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 62, Tue Oct 24 10:08:58 2006 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  setGeneric("TextDocCol", function(object, parser = plaintext.parser, lod = FALSE) standardGeneric("TextDocCol"))  PCorpus <-
4  setMethod("TextDocCol",  function(x,
5            signature(object = "character"),           readerControl = list(reader = reader(x), 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, reader(x))
11    
12  plaintext.parser <- function(file, lod) {      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
13      id <- file          stop("error in creating database")
14      origin <- dirname(file)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
15    
16      doc <- new("PlainTextDocument", FileName = file, Cached = FALSE, Author = "Unknown",      x <- open(x)
17                 DateTimeStamp = date(), Description = "", ID = id, Origin = origin, Heading = "")      tdl <- vector("list", length(x))
18        counter <- 1
19      if (lod) {      while (!eoi(x)) {
20          doc <- loadFileIntoMem(doc)          x <- stepNext(x)
21      }          elem <- getElem(x)
22            doc <- readerControl$reader(elem,
23      return(doc)                                      readerControl$language,
24  }                                      as.character(counter))
25            filehash::dbInsert(db, meta(doc, "id"), doc)
26  reuters21578xml.parser <- function(file, lod) {          tdl[[counter]] <- meta(doc, "id")
27      tree <- xmlTreeParse(file)          counter <- counter + 1
28      node <- xmlRoot(tree)      }
29        x <- close(x)
30      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
31      if (!is.null(node[["TEXT"]][["AUTHOR"]]))      p <- list(content = tdl,
32          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])                meta = CorpusMeta(),
33      else                dmeta = data.frame(row.names = seq_along(tdl)),
34          author <- ""                dbcontrol = dbControl)
35        class(p) <- c("PCorpus", "Corpus")
36      datetimestamp <- xmlValue(node[["DATE"]])      p
37      description <- ""  }
38      id <- xmlAttrs(node)[["NEWID"]]  
39    Corpus <-
40      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  VCorpus <-
41      if (!is.null(node[["TEXT"]][["TITLE"]]))  function(x, readerControl = list(reader = reader(x), language = "en"))
42          heading <- xmlValue(node[["TEXT"]][["TITLE"]])  {
43        stopifnot(inherits(x, "Source"))
44    
45        readerControl <- prepareReader(readerControl, reader(x))
46    
47        x <- open(x)
48        tdl <- vector("list", length(x))
49        # Check for parallel element access
50        if (is.function(getS3method("pGetElem", class(x), TRUE)))
51            tdl <- mapply(function(elem, id)
52                              readerControl$reader(elem, readerControl$language, id),
53                          pGetElem(x),
54                          id = as.character(seq_along(x)),
55                          SIMPLIFY = FALSE)
56        else {
57            counter <- 1
58            while (!eoi(x)) {
59                x <- stepNext(x)
60                elem <- getElem(x)
61                doc <- readerControl$reader(elem,
62                                            readerControl$language,
63                                            as.character(counter))
64                tdl[[counter]] <- doc
65                counter <- counter + 1
66            }
67        }
68        x <- close(x)
69    
70        as.VCorpus(tdl)
71    }
72    
73    `[.PCorpus` <-
74    function(x, i)
75    {
76        if (!missing(i)) {
77            x$content <- x$content[i]
78            x$dmeta <- x$dmeta[i, , drop = FALSE]
79        }
80        x
81    }
82    
83    `[.VCorpus` <-
84    function(x, i)
85    {
86        if (!missing(i)) {
87            x$content <- x$content[i]
88            x$dmeta <- x$dmeta[i, , drop = FALSE]
89            if (!is.null(x$lazy))
90                x$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
   
     topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
     doc <- new("XMLTextDocument", FileName = file, Cached = FALSE, Author = author,  
                DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                Heading = heading, LocalMetaData = list(Topics = topics))  
   
     if (lod) {  
         doc <- loadFileIntoMem(doc)  
     }  
   
     return(doc)  
 }  
   
 rcv1.parser <- function(file, lod) {  
     tree <- xmlTreeParse(file)  
     node <- xmlRoot(tree)  
   
