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/trunk/R/textdoccol.R revision 41, Sun Mar 12 17:14:15 2006 UTC pkg/R/corpus.R revision 1333, Fri Apr 18 10:38:46 2014 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))  PCorpus <-
4  setMethod("textdoccol",  function(x,
5            c("character", "character", "logical", "logical"),           readerControl = list(reader = x$defaultreader, language = "en"),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {           dbControl = list(dbName = "", dbType = "DB1"))
7                # Add a new type for each unique input source format  {
8                type <- match.arg(inputType,c("CSV", "RCV1", "REUT21578", "RIS"))      stopifnot(inherits(x, "Source"))
9                switch(type,  
10                       # Text in a special CSV format      readerControl <- prepareReader(readerControl, x$defaultreader)
11                       # For details on the file format see the R documentation file  
12                       # The first argument is a directory with .csv files      if (is.function(readerControl$init))
13                       "CSV" = {          readerControl$init()
14                           filelist <- dir(object, pattern = ".csv", full.names = TRUE)  
15                           tdl <- sapply(filelist,      if (is.function(readerControl$exit))
16                                         function(file) {          on.exit(readerControl$exit())
17                                             m <- as.matrix(read.csv(file, header = FALSE))  
18                                             l <- vector("list", dim(m)[1])      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19                                             for (i in 1:dim(m)[1]) {          stop("error in creating database")
20                                                 author <- ""      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21                                                 timestamp <- date()  
22                                                 description <- ""      # Allocate memory in advance if length is known
23                                                 id <- as.integer(m[i,1])      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
24                                                 corpus <- as.character(m[i,2:dim(m)[2]])  
25                                                 if (stripWhiteSpace)      counter <- 1
26                                                     corpus <- gsub("[[:space:]]+", " ", corpus)      while (!eoi(x)) {
27                                                 if (toLower)          x <- stepNext(x)
28                                                     corpus <- tolower(corpus)          elem <- getElem(x)
29                                                 origin <- "CSV"          id <- if (is.null(x$names) || is.na(x$names))
30                                                 heading <- ""              as.character(counter)
   
                                                l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
                                                              description = description, id = id, origin = origin, heading = heading)  
                                            }  
                                            l  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))  
31                           else                           else
32                               tdcl <- new("textdoccol", .Data = tdl)              x$names[counter]
33                       },          doc <- readerControl$reader(elem, readerControl$language, id)
34                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format          filehash::dbInsert(db, meta(doc, "id"), doc)
35                       # The first argument is a directory with the RCV1 XML files          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
36                       "RCV1" = {          else tdl <- c(tdl, meta(doc, "id"))
37                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)          counter <- counter + 1
38                           tdl <- sapply(filelist,      }
39                                         function(file) {      if (!is.null(x$names) && !is.na(x$names))
40                                             tree <- xmlTreeParse(file)          names(tdl) <- x$names
41                                             xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)  
42                                         })      structure(list(content = tdl,
43                           if (length(filelist) > 1)                     meta = CorpusMeta(),
44                               tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))                     dmeta = data.frame(row.names = seq_along(tdl)),
45                           else                     dbcontrol = dbControl),
46                               tdcl <- new("textdoccol", .Data = tdl)                class = c("PCorpus", "Corpus"))
47                       },  }
48                       # Read in text documents in Reuters-21578 XML (not SGML) format  
49                       # Typically the first argument will be a directory where we can  VCorpus <-
50                       # find the files reut2-000.xml ... reut2-021.xml  function(x, readerControl = list(reader = x$defaultreader, language = "en"))
51                       "REUT21578" = {  {
52                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)      stopifnot(inherits(x, "Source"))
53                           tdl <- sapply(filelist,  
54                                         function(file) {      readerControl <- prepareReader(readerControl, x$defaultreader)
55                                             tree <- xmlTreeParse(file)  
56                                             xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)      if (is.function(readerControl$init))
57                                         })          readerControl$init()
58                           if (length(filelist) > 1)  
59                               tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))      if (is.function(readerControl$exit))
60            on.exit(readerControl$exit())
61    
62        # Allocate memory in advance if length is known
63        tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
64    
65        if (x$vectorized)
66            tdl <- mapply(function(elem, id)
67                              readerControl$reader(elem, readerControl$language, id),
68                          pGetElem(x),
69                          id = if (is.null(x$names) || is.na(x$names))
70                              as.character(seq_len(x$length))
71                          else x$names,
72                          SIMPLIFY = FALSE)
73        else {
74            counter <- 1
75            while (!eoi(x)) {
76                x <- stepNext(x)
77                elem <- getElem(x)
78                id <- if (is.null(x$names) || is.na(x$names))
79                    as.character(counter)
80                           else                           else
81                               tdcl <- new("textdoccol", .Data = tdl)                  x$names[counter]
82                       },              doc <- readerControl$reader(elem, readerControl$language, id)
83                       # Read in HTML documents as used by http://ris.bka.gv.at/vwgh              if (x$length > 0)
84                       "RIS" = {                  tdl[[counter]] <- doc
                          filelist <- dir(object, pattern = ".html", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            # Ignore warnings from misformed HTML documents  
                                            suppressWarnings(RISDoc <- parseHTML(file, stripWhiteSpace, toLower))  
                                            if (!is.null(RISDoc)) {  
                                                l <- list()  
                                                l[[length(l) + 1]] <- RISDoc  
                                                l  
                                            }  
                                        })  
                          tdcl <- new("textdoccol", .Data = tdl)  
                      })  
               tdcl  
           })  
   
