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 73, Tue Nov 21 15:52:39 2006 UTC pkg/R/corpus.R revision 1460, Mon Jan 9 17:01:04 2017 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the function_generator parser  Corpus <-
4  setGeneric("TextDocCol", function(object, parser = plaintext_parser, ...) standardGeneric("TextDocCol"))  function(x, readerControl = list(reader = reader(x), language = "en"))
5  setMethod("TextDocCol",  {
6            signature(object = "Source"),      stopifnot(inherits(x, "Source"))
           function(object, parser = plaintext_parser, ...) {  
               if (inherits(parser, "function_generator"))  
                   parser <- parser(...)  
7    
8                tdl <- list()      readerControl <- prepareReader(readerControl, reader(x))
               counter <- 1  
               while (!eoi(object)) {  
                   object <- step_next(object)  
                   elem <- get_elem(object)  
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (object@LoDSupport)  
                       load <- object@Load  
                   else  
                       load <- TRUE  
                   tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))  
                   counter <- counter + 1  
               }  
9    
10                dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      if ((inherits(x, "DirSource") || inherits(x, "VectorSource")) &&
11                dcmeta.node <- new("MetaDataNode",          identical(readerControl$reader, readPlain))
12                              NodeID = 0,          SimpleCorpus(x, readerControl)
                             MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))  
           })  
   
 setGeneric("DirSource", function(directory, load = FALSE) standardGeneric("DirSource"))  
 setMethod("DirSource",  
           signature(directory = "character"),  
           function(directory, load = FALSE) {  
               new("DirSource", LoDSupport = TRUE, FileList = dir(directory, full.names = TRUE),  
                   Position = 0, Load = load)  
           })  
   
 setGeneric("CSVSource", function(object) standardGeneric("CSVSource"))  
 setMethod("CSVSource",  
           signature(object = "character"),  
           function(object) {  
               object <- substitute(file(object))  
               con <- eval(object)  
               content <- scan(con, what = "character")  
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
 setMethod("CSVSource",  
           signature(object = "ANY"),  
           function(object) {  
               object <- substitute(object)  
               con <- eval(object)  
               content <- scan(con, what = "character")  
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("ReutersSource", function(object) standardGeneric("ReutersSource"))  
 setMethod("ReutersSource",  
           signature(object = "character"),  
           function(object) {  
               object <- substitute(file(object))  
               con <- eval(object)  
               corpus <- paste(readLines(con), "\n", collapse = "")  
               close(con)  
               tree <- xmlTreeParse(corpus, asText = TRUE)  
               content <- xmlRoot(tree)$children  
   
               new("ReutersSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
 setMethod("ReutersSource",  
           signature(object = "ANY"),  
           function(object) {  
               object <- substitute(object)  
               con <- eval(object)  
               corpus <- paste(readLines(con), "\n", collapse = "")  
               close(con)  
               tree <- xmlTreeParse(corpus, asText = TRUE)  
               content <- xmlRoot(tree)$children  
   
               new("ReutersSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("step_next", function(object) standardGeneric("step_next"))  
 setMethod("step_next",  
           signature(object = "DirSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           signature(object = "CSVSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           signature(object = "ReutersSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
   
 setGeneric("get_elem", function(object) standardGeneric("get_elem"))  
 setMethod("get_elem",  
           signature(object = "DirSource"),  
           function(object) {  
               filename <- object@FileList[object@Position]  
               list(content = readLines(filename),  
                    uri = substitute(file(filename)))  
           })  
 setMethod("get_elem",  
           signature(object = "CSVSource"),  
           function(object) {  
               list(content = object@Content[object@Position],  
                    uri = object@URI)  
           })  
 setMethod("get_elem",  
           signature(object = "ReutersSource"),  
           function(object) {  
               # Construct a character representation from the XMLNode  
               con <- textConnection("virtual.file", "w")  
               saveXML(object@Content[[object@Position]], con)  
               close(con)  
   
               list(content = virtual.file, uri = object@URI)  
           })  
   