     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)  
102      }      }
103    
104      return(doc)  `[[.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  uci.kdd.newsgroup.parser <-  function(file, lod) {      if (length(args) == 1L)
177      mail <- readLines(file)          return(x)
     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))  
178    
179      new("NewsgroupDocument", FileName = file, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,      if (!all(unlist(lapply(args, inherits, class(x)))))
180          Description = "", ID = file, Origin = origin, Heading = heading, Newsgroup = newsgroup)          stop("not all arguments are of the same corpus type")
181    
182      if (lod) {      v <- list(content = do.call("c", lapply(args, content)),
183          doc <- loadFileIntoMem(doc)                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$content))
203    }
204    
205    inspect <-
206    function(x)
207        UseMethod("inspect", x)
208    inspect.PCorpus <- inspect.VCorpus <-
209    function(x)
210    {
211        print(x)
212        cat("\n")
213        print(noquote(content(x)))
214        invisible(x)
215      }      }
216    
217      return(doc)  length.PCorpus <- length.VCorpus <-
218  }  function(x)
219        length(x$content)
220    
221  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  names.PCorpus <- names.VCorpus <-
222  rcv1.to.plain <- function(node) {  function(x)
223      datetimestamp <- xmlAttrs(node)[["date"]]      as.character(meta(x, "id", "local"))
     id <- xmlAttrs(node)[["itemid"]]  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
     heading <- xmlValue(node[["title"]])  
224    
225      new("PlainTextDocument", .Data = corpus, Author = "", DateTimeStamp = datetimestamp,  `names<-.PCorpus` <- `names<-.VCorpus` <-
226          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)  function(x, value)
227    {
228        meta(x, "id", "local") <- as.character(value)
229        x
230  }  }
231    
232  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  print.PCorpus <- print.VCorpus <-
233  reuters21578xml.to.plain <- function(node) {  function(x, ...)
234      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  {
235      if (!is.null(node[["TEXT"]][["AUTHOR"]]))      writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
236          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])                         class(x)[1],
237      else                         length(x),
238          author <- ""                         length(meta(x, type = "corpus")),
239                           ncol(meta(x, type = "indexed"))))
240      datetimestamp <- xmlValue(node[["DATE"]])      invisible(x)
     description <- ""  
     id <- xmlAttrs(node)[["NEWID"]]  
   
     origin <- "Reuters-21578 XML"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
   
     topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
     new("PlainTextDocument", .Data = corpus, Cached = TRUE, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
241  }  }
242    
243  setGeneric("loadFileIntoMem", function(object) standardGeneric("loadFileIntoMem"))  writeCorpus <-
244  setMethod("loadFileIntoMem",  function(x, path = ".", filenames = NULL)
245            signature(object = "PlainTextDocument"),  {
246            function(object) {      filenames <- file.path(path,
247                if (!Cached(object)) {        if (is.null(filenames))
248                    corpus <- readLines(FileName(object))            sprintf("%s.txt", as.character(meta(x, "id", "local")))
249                    Corpus(object) <- corpus        else filenames)
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           signature(object =  "XMLTextDocument"),  
           function(object) {  
               if (!Cached(object)) {  
                   file <- FileName(object)  
                   doc <- xmlTreeParse(file)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadFileIntoMem",  
           signature(object = "NewsgroupDocument"),  
           function(object) {  
               if (!Cached(object)) {  
                   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",  
           signature(object = "TextDocCol", FUN = "function"),  
           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",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("toPlainTextDocument",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               if (!Cached(object))  
                   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",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   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))  
                   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 = s.filter) standardGeneric("tm_filter"))  
 setMethod("tm_filter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s.filter) {  
               object[tm_index(object, ..., FUN)]  
           })  
   
 setGeneric("tm_index", function(object, ..., FUN = s.filter) standardGeneric("tm_index"))  
 setMethod("tm_index",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s.filter) {  
               sapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object))  
           })  
   
 s.filter <- function(object, s, ..., GlobalMetaData) {  
     b <- TRUE  
     for (tag in names(s)) {  
         if (tag %in% names(LocalMetaData(object))) {  
             b <- b && any(grep(s[[tag]], LocalMetaData(object)[[tag]]))  
         } else if (tag %in% names(GlobalMetaData)){  
             b <- b && any(grep(s[[tag]], GlobalMetaData[[tag]]))  
         } else {  
             b <- b && any(grep(s[[tag]], eval(call(tag, object))))  
         }  
     }  
     return(b)  
 }  
   
 setGeneric("fulltext.search.filter", function(object, pattern, ...) standardGeneric("fulltext.search.filter"))  
 setMethod("fulltext.search.filter",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               if (!Cached(object))  
                   object <- loadFileIntoMem(object)  
   
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("reuters21578.topic.filter", function(object, topics, ...) standardGeneric("reuters21578.topic.filter"))  
 setMethod("reuters21578.topic.filter",  
           signature(object = "PlainTextDocument", topics = "character"),  
           function(object, topics, ...) {  
               if (!Cached(object))  
                   object <- loadFileIntoMem(object)  
   
               if (any(LocalMetaData(object)$Topics %in% topics))  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
250    
251  setGeneric("id.filter", function(object, IDs, ...) standardGeneric("id.filter"))      stopifnot(length(x) == length(filenames))
 setMethod("id.filter",  
           signature(object = "TextDocument", IDs = "numeric"),  
           function(object, IDs, ...) {  
               if (ID(object) %in% IDs)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
252    
253  setGeneric("attachData", function(object, data) standardGeneric("attachData"))      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
 setMethod("attachData",  
           signature(object = "TextDocCol", data = "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",  
           signature(object = "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",  
           signature(object = "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)  
254    
255                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]  
256                    }                    }
               }  
               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.62  
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