 # Parse an HTML document  
 parseHTML <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- ""  
     timestamp <- date()  
     description <- ""  
   
     tree <- htmlTreeParse(file)  
     htmlElem <- unlist(tree$children$html$children)  
   
     if (is.null(htmlElem))  
         stop(paste("Empty document", file, "cannot be processed."))  
   
     textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  
     names(textElem) <- NULL  
   
     corpus <- paste(textElem, collapse = " ")  
   
     year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)  
     senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)  
     number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)  
   
     id <- as.integer(paste(year, senat, number, sep = ""))  
   
     if (is.na(id))  
         stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  
     origin <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- ""  
   
     new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
         description = description, id = id, origin = origin, heading = heading)  
 }  
   
 # TODO: Implement lacking fields as soon I have access to the original RCV1  
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- "Not yet implemented"  
     timestamp <- xmlAttrs(node)[["date"]]  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["itemid"]])  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- xmlValue(node[["title"]])  
   
     new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
         description = description, id = id, origin = origin, heading = heading)  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
85      else      else
86          author <- ""                  tdl <- c(tdl, list(doc))
87                counter <- counter + 1
88            }
89        }
90        if (!is.null(x$names) && !is.na(x$names))
91            names(tdl) <- x$names
92    
93        structure(list(content = tdl,
94                       meta = CorpusMeta(),
95                       dmeta = data.frame(row.names = seq_along(tdl))),
96                  class = c("VCorpus", "Corpus"))
97    }
98    
99      timestamp <- xmlValue(node[["DATE"]])  `[.PCorpus` <-
100      description <- ""  function(x, i)
101      id <- as.integer(xmlAttrs(node)[["NEWID"]])  {
102        if (!missing(i)) {
103            x$content <- x$content[i]
104            x$dmeta <- x$dmeta[i, , drop = FALSE]
105        }
106        x
107    }
108    
109      origin <- "Reuters-21578 XML"  `[.VCorpus` <-
110    function(x, i)
111    {
112        if (!missing(i)) {
113            x$content <- x$content[i]
114            x$dmeta <- x$dmeta[i, , drop = FALSE]
115            if (!is.null(x$lazy))
116                x$lazy$index <- x$lazy$index[i]
117        }
118        x
119    }
120    
121      # The <BODY></BODY> tag is unfortunately NOT obligatory!  .map_name_index <-
122      if (!is.null(node[["TEXT"]][["BODY"]]))  function(x, i)
123          corpus <- xmlValue(node[["TEXT"]][["BODY"]])  {
124        if (is.character(i))
125            match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
126      else      else
127          corpus <- ""          i
128    }
129    
130      if (stripWhiteSpace)  `[[.PCorpus` <-
131          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
132      if (toLower)  {
133          corpus <- tolower(corpus)      i <- .map_name_index(x, i)
134        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
135      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      filehash::dbFetch(db, x$content[[i]])
136      if (!is.null(node[["TEXT"]][["TITLE"]]))  }
137          heading <- xmlValue(node[["TEXT"]][["TITLE"]])  `[[.VCorpus` <-