 setGeneric("eoi", function(object) standardGeneric("eoi"))  
 setMethod("eoi",  
           signature(object = "DirSource"),  
           function(object) {  
               if (length(object@FileList) <= object@Position)  
                   return(TRUE)  
13                else                else
14                    return(FALSE)          VCorpus(x, readerControl)
           })  
 setMethod("eoi",  
           signature(object = "CSVSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
 setMethod("eoi",  
           signature(object = "ReutersSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
   
 plaintext_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("PlainTextDocument", .Data = elem$content, URI = elem$uri, Cached = TRUE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
15          }          }
         else {  
             doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
         }  
   
         return(doc)  
     }  
 }  
 class(plaintext_parser) <- "function_generator"  
16    
17  reut21578xml_parser <- function(...) {  PCorpus <-
18      function(elem, lodsupport, load, id) {  function(x,
19          corpus <- paste(elem$content, "\n", collapse = "")           readerControl = list(reader = reader(x), language = "en"),
20          tree <- xmlTreeParse(corpus, asText = TRUE)           dbControl = list(dbName = "", dbType = "DB1"))
21          node <- xmlRoot(tree)  {
22        stopifnot(inherits(x, "Source"))
23    
24          # Mask as list to bypass S4 checks      readerControl <- prepareReader(readerControl, reader(x))
         class(tree) <- "list"  
25    
26          # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
27          if (!is.null(node[["TEXT"]][["AUTHOR"]]))          stop("error in creating database")
28              author <- xmlValue(node[["TEXT"]][["AUTHOR"]])      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
         else  
             author <- ""  
   
         datetimestamp <- xmlValue(node[["DATE"]])  
         description <- ""  
         id <- xmlAttrs(node)[["NEWID"]]  
   
         # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["TITLE"]]))  
             heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
         else  
             heading <- ""  
29    
30          topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      x <- open(x)
31        tdl <- vector("list", length(x))
32          if (!lodsupport || (lodsupport && load)) {      counter <- 1
33              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,      while (!eoi(x)) {
34                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",          x <- stepNext(x)
35                         Heading = heading, LocalMetaData = list(Topics = topics))          elem <- getElem(x)
36          } else {          doc <- readerControl$reader(elem,
37              doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,                                      readerControl$language,
38                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",                                      as.character(counter))
39                         Heading = heading, LocalMetaData = list(Topics = topics))          filehash::dbInsert(db, meta(doc, "id"), doc)
40            tdl[[counter]] <- meta(doc, "id")
41            counter <- counter + 1
42          }          }
43        x <- close(x)
44    
45          return(doc)      p <- list(content = tdl,
46      }                meta = CorpusMeta(),
47                  dmeta = data.frame(row.names = seq_along(tdl)),
48                  dbcontrol = dbControl)
49        class(p) <- c("PCorpus", "Corpus")
50        p
51    }
52    
53    SimpleCorpus <-
54    function(x, control = list(language = "en"))
55    {
56        stopifnot(inherits(x, "Source"))
57    
58        if (!is.null(control$reader) && !identical(control$reader, readPlain))
59            warning("custom reader is ignored")
60    
61        content <- if (inherits(x, "VectorSource")) {
62            if (is.character(x$content)) x$content else as.character(x$content)
63        } else if (inherits(x, "DirSource")) {
64            setNames(as.character(
65                       lapply(x$filelist,
66                              function(f) paste(readContent(f, x$encoding, "text"),
67                                                collapse = "\n"))
68                       ),
69                     basename(x$filelist))
70        } else
71            stop("unsupported source type")
72        s <- list(content = content,
73                  meta = CorpusMeta(language = control$language),
74                  dmeta = data.frame(row.names = seq_along(x)))
75        class(s) <- c("SimpleCorpus", "Corpus")
76        s
77    }
78    
79    VCorpus <-
80    function(x, readerControl = list(reader = reader(x), language = "en"))
81    {
82        stopifnot(inherits(x, "Source"))
83    
84        readerControl <- prepareReader(readerControl, reader(x))
85    
86        x <- open(x)
87        tdl <- vector("list", length(x))
88        # Check for parallel element access
89        if (is.function(getS3method("pGetElem", class(x), TRUE)))
90            tdl <- mapply(function(elem, id)
91                            readerControl$reader(elem, readerControl$language, id),
92                          pGetElem(x),
93                          id = as.character(seq_along(x)),
94                          SIMPLIFY = FALSE)
95        else {
96            counter <- 1
97            while (!eoi(x)) {
98                x <- stepNext(x)
99                elem <- getElem(x)
100                doc <- readerControl$reader(elem,
101                                            readerControl$language,
102                                            as.character(counter))
103                tdl[[counter]] <- doc
104                counter <- counter + 1
105  }  }
 class(reut21578xml_parser) <- "function_generator"  
   
