMeta(language = control$language),
74                  dmeta = data.frame(row.names = seq_along(x)))
75        class(s) <- c("SimpleCorpus", "Corpus")
76        s
77    }
78    
79      if (is.function(readerControl$exit))  VCorpus <-
80          on.exit(readerControl$exit())  function(x, readerControl = list(reader = reader(x), language = "en"))
81    {
82        stopifnot(inherits(x, "Source"))
83    
84      # Allocate memory in advance if length is known      readerControl <- prepareReader(readerControl, reader(x))
     tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()  
85    
86      if (x$vectorized)      x <- open(x)
87        tdl <- vector("list", length(x))
88        # Check for parallel element access
89        if (is.function(getS3method("pGetElem", class(x), TRUE)))
90          tdl <- mapply(function(elem, id)          tdl <- mapply(function(elem, id)
91                            readerControl$reader(elem, readerControl$language, id),                            readerControl$reader(elem, readerControl$language, id),
92                        pGetElem(x),                        pGetElem(x),
93                        id = if (is.null(x$names) || is.na(x$names))                        id = as.character(seq_along(x)),
                           as.character(seq_len(x$length))  
                       else x$names,  
94                        SIMPLIFY = FALSE)                        SIMPLIFY = FALSE)
95      else {      else {
96          counter <- 1          counter <- 1
97          while (!eoi(x)) {          while (!eoi(x)) {
98              x <- stepNext(x)              x <- stepNext(x)
99              elem <- getElem(x)              elem <- getElem(x)
100              id <- if (is.null(x$names) || is.na(x$names))              doc <- readerControl$reader(elem,
101                  as.character(counter)                                          readerControl$language,
102              else                                          as.character(counter))
                 x$names[counter]  
             doc <- readerControl$reader(elem, readerControl$language, id)  
             if (x$length > 0)  
103                  tdl[[counter]] <- doc                  tdl[[counter]] <- doc
             else  
                 tdl <- c(tdl, list(doc))  
104              counter <- counter + 1              counter <- counter + 1
105          }          }
106      }      }
107      if (!is.null(x$names) && !is.na(x$names))      x <- close(x)
         names(tdl) <- x$names  
108    
109      structure(list(content = tdl,      as.VCorpus(tdl)
                    meta = CorpusMeta(),  
                    dmeta = data.frame(row.names = seq_along(tdl))),  
               class = c("VCorpus", "Corpus"))  
110  }  }
111    
112  `[.PCorpus` <-  `[.PCorpus` <-
113    `[.SimpleCorpus` <-
114  function(x, i)  function(x, i)
115  {  {
116      if (!missing(i)) {      if (!missing(i)) {
# Line 105  Line 119 
119      }      }
120      x      x
121  }  }
   
