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/tm/R/textdoccol.R revision 728, Sun Apr 8 23:23:29 2007 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  # The "..." are additional arguments for the FunctionGenerator reader  PCorpus <-
4  setGeneric("TextDocCol", function(object,  function(x,
5                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),           readerControl = list(reader = x$defaultreader, language = "en"),
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),           dbControl = list(dbName = "", dbType = "DB1"))
7                                    ...) standardGeneric("TextDocCol"))  {
8  setMethod("TextDocCol",      stopifnot(inherits(x, "Source"))
9            signature(object = "Source"),  
10            function(object,      readerControl <- prepareReader(readerControl, x$defaultreader)
                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),  
                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),  
                    ...) {  
               if (attr(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
11    
12                if (dbControl$useDb) {      if (is.function(readerControl$init))
13                    if (!dbCreate(dbControl$dbName, dbControl$dbType))          readerControl$init()
                       stop("error in creating database")  
                   db <- dbInit(dbControl$dbName, dbControl$dbType)  
               }  
   
               tdl <- list()  
               counter <- 1  
               while (!eoi(object)) {  
                   object <- stepNext(object)  
                   elem <- getElem(object)  
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (!object@LoDSupport)  
                       readerControl$load <- TRUE  
                   doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))  
                   if (dbControl$useDb) {  
                       dbInsert(db, ID(doc), doc)  
                       tdl <- c(tdl, ID(doc))  
                   }  
                   else  
                       tdl <- c(tdl, list(doc))  
                   counter <- counter + 1  
               }  
14    
15                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      if (is.function(readerControl$exit))
16                if (dbControl$useDb) {          on.exit(readerControl$exit())
                   dbInsert(db, "DMetaData", df)  
                   dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))  
                   dbDisconnect(db)  
               }  
               else  
                   dmeta.df <- df  
17    
18                cmeta.node <- new("MetaDataNode",      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19                              NodeID = 0,          stop("error in creating database")
20                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
                             children = list())  
   
               return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))  
           })  
   
 setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  
 setMethod("loadDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   Corpus(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           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("loadDoc",  
           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("tmUpdate", function(object,  
                                 origin,  
                                 readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),  
                                 ...) standardGeneric("tmUpdate"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tmUpdate",  
           signature(object = "TextDocCol", origin = "DirSource"),  
           function(object, origin,  
                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),  
                    ...) {  
               if (inherits(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
   
               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 <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))  
               }  
   
               return(object)  
           })  
   
 setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))  
 setMethod("tmMap",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- object  
               # Note that text corpora are automatically loaded into memory via \code{[[}  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   i <- 1  
                   for (id in unlist(object)) {  
                       db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))  
                       i <- i + 1  
                   }  
                   #new <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
                   #ids <- lapply(object, ID)  
                   # Avoidance of explicit loop is probably more efficient  
                   #for (i in length(new)) {  
                   #    db[[ids[i]]] <- new[[i]]  
                   #}  
                   dbDisconnect(db)  
               }  
               else  
                   result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
               return(result)  
           })  
   
 setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  
 setMethod("asPlain",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("asPlain",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               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), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "NewsgroupDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),  
                   DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),  
                   Origin = Origin(object), Heading = Heading(object), Language = Language(object))  
           })  
   
 setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))  
 setMethod("tmTolower",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
   
 setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))  
 setMethod("stripWhitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
   
 setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))  
 setMethod("stemDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, language = "english", ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- if (require("Rstem"))  
                   Rstem::wordStem(splittedCorpus, language)  
               else  
                   SnowballStemmer(splittedCorpus, Weka_control(S = language))  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))  
 setMethod("removePunctuation",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))  
               return(object)  
           })  
   
 setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))  
 setMethod("removeWords",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  
 setMethod("tmFilter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = sFilter, doclevel = FALSE) {  
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
21    
22  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))      # Allocate memory in advance if length is known
23  setMethod("tmIndex",      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = sFilter, doclevel = FALSE) {  
               if (doclevel)  
                   return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               else  
                   return(FUN(object, ...))  
           })  
24    
25  sFilter <- function(object, s, ...) {      counter <- 1
26      con <- textConnection(s)      while (!eoi(x)) {
27      tokens <- scan(con, "character")          x <- stepNext(x)
28      close(con)          elem <- getElem(x)
29      localMetaNames <- unique(names(sapply(object, LocalMetaData)))          id <- if (is.null(x$names) || is.na(x$names))
30      localMetaTokens <- localMetaNames[localMetaNames %in% tokens]              as.character(counter)
31      query.df <- DMetaData(prescindMeta(object,          else
32                                         c("Author", "DateTimeStamp", "Description", "ID",              x$names[counter]
33                                           "Origin", "Heading", "Language", localMetaTokens)))          doc <- readerControl$reader(elem, readerControl$language, id)
34      # Rename to avoid name conflicts          filehash::dbInsert(db, meta(doc, "id"), doc)
35      names(query.df)[names(query.df) == "Author"] <- "author"          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
36      names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"          else tdl <- c(tdl, meta(doc, "id"))
37      names(query.df)[names(query.df) == "Description"] <- "description"          counter <- counter + 1
     names(query.df)[names(query.df) == "ID"] <- "identifier"  
     names(query.df)[names(query.df) == "Origin"] <- "origin"  
     names(query.df)[names(query.df) == "Heading"] <- "heading"  
     names(query.df)[names(query.df) == "Language"] <- "language"  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("searchFullText", function(object, pattern, ...) standardGeneric("searchFullText"))  
 setMethod("searchFullText",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  
 setMethod("appendElem",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   if (dbExists(db, ID(data)))  
                       warning("document with identical ID already exists")  
                   dbInsert(db, ID(data), data)  
                   dbDisconnect(db)  
                   object@.Data[[length(object)+1]] <- ID(data)  
               }  
               else  
                   object@.Data[[length(object)+1]] <- data  
               DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))  
               return(object)  
           })  
   
 setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  
 setMethod("appendMeta",  
           signature(object = "TextDocCol"),  
           function(object, cmeta = NULL, dmeta = NULL) {  
               object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)  
               if (!is.null(dmeta)) {  
                   DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))  
               }  
               return(object)  
           })  
   
 setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  
 setMethod("removeMeta",  
           signature(object = "TextDocCol"),  
           function(object, cname = NULL, dname = NULL) {  
               if (!is.null(cname)) {  
                   object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
               }  
               if (!is.null(dname)) {  
                   DMetaData(object) <- DMetaData(object)[names(DMetaData(object)) != dname]  
               }  
               return(object)  
           })  
   
 setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  
 setMethod("prescindMeta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {  
                       local.m <- lapply(object, m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
                   else {  
                       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)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
38                }                }
39                return(object)      if (!is.null(x$names) && !is.na(x$names))
40            })          names(tdl) <- x$names
   
 setMethod("[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
41    
42                object <- x      structure(list(content = tdl,
43                object@.Data <- x@.Data[i, ..., drop = FALSE]                     meta = CorpusMeta(),
44                if (DBControl(object)[["useDb"]]) {                     dmeta = data.frame(row.names = seq_along(tdl)),
45                    index <- object@DMetaData[[1 , "subset"]]                     dbcontrol = dbControl),
46                    if (any(is.na(index)))                class = c("PCorpus", "Corpus"))
47                        object@DMetaData[[1 , "subset"]] <- i  }
48                    else  
49                        object@DMetaData[[1 , "subset"]] <- index[i]  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 {                else {
                   df <- as.data.frame(DMetaData(x)[i, ])  
                   names(df) <- names(DMetaData(x))  
                   DMetaData(object) <- df  
               }  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
74                    counter <- 1                    counter <- 1
75                    for (id in object@.Data[i, ...]) {          while (!eoi(x)) {
76                        if (length(value) == 1)              x <- stepNext(x)
77                            db[[id]] <- value              elem <- getElem(x)
78                        else {              id <- if (is.null(x$names) || is.na(x$names))
79                            db[[id]] <- value[[counter]]                  as.character(counter)
80                        }              else
81                        counter <- counter + 1                  x$names[counter]
82                    }              doc <- readerControl$reader(elem, readerControl$language, id)
83                    dbDisconnect(db)              if (x$length > 0)
84                }                  tdl[[counter]] <- doc
85                else                else
86                    object@.Data[i, ...] <- value                  tdl <- c(tdl, list(doc))
87                return(object)              counter <- counter + 1
           })  
   