 rcv1_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         datetimestamp <- xmlAttrs(node)[["date"]]  
         id <- xmlAttrs(node)[["itemid"]]  
         heading <- xmlValue(node[["title"]])  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
106          }          }
107        x <- close(x)
108    
109          return(doc)      as.VCorpus(tdl)
110      }      }
 }  
 class(rcv1_parser) <- "function_generator"  
   
 newsgroup_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         mail <- elem$content  
         author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  
         datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  
         origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  
         heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))  
         newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))  
111    
112          if (!lodsupport || (lodsupport && load)) {  `[.PCorpus` <-
113              # The header is separated from the body by a blank line.  `[.SimpleCorpus` <-
114              # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}  function(x, i)
115              for (index in seq(along = mail)) {  {
116                  if (mail[index] == "")      if (!missing(i)) {
117                      break          x$content <- x$content[i]
118              }          x$dmeta <- x$dmeta[i, , drop = FALSE]
119              content <- mail[(index + 1):length(mail)]      }
120        x
121              doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,  }
122                         Author = author, DateTimeStamp = datetimestamp,  `[.VCorpus` <-
123                         Description = "", ID = id, Origin = origin,  function(x, i)
124                         Heading = heading, Newsgroup = newsgroup)  {
125          } else {      if (!missing(i)) {
126              doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,          x$content <- x$content[i]
127                         Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)          x$dmeta <- x$dmeta[i, , drop = FALSE]
128          }          if (!is.null(x$lazy))
129                x$lazy$index <- x$lazy$index[i]
130        }
131        x
132    }
133    
134    .map_name_index <-
135    function(x, i)
136    {
137        if (is.character(i))
138            match(i, meta(x, "id", "local"))
139        else
140            i
141    }
142    
143    `[[.PCorpus` <-
144    function(x, i)
145    {
146        i <- .map_name_index(x, i)
147        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
148        filehash::dbFetch(db, x$content[[i]])
149    }
150    `[[.SimpleCorpus` <-
151    function(x, i)
152    {
153        i <- .map_name_index(x, i)
154        n <- names(x$content)
155        PlainTextDocument(x$content[[i]],
156                          id = if (is.null(n)) i else n[i],
157                          language = meta(x, "language"))
158    }
159    `[[.VCorpus` <-
160    function(x, i)
161    {
162        i <- .map_name_index(x, i)
163        if (!is.null(x$lazy))
164            .Call(copyCorpus, x, materialize(x, i))
165        x$content[[i]]
166    }
167    
168    `[[<-.PCorpus` <-
169    function(x, i, value)
170    {
171        i <- .map_name_index(x, i)
172        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
173        db[[x$content[[i]]]] <- value
174        x
175    }
176    `[[<-.VCorpus` <-
177    function(x, i, value)
178    {
179        i <- .map_name_index(x, i)
180        # Mark new objects as inactive for lazy mapping
181        if (!is.null(x$lazy))
182            x$lazy$index[i] <- FALSE
183        x$content[[i]] <- value
184        x
185    }
186    
187    as.list.PCorpus <- as.list.VCorpus <-
188    function(x, ...)
189        setNames(content(x), as.character(lapply(content(x), meta, "id")))
190    
191    as.list.SimpleCorpus <-
192    function(x, ...)
193        as.list(content(x))
194    
195    as.VCorpus <-
196    function(x)
197        UseMethod("as.VCorpus")
198    as.VCorpus.VCorpus <- identity
199    as.VCorpus.list <-
200    function(x)
201    {
202        v <- list(content = x,
203                  meta = CorpusMeta(),
204                  dmeta = data.frame(row.names = seq_along(x)))
205        class(v) <- c("VCorpus", "Corpus")
206        v
207    }
208    
209    outer_union <-
210    function(x, y, ...)
211    {
212        if (nrow(x) > 0L)
213            x[, setdiff(names(y), names(x))] <- NA
214        if (nrow(y) > 0L)
215            y[, setdiff(names(x), names(y))] <- NA
216        res <- rbind(x, y)
217        if (ncol(res) == 0L)
218            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
219        res
220    }
221    
222    c.VCorpus <-
223    function(..., recursive = FALSE)
224    {
