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 24, Sun Nov 20 15:31:34 2005 UTC pkg/R/corpus.R revision 1409, Fri Feb 27 16:10:18 2015 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # S4 class definition  PCorpus <-
4  # Text document collection  function(x,
5  setClass("textdoccol",           readerControl = list(reader = reader(x), language = "en"),
6           representation(tdm = "termdocmatrix"),           dbControl = list(dbName = "", dbType = "DB1"))
7           contains = c("list"))  {
8        stopifnot(inherits(x, "Source"))
9  # Accessor functions as described in "S4 Classes in 15 pages, more or less"  
10        readerControl <- prepareReader(readerControl, reader(x))
11  if (!isGeneric("tdm")) {  
12      if (is.function("tdm"))      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
13          fun <- tdm          stop("error in creating database")
14      else      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
15          fun <- function(object) standardGeneric("tdm")  
16      setGeneric("tdm", fun)      x <- open(x)
17        tdl <- vector("list", length(x))
18        counter <- 1
19        while (!eoi(x)) {
20            x <- stepNext(x)
21            elem <- getElem(x)
22            doc <- readerControl$reader(elem,
23                                        readerControl$language,
24                                        as.character(counter))
25            filehash::dbInsert(db, meta(doc, "id"), doc)
26            tdl[[counter]] <- meta(doc, "id")
27            counter <- counter + 1
28  }  }
29  setMethod("tdm", "textdoccol", function(object) object@tdm)      x <- close(x)
30    
31  # Constructors      p <- list(content = tdl,
32                  meta = CorpusMeta(),
33                  dmeta = data.frame(row.names = seq_along(tdl)),
34                  dbcontrol = dbControl)
35        class(p) <- c("PCorpus", "Corpus")
36        p
37    }
38    
39  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))  Corpus <-
40  setMethod("textdoccol",  VCorpus <-
41            c("character", "character", "logical", "logical",  "character",  function(x, readerControl = list(reader = reader(x), language = "en"))
42              "logical", "character", "integer", "integer", "logical"),  {
43            function(object, inputType = "RCV1", stripWhiteSpace = FALSE, toLower = FALSE, weighting = "tf",      stopifnot(inherits(x, "Source"))
44                     stemming = FALSE, language = "english", minWordLength = 3, minDocFreq = 1, stopwords = NULL) {  
45        readerControl <- prepareReader(readerControl, reader(x))
46                # Add a new type for each unique input source format  
47                type <- match.arg(inputType,c("RCV1","CSV","REUT21578"))      x <- open(x)
48                switch(type,      tdl <- vector("list", length(x))
49                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format      # Check for parallel element access
50                       # For the moment the first argument is still a single file      if (is.function(getS3method("pGetElem", class(x), TRUE)))
51                       # This will be changed to a directory as soon as we have the full RCV1 data set          tdl <- mapply(function(elem, id)
52                       "RCV1" = {                            readerControl$reader(elem, readerControl$language, id),
53                           require(XML)                        pGetElem(x),
54                          id = as.character(seq_along(x)),
55                           tree <- xmlTreeParse(object)                        SIMPLIFY = FALSE)
56                           tdcl <- new("textdoccol", .Data = xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower))      else {
57                       },          counter <- 1
58                       # Text in a special CSV format (as e.g. exported from an Excel sheet)          while (!eoi(x)) {
59                       # For details on the file format see data/Umfrage.csv              x <- stepNext(x)
60                       # The first argument has to be a single file              elem <- getElem(x)
61                       "CSV" = {              doc <- readerControl$reader(elem,
62                           m <- as.matrix(read.csv(object))                                          readerControl$language,
63                           l <- vector("list", dim(m)[1])                                          as.character(counter))
64                           for (i in 1:dim(m)[1]) {              tdl[[counter]] <- doc
65                               author <- "Not yet implemented"              counter <- counter + 1
66                               timestamp <- date()          }
67                               description <- "Not yet implemented"      }
68                               id <- i      x <- close(x)
69                               corpus <- as.character(m[i,2:dim(m)[2]])  
70                               if (stripWhiteSpace)      as.VCorpus(tdl)
71                                   corpus <- gsub("[[:space:]]+", " ", corpus)  }
72                               if (toLower)  
73                                   corpus <- tolower(corpus)  `[.PCorpus` <-
74                               origin <- "Not yet implemented"  function(x, i)
75                               heading <- "Not yet implemented"  {
76        if (!missing(i)) {
77                               l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,          x$content <- x$content[i]
78                                   description = description, id = id, origin = origin, heading = heading)          x$dmeta <- x$dmeta[i, , drop = FALSE]
79                           }      }
80                           tdcl <- new("textdoccol", .Data = l)      x
81                       },  }
                      # Read in text documents in Reuters-21578 XML (not SGML) format  
                      # Typically the first argument will be a directory where we can  
                      # find the files reut2-000.xml ... reut2-021.xml  
                      "REUT21578" = {  
                          require(XML)  
   
                          tdl <- sapply(dir(object,  
                                            pattern = ".xml",  
                                            full.names = TRUE),  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)  
                                        })  
   
                          tdcl <- new("textdoccol", .Data = tdl)  
                      })  
   
               tdcl@tdm <- termdocmatrix(tdcl, weighting, stemming, language, minWordLength, minDocFreq, stopwords)  
   
               tdcl  
           })  
   