 setMethod("[[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               if (DBControl(x)[["useDb"]]) {  
                   db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])  
                   result <- dbFetch(db, x@.Data[[i]])  
                   dbDisconnect(db)  
                   return(loadDoc(result))  
88                }                }
               else  
                   return(loadDoc(x@.Data[[i]]))  
           })  
   
 setMethod("[[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   index <- object@.Data[[i]]  
                   db[[index]] <- value  
                   dbDisconnect(db)  
89                }                }
90                else      if (!is.null(x$names) && !is.na(x$names))
91                    object@.Data[[i, ...]] <- value          names(tdl) <- x$names
               return(object)  
           })  
   
 # Update \code{NodeID}s of a CMetaData tree  
 update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {  
     # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s  
     set_id <- function(object) {  
         object@NodeID <- id  
         id <<- id + 1  
         level <<- level + 1  
92    
93          if (length(object@children) > 0) {      structure(list(content = tdl,
94              mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))                     meta = CorpusMeta(),
95              left <- set_id(object@children[[1]])                     dmeta = data.frame(row.names = seq_along(tdl))),
96              if (level == 1) {                class = c("VCorpus", "Corpus"))
97                  left.mapping <<- mapping  }
98                  mapping <<- NULL  
99              }  `[.PCorpus` <-
100              mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))  function(x, i)
101              right <- set_id(object@children[[2]])  {
102        if (!missing(i)) {
103            x$content <- x$content[i]
104            x$dmeta <- x$dmeta[i, , drop = FALSE]
105        }
106        x
107    }
108    
109    `[.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$index[i]
117        }
118        x
119    }
120    
121    .map_name_index <-
122    function(x, i)
123    {
124        if (is.character(i))
125            match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
126        else
127            i
128    }
129    
130    `[[.PCorpus` <-
131    function(x, i)
132    {
133        i <- .map_name_index(x, i)
134        db <- filehash::dbInit(x$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$content[[i]] <- value
162        x
163    }
164    
165    outer_union <-
166    function(x, y, ...)
167    {
168        if (nrow(x) > 0L)
169            x[, setdiff(names(y), names(x))] <- NA
170        if (nrow(y) > 0L)
171            y[, setdiff(names(x), names(y))] <- NA
172        res <- rbind(x, y)
173        if (ncol(res) == 0L)
174            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
175        res
176    }
177    
178    c.VCorpus <-
179    function(..., recursive = FALSE)
180    {
181        args <- list(...)
182        x <- args[[1L]]
183    
184              object@children <- list(left, right)      if (length(args) == 1L)
185          }          return(x)
         level <<- level - 1  
186    
187          return(object)      if (!all(unlist(lapply(args, inherits, class(x)))))
188      }          stop("not all arguments are of the same corpus type")
189    
190      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))      structure(list(content = do.call("c", lapply(args, content)),
191                       meta = structure(do.call("c",
192                         lapply(args, function(a) meta(a, type = "corpus"))),
193                                        class = "CorpusMeta"),
194                       dmeta = Reduce(outer_union, lapply(args, meta))),
195                  class = c("VCorpus", "Corpus"))
196    }
197    
198    as.list.PCorpus <- as.list.VCorpus <-
199    function(x, ...)
200        content(x)
201    
202    content.VCorpus <-
203    function(x)
204    {
205        if (!is.null(x$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$content)
220    
221    print.PCorpus <- print.VCorpus <-
222    function(x, ...)
223    {
224        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
225                           class(x)[1],
226                           length(x),
227                           length(meta(x, type = "corpus")),
228                           ncol(meta(x, type = "indexed"))))
229        invisible(x)
230    }
231    
232    inspect <-
233    function(x)
234        UseMethod("inspect", x)
235    inspect.PCorpus <- inspect.VCorpus <-
236    function(x)
237    {
238        print(x)
239        cat("\n")
240        print(noquote(content(x)))
241        invisible(x)
242  }  }
243    
244  setMethod("c",  writeCorpus <-
245            signature(x = "TextDocCol"),  function(x, path = ".", filenames = NULL)
246            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  {
247                args <- list(...)      filenames <- file.path(path,
248                if (length(args) == 0)        if (is.null(filenames))
249                    return(x)            sprintf("%s.txt", as.character(meta(x, "id", "local")))
250          else filenames)
251    
252                if (!all(sapply(args, inherits, "TextDocCol")))      stopifnot(length(x) == length(filenames))
                   stop("not all arguments are text document collections")  
               if (DBControl(x)$useDb == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating text document collections with activated database is not supported")  
   