225        args <- list(...)
226        x <- args[[1L]]
227    
228          return(doc)      if (length(args) == 1L)
229      }          return(x)
 }  
 class(newsgroup_parser) <- "function_generator"  
230    
231  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file      if (!all(unlist(lapply(args, inherits, class(x)))))
232  rcv1_to_plain <- function(node, ...) {          stop("not all arguments are of the same corpus type")
     datetimestamp <- xmlAttrs(node)[["date"]]  
     id <- xmlAttrs(node)[["itemid"]]  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
     heading <- xmlValue(node[["title"]])  
233    
234      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,      v <- list(content = do.call("c", lapply(args, content)),
235          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)                meta = CorpusMeta(meta = do.call("c",
236                    lapply(args, function(a) meta(a, type = "corpus")))),
237                  dmeta = Reduce(outer_union, lapply(args, meta)))
238        class(v) <- c("VCorpus", "Corpus")
239        v
240    }
241    
242    content.VCorpus <-
243    function(x)
244    {
245        if (!is.null(x$lazy))
246            .Call(copyCorpus, x, materialize(x))
247        x$content
248    }
249    
250    content.SimpleCorpus <-
251    function(x)
252        x$content
253    
254    content.PCorpus <-
255    function(x)
256    {
257        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
258        filehash::dbMultiFetch(db, unlist(x$content))
259    }
260    
261    inspect <-
262    function(x)
263        UseMethod("inspect", x)
264    inspect.PCorpus <-
265    inspect.SimpleCorpus <-
266    inspect.VCorpus <-
267    function(x)
268    {
269        print(x)
270        cat("\n")
271        print(noquote(content(x)))
272        invisible(x)
273  }  }
274    
275  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  length.PCorpus <-
276  reut21578xml_to_plain <- function(node, ...) {  length.SimpleCorpus <-
277      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  length.VCorpus <-
278      if (!is.null(node[["TEXT"]][["AUTHOR"]]))  function(x)
279          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])      length(x$content)
280      else  
281          author <- ""  names.PCorpus <-
282    names.SimpleCorpus <-
283      datetimestamp <- xmlValue(node[["DATE"]])  names.VCorpus <-
284      description <- ""  function(x)
285      id <- xmlAttrs(node)[["NEWID"]]      as.character(meta(x, "id", "local"))
286    
287      origin <- "Reuters-21578 XML"  `names<-.PCorpus` <- `names<-.VCorpus` <-
288    function(x, value)
289      # The <BODY></BODY> tag is unfortunately NOT obligatory!  {
290      if (!is.null(node[["TEXT"]][["BODY"]]))      meta(x, "id", "local") <- as.character(value)
291          corpus <- xmlValue(node[["TEXT"]][["BODY"]])      x
292      else  }
293          corpus <- ""  
294    format.PCorpus <-
295      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  format.SimpleCorpus <-
296      if (!is.null(node[["TEXT"]][["TITLE"]]))  format.VCorpus <-
297          heading <- xmlValue(node[["TEXT"]][["TITLE"]])  function(x, ...)
298      else  {
299          heading <- ""      c(sprintf("<<%s>>", class(x)[1L]),
300          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
301      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)                length(meta(x, type = "corpus")),
302                  ncol(meta(x, type = "indexed"))),
303          sprintf("Content:  documents: %d", length(x)))
304    }
305    
306    writeCorpus <-
307    function(x, path = ".", filenames = NULL)
308    {
309        filenames <- file.path(path,
310          if (is.null(filenames))
311              sprintf("%s.txt", as.character(meta(x, "id", "local")))
312          else filenames)
313    
314      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = author, DateTimeStamp = datetimestamp,      stopifnot(length(x) == length(filenames))
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
 }  
315    
316  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
 setMethod("load_doc",  
           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("load_doc",  
           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("load_doc",  
           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("tm_update", function(object, origin, parser = plaintext_parser, ...) standardGeneric("tm_update"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tm_update",  
           signature(object = "TextDocCol", origin = "DirSource"),  
           function(object, origin, parser = plaintext_parser, ...) {  
               if (inherits(parser, "function_generator"))  
                   parser <- parser(...)  
   
