SCM

SCM Repository

[tm] Diff of /pkg/R/corpus.R
ViewVC logotype

Diff of /pkg/R/corpus.R

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

trunk/tm/R/textdoccol.R revision 828, Sun Mar 9 07:47:15 2008 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 FunctionGenerator reader  Corpus <-
4  setGeneric("Corpus", function(object,  function(x, readerControl = list(reader = reader(x), language = "en"))
5                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),  {
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),      stopifnot(inherits(x, "Source"))
                                   ...) standardGeneric("Corpus"))  
 setMethod("Corpus",  
           signature(object = "Source"),  
           function(object,  
                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),  
                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),  
                    ...) {  
               if (is.null(readerControl$reader))  
                   readerControl$reader <- object@DefaultReader  
               if (is(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
               if (is.null(readerControl$language))  
                   readerControl$language = "en_US"  
               if (is.null(readerControl$load))  
                   readerControl$load = TRUE  
7    
8                if (dbControl$useDb) {      readerControl <- prepareReader(readerControl, reader(x))
                   if (!dbCreate(dbControl$dbName, dbControl$dbType))  
                       stop("error in creating database")  
                   db <- dbInit(dbControl$dbName, dbControl$dbType)  
               }  
   
               tdl <- list()  
               counter <- 1  
               while (!eoi(object)) {  
                   object <- stepNext(object)  
                   elem <- getElem(object)  
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (!object@LoDSupport)  
                       readerControl$load <- TRUE  
                   doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))  
                   if (dbControl$useDb) {  
                       dbInsert(db, ID(doc), doc)  
                       tdl <- c(tdl, ID(doc))  
                   }  
                   else  
                       tdl <- c(tdl, list(doc))  
                   counter <- counter + 1  
               }  
9    
10                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      if ((inherits(x, "DirSource") || inherits(x, "VectorSource")) &&
11                if (dbControl$useDb) {          identical(readerControl$reader, readPlain))
12                    dbInsert(db, "DMetaData", df)          SimpleCorpus(x, readerControl)
                   dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))  
               }  
               else  
                   dmeta.df <- df  
   
               cmeta.node <- new("MetaDataNode",  
                             NodeID = 0,  
                             MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))  
           })  
   
 setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  
 setMethod("loadDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   Content(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Content(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   mail <- readLines(con)  
                   close(con)  
                   Cached(object) <- TRUE  
                   for (index in seq_along(mail)) {  
                       if (mail[index] == "")  
                           break  
                   }  
                   Content(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object = "StructuredTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   warning("load on demand not (yet) supported for StructuredTextDocuments")  
                   return(object)  
               } else  
                   return(object)  
           })  
   
 setGeneric("tmUpdate", function(object,  
                                 origin,  
                                 readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),  
                                 ...) standardGeneric("tmUpdate"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tmUpdate",  
           signature(object = "Corpus", origin = "DirSource"),  
           function(object, origin,  
                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),  
                    ...) {  
               if (is.null(readerControl$reader))  
                   readerControl$reader <- origin@DefaultReader  
               if (is(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
               if (is.null(readerControl$language))  
                   readerControl$language = "en_US"  
               if (is.null(readerControl$load))  
                   readerControl$load = TRUE  
   
               object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))  
               new.files <- setdiff(origin@FileList, object.filelist)  
   
               for (filename in new.files) {  
                   encoding <- origin@Encoding  
                   elem <- list(content = readLines(filename, encoding = encoding),  
                                uri = substitute(file(filename, encoding = encoding)))  
                   object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))  
               }  
   
               return(object)  
           })  
   