               result <- x  
               for (c in args) {  
                   result <- c2(result, c)  
               }  
               return(result)  
           })  
   
 setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))  
 setMethod("c2",  
           signature(x = "TextDocCol", y = "TextDocCol"),  
           function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
   
               # Set the DBControl slot  
               object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")  
   
               # Update the CMetaData tree  
               cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))  
               update.struct <- update_id(cmeta)  
               object@CMetaData <- update.struct$root  
   
               # Find indices to be updated for the left tree  
               indices.mapping <- NULL  
               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  
               }  
   
               # Update the DMetaData data frames for the left tree  
               for (i in 1:ncol(update.struct$left.mapping)) {  
                   map <- update.struct$left.mapping[,i]  
                   x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Find indices to be updated for the right tree  
               indices.mapping <- NULL  
               for (m in levels(as.factor(DMetaData(y)$MetaID))) {  
                   indices <- (DMetaData(y)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
   
               # Update the DMetaData data frames for the right tree  
               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)  
253    
254                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
               cmeta.node <- new("MetaDataNode",  
                             NodeID = 0,  
                             MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol",  
                          .Data = list(x, ...),  
                          DMetaData = dmeta.df,  
                          CMetaData = cmeta.node,  
                          DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))  
           })  
   
 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(CMetaData(object)@MetaData),  
                                               "\nThe metadata consists of %d tag-value pair and a data frame\n",  
                                               "\nThe metadata consists of %d tag-value pairs and a data frame\n"),  
                                        length(CMetaData(object)@MetaData)))  
                   cat("Available tags are:\n")  
                   cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")  
                   cat("Available variables in the data frame are:\n")  
                   cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("TextDocCol"),  
           function(object) {  
               summary(object)  
               cat("\n")  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   show(dbMultiFetch(db, unlist(object)))  
                   dbDisconnect(db)  
               }  
               else  
                   show(object@.Data)  
           })  
255    
256  # No metadata is checked      invisible(x)
 setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  
 setMethod("%IN%",  
           signature(x = "TextDocument", y = "TextDocCol"),  
           function(x, y) {  
               x %in% y  
           })  
   
 setMethod("lapply",  
           signature(X = "TextDocCol"),  
           function(X, FUN, ...) {  
               if (DBControl(X)[["useDb"]]) {  
                   db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
                   result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)  
                   dbDisconnect(db)  
257                }                }
               else  
                   result <- base::lapply(X, FUN, ...)  
               return(result)  
           })  
   
 setMethod("sapply",  
           signature(X = "TextDocCol"),  
           function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {  
               if (DBControl(X)[["useDb"]]) {  
                   db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
                   result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)  
                   dbDisconnect(db)  
               }  
               else  
                   result <- base::sapply(X, FUN, ...)  
               return(result)  
           })  

Legend:
Removed from v.728  
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