               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 <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)  
               }  
   
               return(object)  
           })  
   
 setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  
 setMethod("tm_transform",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- object  
               result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
               return(result)  
           })  
   
 setGeneric("as.plaintext_doc", function(object, FUN, ...) standardGeneric("as.plaintext_doc"))  
 setMethod("as.plaintext_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("as.plaintext_doc",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               if (!Cached(object))  
                   object <- load_doc(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("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))  
 setMethod("tm_tolower",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
   
 setGeneric("strip_whitespace", function(object, ...) standardGeneric("strip_whitespace"))  
 setMethod("strip_whitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
   
 setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))  
 setMethod("stem_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))  
 setMethod("remove_words",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               if (!Cached(object))  
                   object <- load_doc(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, doclevel = FALSE) standardGeneric("tm_filter"))  
 setMethod("tm_filter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter, doclevel = FALSE) {  
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
317    
318  setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))      invisible(x)
 setMethod("tm_index",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter, doclevel = FALSE) {  
               if (doclevel)  
                   return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               else  
                   return(FUN(object, ...))  
           })  
   
 s_filter <- function(object, s, ...) {  
     query.df <- DMetaData(object)  
     con <- textConnection(s)  
     tokens <- scan(con, "character")  
     close(con)  
     local.meta <- lapply(object, LocalMetaData)  
     local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)  
     l.meta <- NULL  
     for (i in 1:length(object)) {  
         l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))  
     }  
     # TODO: Handle entries (\code{m} with length greater 1, i.e., lists)  
     for (i in 1:length(l.meta)) {  
         for (m in l.meta[[i]]) {  
             if (!(names(l.meta[[i]]) %in% names(query.df))) {  
                 before <- rep(NA, i - 1)  
                 after <- rep(NA, length(l.meta) - i)  
                 insert <- c(before, m, after)  
                 query.df <- cbind(query.df, insert, stringsAsFactors = FALSE)  
                 names(query.df)[length(query.df)] <- names(l.meta[[i]])  
319              }              }
             else {  
                 if (is.null(m))  
                     m <- NA  
                 #if (length(m) > 1)  
                 #    query.df[i,names(l.meta[[i]])] <- list(m)  
                 #else  
                     query.df[i,names(l.meta[[i]])] <- m  
             }  
         }  
     }  
     attach(query.df)  
     result <- rownames(query.df) == row.names(query.df[eval(parse(text = s)), ])  
     detach(query.df)  
     return(result)  
 }  
   
 #s_filter <- function(object, s, ..., DMetaData) {  
 #    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(DMetaData)){  
 #            b <- b && any(grep(s[[tag]], DMetaData[[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 <- load_doc(object)  
   
