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 60, Sun Oct 22 17:57:47 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, parser = plaintext.parser, lod = FALSE) standardGeneric("TextDocCol"))  PCorpus <-
4  setMethod("TextDocCol",  function(x,
5            signature(object = "character"),           readerControl = list(reader = x$defaultreader, language = "en"),
6            function(object, parser = plaintext.parser, lod = FALSE) {           dbControl = list(dbName = "", dbType = "DB1"))
7                filelist <- dir(object, full.names = TRUE)  {
8                tdl <- lapply(filelist, parser, lod)      stopifnot(inherits(x, "Source"))
9                return(new("TextDocCol", .Data = tdl))  
10            })      readerControl <- prepareReader(readerControl, x$defaultreader)
11    
12  plaintext.parser <- function(file, lod) {      if (is.function(readerControl$init))
13      id <- file          readerControl$init()
14      origin <- dirname(file)  
15        if (is.function(readerControl$exit))
16      doc <- new("PlainTextDocument", FileName = file, Cached = FALSE, Author = "Unknown",          on.exit(readerControl$exit())
17                 DateTimeStamp = date(), Description = "", ID = id, Origin = origin, Heading = "")  
18        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19      if (lod) {          stop("error in creating database")
20          doc <- loadFileIntoMem(doc)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21      }  
22        # Allocate memory in advance if length is known
23      return(doc)      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
24  }  
25        counter <- 1
26  reuter21578xml.parser <- function(file, lod) {      while (!eoi(x)) {
27      tree <- xmlTreeParse(file)          x <- stepNext(x)
28      node <- xmlRoot(tree)          elem <- getElem(x)
29            id <- if (is.null(x$names) || is.na(x$names))
30      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!              as.character(counter)
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
31      else      else
32          author <- ""              x$names[counter]
33            doc <- readerControl$reader(elem, readerControl$language, id)
34      datetimestamp <- xmlValue(node[["DATE"]])          filehash::dbInsert(db, meta(doc, "id"), doc)
35      description <- ""          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
36      id <- xmlAttrs(node)[["NEWID"]]          else tdl <- c(tdl, meta(doc, "id"))
37            counter <- counter + 1
38      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      }
39      if (!is.null(node[["TEXT"]][["TITLE"]]))      if (!is.null(x$names) && !is.na(x$names))
40          heading <- xmlValue(node[["TEXT"]][["TITLE"]])          names(tdl) <- x$names
41    
42        structure(list(content = tdl,
43                       meta = CorpusMeta(),
44                       dmeta = data.frame(row.names = seq_along(tdl)),
45                       dbcontrol = dbControl),
46                  class = c("PCorpus", "Corpus"))
47    }
48    
49    VCorpus <-
50    function(x, readerControl = list(reader = x$defaultreader, language = "en"))
51    {
52        stopifnot(inherits(x, "Source"))
53    
54        readerControl <- prepareReader(readerControl, x$defaultreader)
55    
56        if (is.function(readerControl$init))
57            readerControl$init()
58    
59        if (is.function(readerControl$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          heading <- ""                  x$names[counter]
82                doc <- readerControl$reader(elem, readerControl$language, id)
83      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)              if (x$length > 0)
84                    tdl[[counter]] <- doc
85      doc <- new("XMLTextDocument", FileName = file, Cached = FALSE, Author = author,              else
86                 DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",                  tdl <- c(tdl, list(doc))
87                 Heading = heading, LocalMetaData = list(Topics = topics))              counter <- counter + 1
   
     if (lod) {  
         doc <- loadFileIntoMem(doc)  
88      }      }
   
     return(doc)  
89  }  }
90        if (!is.null(x$names) && !is.na(x$names))
91            names(tdl) <- x$names
92    
93  rcv1.parser <- function(file, lod) {      structure(list(content = tdl,
94      tree <- xmlTreeParse(file)                     meta = CorpusMeta(),
95      node <- xmlRoot(tree)                     dmeta = data.frame(row.names = seq_along(tdl))),
96                  class = c("VCorpus", "Corpus"))
     datetimestamp <- xmlAttrs(node)[["date"]]  
     id <- xmlAttrs(node)[["itemid"]]  
     heading <- xmlValue(node[["title"]])  
   
     doc <- new("XMLTextDocument", FileName = file, Cached = FALSE, Author = "",  
                DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                Heading = heading)  
   
     if (lod) {  
         doc <- loadFileIntoMem(doc)  
97      }      }
98    
99      return(doc)  `[.PCorpus` <-
100    function(x, i)
101    {
102        if (!missing(i)) {
103            x$content <- x$content[i]
104            x$dmeta <- x$dmeta[i, , drop = FALSE]
105  }  }
106        x
 uci.kdd.newsgroup.parser <-  function(file, lod) {  
     mail <- readLines(file)  
     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))  
   