122  `[.VCorpus` <-  `[.VCorpus` <-
123  function(x, i)  function(x, i)
124  {  {
# Line 122  Line 135 
135  function(x, i)  function(x, i)
136  {  {
137      if (is.character(i))      if (is.character(i))
138          match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))          match(i, meta(x, "id", "local"))
139      else      else
140          i          i
141  }  }
# Line 134  Line 147 
147      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
148      filehash::dbFetch(db, x$content[[i]])      filehash::dbFetch(db, x$content[[i]])
149  }  }
150    `[[.SimpleCorpus` <-
151    function(x, i)
152    {
153        i <- .map_name_index(x, i)
154        n <- names(x$content)
155        PlainTextDocument(x$content[[i]],
156                          id = if (is.null(n)) i else n[i],
157                          language = meta(x, "language"))
158    }
159  `[[.VCorpus` <-  `[[.VCorpus` <-
160  function(x, i)  function(x, i)
161  {  {
162      i <- .map_name_index(x, i)      i <- .map_name_index(x, i)
163      if (!is.null(x$lazy))      if (!is.null(x$lazy))
164          .Call(copyCorpus, x, materialize(x, i))          .Call(tm_copyCorpus, x, materialize(x, i))
165      x$content[[i]]      x$content[[i]]
166  }  }
167    
# Line 162  Line 184 
184      x      x
185  }  }
186    
187    as.list.PCorpus <- as.list.VCorpus <-
188    function(x, ...)
189        setNames(content(x), as.character(lapply(content(x), meta, "id")))
190    
191    as.list.SimpleCorpus <-
192    function(x, ...)
193        as.list(content(x))
194    
195    as.VCorpus <-
196    function(x)
197        UseMethod("as.VCorpus")
198    as.VCorpus.VCorpus <- identity
199    as.VCorpus.list <-
200    function(x)
201    {
202        v <- list(content = x,
203                  meta = CorpusMeta(),
204                  dmeta = data.frame(row.names = seq_along(x)))
205        class(v) <- c("VCorpus", "Corpus")
206        v
207    }
208    
209  outer_union <-  outer_union <-
210  function(x, y, ...)  function(x, y, ...)
211  {  {
# Line 187  Line 231 
231      if (!all(unlist(lapply(args, inherits, class(x)))))      if (!all(unlist(lapply(args, inherits, class(x)))))
232          stop("not all arguments are of the same corpus type")          stop("not all arguments are of the same corpus type")
233    
234      structure(list(content = do.call("c", lapply(args, content)),      v <- list(content = do.call("c", lapply(args, content)),
235                     meta = structure(do.call("c",                meta = CorpusMeta(meta = do.call("c",
236                       lapply(args, function(a) meta(a, type = "corpus"))),                  lapply(args, function(a) meta(a, type = "corpus")))),
237                                      class = "CorpusMeta"),                dmeta = Reduce(outer_union, lapply(args, meta)))
238                     dmeta = Reduce(outer_union, lapply(args, meta))),      class(v) <- c("VCorpus", "Corpus")
239                class = c("VCorpus", "Corpus"))      v
240  }  }
241    
 as.list.PCorpus <- as.list.VCorpus <-  
 function(x, ...)  
     content(x)  
   
242  content.VCorpus <-  content.VCorpus <-
243  function(x)  function(x)
244  {  {
245      if (!is.null(x$lazy))      if (!is.null(x$lazy))
246          .Call(copyCorpus, x, materialize(x))          .Call(tm_copyCorpus, x, materialize(x))
247      x$content      x$content
248  }  }
249    
250    content.SimpleCorpus <-
251    function(x)
252        x$content
253    
254  content.PCorpus <-  content.PCorpus <-
255  function(x)  function(x)
256  {  {
# Line 214  Line 258 
258      filehash::dbMultiFetch(db, unlist(x$content))      filehash::dbMultiFetch(db, unlist(x$content))
259  }  }
260    
 length.PCorpus <- length.VCorpus <-  
 function(x)  
     length(x$content)  
   
 print.PCorpus <- print.VCorpus <-  
 function(x, ...)  
 {  
     writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",  
                        class(x)[1],  
                        length(x),  
                        length(meta(x, type = "corpus")),  
                        ncol(meta(x, type = "indexed"))))  
     invisible(x)  
 }  
   
261  inspect <-  inspect <-
262  function(x)  function(x)
263      UseMethod("inspect", x)      UseMethod("inspect", x)
264  inspect.PCorpus <- inspect.VCorpus <-  inspect.PCorpus <-
265    inspect.SimpleCorpus <-
266    inspect.VCorpus <-
267  function(x)  function(x)
268  {  {
269      print(x)      print(x)
# Line 241  Line 272 
272      invisible(x)      invisible(x)
273  }  }
274    
275    length.PCorpus <-
276    length.SimpleCorpus <-
277    length.VCorpus <-
278    function(x)
279        length(x$content)
280    
281    names.PCorpus <-
282    names.SimpleCorpus <-
283    names.VCorpus <-
284    function(x)
285        as.character(meta(x, "id", "local"))
286    
287    `names<-.PCorpus` <- `names<-.VCorpus` <-
288    function(x, value)
289    {
290        meta(x, "id", "local") <- as.character(value)
291        x
292    }
293    
294    format.PCorpus <-
295    format.SimpleCorpus <-
296    format.VCorpus <-
297    function(x, ...)
298    {
299        c(sprintf("<<%s>>", class(x)[1L]),
300          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
301                  length(meta(x, type = "corpus")),
302                  ncol(meta(x, type = "indexed"))),
303          sprintf("Content:  documents: %d", length(x)))
304    }
305    
306  writeCorpus <-  writeCorpus <-
307  function(x, path = ".", filenames = NULL)  function(x, path = ".", filenames = NULL)
308  {  {

Legend:
Removed from v.1333  
changed lines
  Added in v.1467

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