138      else  function(x, i)
139          heading <- ""  {
140        i <- .map_name_index(x, i)
141        if (!is.null(x$lazy))
142            .Call(copyCorpus, x, materialize(x, i))
143        x$content[[i]]
144    }
145    
146    `[[<-.PCorpus` <-
147    function(x, i, value)
148    {
149        i <- .map_name_index(x, i)
150        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
151        db[[x$content[[i]]]] <- value
152        x
153    }
154    `[[<-.VCorpus` <-
155    function(x, i, value)
156    {
157        i <- .map_name_index(x, i)
158        # Mark new objects as inactive for lazy mapping
159        if (!is.null(x$lazy))
160            x$lazy$index[i] <- FALSE
161        x$content[[i]] <- value
162        x
163    }
164    
165    outer_union <-
166    function(x, y, ...)
167    {
168        if (nrow(x) > 0L)
169            x[, setdiff(names(y), names(x))] <- NA
170        if (nrow(y) > 0L)
171            y[, setdiff(names(x), names(y))] <- NA
172        res <- rbind(x, y)
173        if (ncol(res) == 0L)
174            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
175        res
176    }
177    
178    c.VCorpus <-
179    function(..., recursive = FALSE)
180    {
181        args <- list(...)
182        x <- args[[1L]]
183    
184        if (length(args) == 1L)
185            return(x)
186    
187        if (!all(unlist(lapply(args, inherits, class(x)))))
188            stop("not all arguments are of the same corpus type")
189    
190        structure(list(content = do.call("c", lapply(args, content)),
191                       meta = structure(do.call("c",
192                         lapply(args, function(a) meta(a, type = "corpus"))),
193                                        class = "CorpusMeta"),
194                       dmeta = Reduce(outer_union, lapply(args, meta))),
195                  class = c("VCorpus", "Corpus"))
196    }
197    
198    as.list.PCorpus <- as.list.VCorpus <-
199    function(x, ...)
200        content(x)
201    
202    content.VCorpus <-
203    function(x)
204    {
205        if (!is.null(x$lazy))
206            .Call(copyCorpus, x, materialize(x))
207        x$content
208    }
209    
210    content.PCorpus <-
211    function(x)
212    {
213        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
214        filehash::dbMultiFetch(db, unlist(x$content))
215    }
216    
217    length.PCorpus <- length.VCorpus <-
218    function(x)
219        length(x$content)
220    
221    print.PCorpus <- print.VCorpus <-
222    function(x, ...)
223    {
224        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
225                           class(x)[1],
226                           length(x),
227                           length(meta(x, type = "corpus")),
228                           ncol(meta(x, type = "indexed"))))
229        invisible(x)
230    }
231    
232    inspect <-
233    function(x)
234        UseMethod("inspect", x)
235    inspect.PCorpus <- inspect.VCorpus <-
236    function(x)
237    {
238        print(x)
239        cat("\n")
240        print(noquote(content(x)))
241        invisible(x)
242    }
243    
244    writeCorpus <-
245    function(x, path = ".", filenames = NULL)
246    {
247        filenames <- file.path(path,
248          if (is.null(filenames))
249              sprintf("%s.txt", as.character(meta(x, "id", "local")))
250          else filenames)
251    
252        stopifnot(length(x) == length(filenames))
253    
254        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
255    
256      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
257  }  }

Legend:
Removed from v.41  
changed lines
  Added in v.1333

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