 # 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 <- "Not yet implemented"  
     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) {  
     author <- "Not yet implemented"  
     timestamp <- xmlValue(node[["DATE"]])  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
   
     origin <- "Not yet implemented"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
82    
83      if (stripWhiteSpace)  `[.VCorpus` <-
84          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
85      if (toLower)  {
86          corpus <- tolower(corpus)      if (!missing(i)) {
87            x$content <- x$content[i]
88      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!          x$dmeta <- x$dmeta[i, , drop = FALSE]
89      if (!is.null(node[["TEXT"]][["TITLE"]]))          if (!is.null(x$lazy))
90          heading <- xmlValue(node[["TEXT"]][["TITLE"]])              x$lazy$index <- x$lazy$index[i]
91        }
92        x
93    }
94    
95    .map_name_index <-
96    function(x, i)
97    {
98        if (is.character(i))
99            match(i, meta(x, "id", "local"))
100      else      else
101          heading <- ""          i
102    }
103    
104    `[[.PCorpus` <-
105    function(x, i)
106    {
107        i <- .map_name_index(x, i)
108        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
109        filehash::dbFetch(db, x$content[[i]])
110    }
111    `[[.VCorpus` <-
112    function(x, i)
113    {
114        i <- .map_name_index(x, i)
115        if (!is.null(x$lazy))
116            .Call(copyCorpus, x, materialize(x, i))
117        x$content[[i]]
118    }
119    
120    `[[<-.PCorpus` <-
121    function(x, i, value)
122    {
123        i <- .map_name_index(x, i)
124        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
125        db[[x$content[[i]]]] <- value
126        x
127    }
128    `[[<-.VCorpus` <-
129    function(x, i, value)
130    {
131        i <- .map_name_index(x, i)
132        # Mark new objects as inactive for lazy mapping
133        if (!is.null(x$lazy))
134            x$lazy$index[i] <- FALSE
135        x$content[[i]] <- value
136        x
137    }
138    
139    as.list.PCorpus <- as.list.VCorpus <-
140    function(x, ...)
141        content(x)
142    
143    as.VCorpus <-
144    function(x)
145        UseMethod("as.VCorpus")
146    as.VCorpus.VCorpus <- identity
147    as.VCorpus.list <-
148    function(x)
149    {
150        v <- list(content = x,
151                  meta = CorpusMeta(),
152                  dmeta = data.frame(row.names = seq_along(x)))
153        class(v) <- c("VCorpus", "Corpus")
154        v
155    }
156    
157    outer_union <-
158    function(x, y, ...)
159    {
160        if (nrow(x) > 0L)
161            x[, setdiff(names(y), names(x))] <- NA
162        if (nrow(y) > 0L)
163            y[, setdiff(names(x), names(y))] <- NA
164        res <- rbind(x, y)
165        if (ncol(res) == 0L)
166            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
167        res
168    }
169    
170    c.VCorpus <-
171    function(..., recursive = FALSE)
172    {
173        args <- list(...)
174        x <- args[[1L]]
175    
176        if (length(args) == 1L)
177            return(x)
178    
179        if (!all(unlist(lapply(args, inherits, class(x)))))
180            stop("not all arguments are of the same corpus type")
181    
182        v <- list(content = do.call("c", lapply(args, content)),
183                  meta = CorpusMeta(meta = do.call("c",
184                    lapply(args, function(a) meta(a, type = "corpus")))),
185                  dmeta = Reduce(outer_union, lapply(args, meta)))
186        class(v) <- c("VCorpus", "Corpus")
187        v
188    }
189    
190    content.VCorpus <-
191    function(x)
192    {
193        if (!is.null(x$lazy))
194            .Call(copyCorpus, x, materialize(x))
195        x$content
196    }
197    
198    content.PCorpus <-
199    function(x)
200    {
201        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
202        filehash::dbMultiFetch(db, unlist(x$content))
203    }
204    
205    inspect <-
206    function(x)
207        UseMethod("inspect", x)
208    inspect.PCorpus <- inspect.VCorpus <-
209    function(x)
210    {
211        print(x)
212        cat("\n")
213        print(noquote(content(x)))
214        invisible(x)
215    }
216    
217    length.PCorpus <- length.VCorpus <-
218    function(x)
219        length(x$content)
220    
221    names.PCorpus <- names.VCorpus <-
222    function(x)
223        as.character(meta(x, "id", "local"))
224    
225    `names<-.PCorpus` <- `names<-.VCorpus` <-
226    function(x, value)
227    {
228        meta(x, "id", "local") <- as.character(value)
229        x
230    }
231    
232    print.PCorpus <- print.VCorpus <-
233    function(x, ...)
234    {
235        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
236                           class(x)[1],
237                           length(x),
238                           length(meta(x, type = "corpus")),
239                           ncol(meta(x, type = "indexed"))))
240        invisible(x)
241    }
242    
243    writeCorpus <-
244    function(x, path = ".", filenames = NULL)
245    {
246        filenames <- file.path(path,
247          if (is.null(filenames))
248              sprintf("%s.txt", as.character(meta(x, "id", "local")))
249          else filenames)
250    
251        stopifnot(length(x) == length(filenames))
252    
253        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
254    
255      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
256  }  }

Legend:
Removed from v.24  
changed lines
  Added in v.1409

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