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/tm/R/textdoccol.R revision 46, Wed Jul 5 18:08:41 2006 UTC pkg/R/corpus.R revision 1419, Sat May 2 17:23:47 2015 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) standardGeneric("textdoccol"))  PCorpus <-
4  setMethod("textdoccol",  function(x,
5            c("character"),           readerControl = list(reader = reader(x), language = "en"),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {           dbControl = list(dbName = "", dbType = "DB1"))
7                # Add a new type for each unique input source format  {
8                type <- match.arg(inputType,c("CSV", "RCV1", "REUT21578", "RIS"))      stopifnot(inherits(x, "Source"))
9                switch(type,  
10                       # Text in a special CSV format      readerControl <- prepareReader(readerControl, reader(x))
11                       # For details on the file format see the R documentation file  
12                       # The first argument is a directory with .csv files      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
13                       "CSV" = {          stop("error in creating database")
14                           filelist <- dir(object, pattern = ".csv", full.names = TRUE)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
15                           tdl <- sapply(filelist,  
16                                         function(file) {      x <- open(x)
17                                             m <- as.matrix(read.csv(file, header = FALSE))      tdl <- vector("list", length(x))
18                                             l <- vector("list", dim(m)[1])      counter <- 1
19                                             for (i in 1:dim(m)[1]) {      while (!eoi(x)) {
20                                                 author <- ""          x <- stepNext(x)
21                                                 datetimestamp <- date()          elem <- getElem(x)
22                                                 description <- ""          doc <- readerControl$reader(elem,
23                                                 id <- as.integer(m[i,1])                                      readerControl$language,
24                                                 corpus <- as.character(m[i,2:dim(m)[2]])                                      as.character(counter))
25                                                 if (stripWhiteSpace)          filehash::dbInsert(db, meta(doc, "id"), doc)
26                                                     corpus <- gsub("[[:space:]]+", " ", corpus)          tdl[[counter]] <- meta(doc, "id")
27                                                 if (toLower)          counter <- counter + 1
28                                                     corpus <- tolower(corpus)      }
29                                                 origin <- "CSV"      x <- close(x)
                                                heading <- ""  
   
                                                l[[i]] <- new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,  
                                                              description = description, id = id, origin = origin, heading = heading)  
                                            }  
                                            l  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("textdoccol", .Data = tdl)  
                      },  
                      # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format  
                      # The first argument is a directory with the RCV1 XML files  
                      "RCV1" = {  
                          filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("textdoccol", .Data = tdl)  
                      },  
                      # 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" = {  
                          filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("textdoccol", .Data = tdl)  
                      },  
                      # Read in HTML documents as used by http://ris.bka.gv.at/vwgh  
                      "RIS" = {  
                          filelist <- dir(object, pattern = ".html", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            # Ignore warnings from misformed HTML documents  
                                            suppressWarnings(RISDoc <- parseHTML(file, stripWhiteSpace, toLower))  
                                            if (!is.null(RISDoc)) {  
                                                l <- list()  
                                                l[[length(l) + 1]] <- RISDoc  
                                                l  
                                            }  
                                        })  
                          tdcl <- new("textdoccol", .Data = tdl)  
                      })  
               tdcl  
           })  
   
 # Parse an Austrian RIS HTML document  
 parseHTML <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- ""  
     datetimestamp <- date()  
     description <- ""  
   
     tree <- htmlTreeParse(file)  
     htmlElem <- unlist(tree$children$html$children)  
   
     if (is.null(htmlElem))  
         stop(paste("Empty document", file, "cannot be processed."))  
   
     textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  
     names(textElem) <- NULL  
   
     corpus <- paste(textElem, collapse = " ")  
   
     year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)  
     senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)  
     number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)  
   
     id <- as.integer(paste(year, senat, number, sep = ""))  
   
     if (is.na(id))  
         stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  
     origin <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- ""  
   
     new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,  
         description = description, id = id, origin = origin, heading = heading)  
 }  
   