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("attach_data", function(object, data) standardGeneric("attach_data"))  
 setGeneric("attach_metadata", function(object, name, metadata) standardGeneric("attach_metadata"))  
   
 setGeneric("append_doc", function(object, data, meta = NULL) standardGeneric("append_doc"))  
 setMethod("append_doc",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               object@.Data <- c(object@.Data, list(data))  
               if (length(meta) > 0)  
                   object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))  
               return(object)  
           })  
   
 setGeneric("append_meta", function(object, dcmeta = list(), dmeta = NULL) standardGeneric("append_meta"))  
 setMethod("append_meta",  
           signature(object = "TextDocCol"),  
           function(object, dcmeta = list(), dmeta = NULL) {  
               object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)  
               if (length(dmeta) > 0)  
                   object@DMetaData <- cbind(object@DMetaData, dmeta)  
               return(object)  
           })  
   
 setGeneric("remove_metadata", function(object, name) standardGeneric("remove_metadata"))  
 #setMethod("remove_metadata",  
 #          signature(object = "TextDocCol"),  
 #          function(object, name) {  
 #              object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != name]  
 #              return(object)  
 #          })  
   
 setGeneric("modify_metadata", function(object, name, metadata) standardGeneric("modify_metadata"))  
 #setMethod("modify_metadata",  
 #          signature(object = "TextDocCol"),  
 #          function(object, name, metadata) {  
 #              object@DMetaData[[name]] <- metadata  
 #              return(object)  
 #          })  
   
 setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))  
 setMethod("prescind_meta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   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)  
                   object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)  
                   names(object@DMetaData)[length(object@DMetaData)] <- m  
               }  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
   
               object <- x  
               object@.Data <- x@.Data[i, ..., drop = FALSE]  
               object@DMetaData <- DMetaData(object)[i, ]  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               return(x@.Data[[i, ...]])  
           })  
   
 setMethod("[[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               object@.Data[[i, ...]] <- value  
               return(object)  
           })  
   
 # Update \code{NodeID}s of a DCMetaData tree  
 # TODO: Avoid global variables outside of update_id function  
 update_id <- function(object) {  
     id <<- 0  
     mapping <<- left.mapping <<- NULL  
     level <<- 0  
     return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  
 }  
   
 # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s  
 set_id <- function(object) {  
     object@NodeID <- id  
     id <<- id + 1  
     level <<- level + 1  
   
     if (length(object@children) > 0) {  
         mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))  
         left <- set_id(object@children[[1]])  
         if (level == 1) {  
             left.mapping <<- mapping  
             mapping <<- NULL  
         }  
         mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))  
         right <- set_id(object@children[[2]])  
   
         object@children <- list(left, right)  
     }  
     level <<- level - 1  
   
     return(object)  
 }  
   
 setMethod("c",  
           signature(x = "TextDocCol"),  
           function(x, y, ..., meta = list(merge_date = date(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  
               if (!inherits(y, "TextDocCol"))  
                   stop("invalid argument")  
   
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
   
               # Update the DCMetaData tree  
               dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))  
               update.struct <- update_id(dcmeta)  
               object@DCMetaData <- 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)  
   
               dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)  
               dcmeta.node <- new("MetaDataNode",  
                             NodeID = 0,  
                             MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))  
           })  
   
 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(DMetaData(object)),  
                                               "\nThe global metadata consists of %d tag-value pair\n",  
                                               "\nThe global metadata consists of %d tag-value pairs\n"),  
                                        length(DMetaData(object))))  
                   cat("Available tags are:\n")  
                   cat(names(DMetaData(object)), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("TextDocCol"),  
           function(object) {  
               summary(object)  
               cat("\n")  
               show(as(object, "list"))  
           })  
   
 # No metadata is checked  
 setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  
 setMethod("%IN%",  
           signature(x = "TextDocument", y = "TextDocCol"),  
           function(x, y) {  
               x %in% y  
           })  

Legend:
Removed from v.73  
changed lines
  Added in v.1460

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