     new("NewsgroupDocument", FileName = file, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
         Description = "", ID = file, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
   
     if (lod) {  
         doc <- loadFileIntoMem(doc)  
107      }      }
108    
109      return(doc)  `[.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
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 # TODO: Check if it works with example  
 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"]])  
   
     new("PlainTextDocument", .Data = corpus, Author = "", DateTimeStamp = datetimestamp,  
         Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)  
119  }  }
120    
121  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  .map_name_index <-
122  # TODO: Ensure it works  function(x, i)
123  reuters21578xml.to.plain <- function(node) {  {
124      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!      if (is.character(i))
125      if (!is.null(node[["TEXT"]][["AUTHOR"]]))          match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
126      else      else
127          author <- ""          i
128    }
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- xmlAttrs(node)[["NEWID"]]  
   
     origin <- "Reuters-21578 XML"  
129    
130      # The <BODY></BODY> tag is unfortunately NOT obligatory!  `[[.PCorpus` <-
131      if (!is.null(node[["TEXT"]][["BODY"]]))  function(x, i)
132          corpus <- xmlValue(node[["TEXT"]][["BODY"]])  {
133      else      i <- .map_name_index(x, i)
134          corpus <- ""      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
135        filehash::dbFetch(db, x$content[[i]])
136    }
137    `[[.VCorpus` <-
138    function(x, i)
139    {
140        i <- .map_name_index(x, i)
141        if (!is.null(x$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      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      if (length(args) == 1L)
185      if (!is.null(node[["TEXT"]][["TITLE"]]))          return(x)
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
186    
187      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
188            stop("not all arguments are of the same corpus type")
189    
190      new("PlainTextDocument", .Data = corpus, Cached = TRUE, Author = author, DateTimeStamp = datetimestamp,      structure(list(content = do.call("c", lapply(args, content)),
191          Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))                     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  setGeneric("loadFileIntoMem", function(object, ...) standardGeneric("loadFileIntoMem"))  writeCorpus <-
245  setMethod("loadFileIntoMem",  function(x, path = ".", filenames = NULL)
246            c("PlainTextDocument"),  {
247            function(object, ...) {      filenames <- file.path(path,
248                if (Cached(object) == FALSE) {        if (is.null(filenames))
249                    corpus <- readLines(FileName(object))            sprintf("%s.txt", as.character(meta(x, "id", "local")))
250                    Corpus(object) <- corpus        else filenames)
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           c("XMLTextDocument"),  
           function(object, ...) {  
               if (Cached(object) == FALSE) {  
                   file <- FileName(object)  
                   doc <- xmlTreeParse(file)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           c("NewsgroupDocument"),  
           function(object, ...) {  
               if (Cached(object) == FALSE) {  
                   mail <- readLines(FileName(object))  
                   Cached(object) <- TRUE  
                   index <- grep("^Lines:", mail)  
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
   
 setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  
 setMethod("tm_transform",  
           c("TextDocCol"),  
           function(object, FUN, ...) {  
               result <- as(lapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object)), "TextDocCol")  
               result@GlobalMetaData <- GlobalMetaData(object)  
               return(result)  
           })  
   
 setGeneric("toPlainTextDocument", function(object, FUN, ...) standardGeneric("toPlainTextDocument"))  
 setMethod("toPlainTextDocument",  
           c("PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("toPlainTextDocument",  
           c("XMLTextDocument"),  
           function(object, FUN, ...) {  
               if (Cached(object) == FALSE)  
                   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(FUN(xmlRoot(corpus), ...)))  
           })  
   
 setGeneric("stemTextDocument", function(object, ...) standardGeneric("stemTextDocument"))  
 setMethod("stemTextDocument",  
           c("PlainTextDocument"),  
           function(object) {  
               if (Cached(object) == FALSE)  
                   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",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords) {  
               if (Cached(object) == FALSE)  
                   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) == FALSE)  
                   object <- loadFileIntoMem(object)  
251    
252                if (any(LocalMetaData(object)$Topics %in% topics))      stopifnot(length(x) == length(filenames))
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
   
 setGeneric("filterIDs", function(object, IDs, ...) standardGeneric("filterIDs"))  
 setMethod("filterIDs",  
           c("TextDocument", "numeric"),  
           function(object, IDs) {  
               if (ID(object) %in% IDs)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
253    
254  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)  
255    
256                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]  
                   }  
257                }                }
               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.60  
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