 # TODO: Implement lacking fields as soon I have access to the original RCV1  
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- "Not yet implemented"  
     datetimestamp <- xmlAttrs(node)[["date"]]  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["itemid"]])  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- xmlValue(node[["title"]])  
   
     new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,  
         description = description, id = id, origin = origin, heading = heading)  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
30    
31      datetimestamp <- xmlValue(node[["DATE"]])      p <- list(content = tdl,
32      description <- ""                meta = CorpusMeta(),
33      id <- as.integer(xmlAttrs(node)[["NEWID"]])                dmeta = data.frame(row.names = seq_along(tdl)),
34                  dbcontrol = dbControl)
35        class(p) <- c("PCorpus", "Corpus")
36        p
37    }
38    
39      origin <- "Reuters-21578 XML"  Corpus <-
40    VCorpus <-
41    function(x, readerControl = list(reader = reader(x), language = "en"))
42    {
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      # The <BODY></BODY> tag is unfortunately NOT obligatory!      as.VCorpus(tdl)
71      if (!is.null(node[["TEXT"]][["BODY"]]))  }
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
72    
73      if (stripWhiteSpace)  `[.PCorpus` <-
74          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
75      if (toLower)  {
76          corpus <- tolower(corpus)      if (!missing(i)) {
77            x$content <- x$content[i]
78      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!          x$dmeta <- x$dmeta[i, , drop = FALSE]
79      if (!is.null(node[["TEXT"]][["TITLE"]]))      }
80          heading <- xmlValue(node[["TEXT"]][["TITLE"]])      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$index[i]
91        }
92        x
93    }
94    
95    .map_name_index <-
96    function(x, i)
97    {
98        if (is.character(i))
99            match(i, meta(x, "id", "local"))
100      else      else
101          heading <- ""          i
102    }
103    
104    `[[.PCorpus` <-
105    function(x, i)
106    {
107        i <- .map_name_index(x, i)
108        db <- filehash::dbInit(x$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$content[[i]] <- value
136        x
137    }
138    
139    as.list.PCorpus <- as.list.VCorpus <-
140    function(x, ...)
141        setNames(content(x), as.character(lapply(content(x), meta, "id")))
142    
143    as.VCorpus <-
144    function(x)
145        UseMethod("as.VCorpus")
146    as.VCorpus.VCorpus <- identity
147    as.VCorpus.list <-
148    function(x)
149    {
150        v <- list(content = x,
151                  meta = CorpusMeta(),
152                  dmeta = data.frame(row.names = seq_along(x)))
153        class(v) <- c("VCorpus", "Corpus")
154        v
155    }
156    
157    outer_union <-
158    function(x, y, ...)
159    {
160        if (nrow(x) > 0L)
161            x[, setdiff(names(y), names(x))] <- NA
162        if (nrow(y) > 0L)
163            y[, setdiff(names(x), names(y))] <- NA
164        res <- rbind(x, y)
165        if (ncol(res) == 0L)
166            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
167        res
168    }
169    
170    c.VCorpus <-
171    function(..., recursive = FALSE)
172    {
173        args <- list(...)
174        x <- args[[1L]]
175    
176        if (length(args) == 1L)
177            return(x)
178    
179        if (!all(unlist(lapply(args, inherits, class(x)))))
180            stop("not all arguments are of the same corpus type")
181    
182        v <- list(content = do.call("c", lapply(args, content)),
183                  meta = CorpusMeta(meta = do.call("c",
184                    lapply(args, function(a) meta(a, type = "corpus")))),
185                  dmeta = Reduce(outer_union, lapply(args, meta)))
186        class(v) <- c("VCorpus", "Corpus")
187        v
188    }
189    
190    content.VCorpus <-
191    function(x)
192    {
193        if (!is.null(x$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    format.PCorpus <- format.VCorpus <-
233    function(x, ...)
234    {
235        c(sprintf("<<%s>>", class(x)[1L]),
236          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
237                  length(meta(x, type = "corpus")),
238                  ncol(meta(x, type = "indexed"))),
239          sprintf("Content:  documents: %d", length(x)))
240    }
241    
242    writeCorpus <-
243    function(x, path = ".", filenames = NULL)
244    {
245        filenames <- file.path(path,
246          if (is.null(filenames))
247              sprintf("%s.txt", as.character(meta(x, "id", "local")))
248          else filenames)
249    
250        stopifnot(length(x) == length(filenames))
251    
252        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
253    
254      new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
255  }  }

Legend:
Removed from v.46  
changed lines
  Added in v.1419

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