 setGeneric("tmMap", function(object, FUN, lazy = FALSE, ...) standardGeneric("tmMap"))  
 ############################################  
 # Lazy mapping restrictions (at the moment):  
 #   *) No database backend support  
 #   *) No function composition  
 ############################################  
 setMethod("tmMap",  
           signature(object = "Corpus", FUN = "function"),  
           function(object, FUN, lazy = FALSE, ...) {  
               result <- object  
               # Note that text corpora are automatically loaded into memory via \code{[[}  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   i <- 1  
                   for (id in unlist(object)) {  
                       db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))  
                       i <- i + 1  
                   }  
               }  
               else {  
                   if (lazy)  
                       meta(result, tag = "lazyTmMap", type = "corpus") <- list(fun = FUN, args = ...)  
13                    else                    else
14                        result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))          VCorpus(x, readerControl)
15                }                }
               return(result)  
           })  
16    
17  # Materialize lazy mappings  PCorpus <-
18  materialize <- function(corpus) {  function(x,
19      lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")           readerControl = list(reader = reader(x), language = "en"),
20      if (!is.null(lazyTmMap))           dbControl = list(dbName = "", dbType = "DB1"))
21          corpus@.Data <- lapply(corpus, lazyTmMap$fun, DMetaData = DMetaData(corpus))  {
22      return(corpus)      stopifnot(inherits(x, "Source"))
 }  
   
 setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  
 setMethod("asPlain",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("asPlain",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               corpus <- Content(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "Reuters21578Document"),  
           function(object, FUN, ...) {  
               FUN <- convertReut21578XMLPlain  
               corpus <- Content(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "RCV1Document"),  
           function(object, FUN, ...) {  
               FUN <- convertRCV1Plain  
               corpus <- Content(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "NewsgroupDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),  
                   DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),  
                   Origin = Origin(object), Heading = Heading(object), Language = Language(object),  
                   LocalMetaData = LocalMetaData(object))  
           })  
 setMethod("asPlain",  
           signature(object = "StructuredTextDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,  
                   URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),  
                   Description = Description(object), ID = ID(object), Origin = Origin(object),  
                   Heading = Heading(object), Language = Language(object),  
                   LocalMetaData = LocalMetaData(object))  
           })  
   
 setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  
 setMethod("tmFilter",  
           signature(object = "Corpus"),  
           function(object, ..., FUN = sFilter, doclevel = FALSE) {  
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
23    
24  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))      readerControl <- prepareReader(readerControl, reader(x))
 setMethod("tmIndex",  
           signature(object = "Corpus"),  
           function(object, ..., FUN = sFilter, doclevel = FALSE) {  
               if (doclevel)  
                   return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               else  
                   return(FUN(object, ...))  
           })  
25    
26  sFilter <- function(object, s, ...) {      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
27      con <- textConnection(s)          stop("error in creating database")
28      tokens <- scan(con, "character", quiet = TRUE)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
     close(con)  
     localMetaNames <- unique(names(sapply(object, LocalMetaData)))  
     localMetaTokens <- localMetaNames[localMetaNames %in% tokens]  
     n <- names(DMetaData(object))  
     tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)  
     query.df <- DMetaData(prescindMeta(object, tags))  
     if (DBControl(object)[["useDb"]])  
         DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]  
     # Rename to avoid name conflicts  
     names(query.df)[names(query.df) == "Author"] <- "author"  
     names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"  
     names(query.df)[names(query.df) == "Description"] <- "description"  
     names(query.df)[names(query.df) == "ID"] <- "identifier"  
     names(query.df)[names(query.df) == "Origin"] <- "origin"  
     names(query.df)[names(query.df) == "Heading"] <- "heading"  
     names(query.df)[names(query.df) == "Language"] <- "language"  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  
 setMethod("appendElem",  
           signature(object = "Corpus", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   if (dbExists(db, ID(data)))  
                       warning("document with identical ID already exists")  
                   dbInsert(db, ID(data), data)  
                   object@.Data[[length(object)+1]] <- ID(data)  
               }  
               else  
                   object@.Data[[length(object)+1]] <- data  
               DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))  
               return(object)  
           })  
   
 setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  
 setMethod("appendMeta",  
           signature(object = "Corpus"),  
           function(object, cmeta = NULL, dmeta = NULL) {  
               object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)  
               if (!is.null(dmeta)) {  
                   DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))  
               }  
               return(object)  
           })  
   
 setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  
 setMethod("removeMeta",  
           signature(object = "Corpus"),  
           function(object, cname = NULL, dname = NULL) {  
               if (!is.null(cname))  
                   object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
               if (!is.null(dname))  
                   DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]  
               return(object)  
           })  
   
 setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  
 setMethod("prescindMeta",  
           signature(object = "Corpus", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {  
                       local.m <- lapply(object, m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
                   else {  
                       local.meta <- lapply(object, LocalMetaData)  
                       local.m <- lapply(local.meta, "[[", m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       if (length(local.m) == length(unlist(local.m)))  
                           local.m <- unlist(local.m)  
                       else  
                           local.m <- I(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
               }  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
29    
30                object <- x      x <- open(x)
31                object@.Data <- x@.Data[i, ..., drop = FALSE]      tdl <- vector("list", length(x))
               if (DBControl(object)[["useDb"]]) {  
                   index <- object@DMetaData[[1 , "subset"]]  
                   if (any(is.na(index)))  
                       object@DMetaData[[1 , "subset"]] <- i  
                   else  
                       object@DMetaData[[1 , "subset"]] <- index[i]  
               }  
               else  
                   DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
32                    counter <- 1                    counter <- 1
33                    for (id in object@.Data[i, ...]) {      while (!eoi(x)) {
34                        if (length(value) == 1)          x <- stepNext(x)
35                            db[[id]] <- value          elem <- getElem(x)
36                        else {          doc <- readerControl$reader(elem,
37                            db[[id]] <- value[[counter]]                                      readerControl$language,
38                        }                                      as.character(counter))
39            filehash::dbInsert(db, meta(doc, "id"), doc)
40            tdl[[counter]] <- meta(doc, "id")
41                        counter <- counter + 1                        counter <- counter + 1
42                    }                    }
43                }      x <- close(x)
               else  
                   object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 # ToDo: Implement on-demand materialization of lazy mappings  
 setMethod("[[",  
           signature(x = "Corpus", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               if (DBControl(x)[["useDb"]]) {  
                   db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])  
                   result <- dbFetch(db, x@.Data[[i]])  
                   return(loadDoc(result))  
               }  
               else  
                   return(loadDoc(x@.Data[[i]]))  
           })  
44    
45  setMethod("[[<-",      p <- list(content = tdl,
46            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),                meta = CorpusMeta(),
47            function(x, i, j, ..., value) {                dmeta = data.frame(row.names = seq_along(tdl)),
48                object <- x                dbcontrol = dbControl)
49                if (DBControl(object)[["useDb"]]) {      class(p) <- c("PCorpus", "Corpus")
50                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      p
51                    index <- object@.Data[[i]]  }
52                    db[[index]] <- value  
53                }  SimpleCorpus <-
54                else  function(x, control = list(language = "en"))
55                    object@.Data[[i, ...]] <- value  {
56                return(object)      stopifnot(inherits(x, "Source"))
57            })  
58        if (!is.null(control$reader) && !identical(control$reader, readPlain))
59  # Update \code{NodeID}s of a CMetaData tree          warning("custom reader is ignored")
60  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {  
61      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s      content <- if (inherits(x, "VectorSource")) {
62      set_id <- function(object) {          if (is.character(x$content)) x$content else as.character(x$content)
63          object@NodeID <- id      } else if (inherits(x, "DirSource")) {
64          id <<- id + 1          setNames(as.character(
65          level <<- level + 1                     lapply(x$filelist,
66                              function(f) paste(readContent(f, x$encoding, "text"),
67          if (length(object@children) > 0) {                                              collapse = "\n"))
68              mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))                     ),
69              left <- set_id(object@children[[1]])                   basename(x$filelist))
70              if (level == 1) {      } else
71                  left.mapping <<- mapping          stop("unsupported source type")
72                  mapping <<- NULL      s <- list(content = content,
73              }                meta = CorpusMeta(language = control$language),
74              mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))                dmeta = data.frame(row.names = seq_along(x)))
75              right <- set_id(object@children[[2]])      class(s) <- c("SimpleCorpus", "Corpus")
76        s
77              object@children <- list(left, right)  }
78    
79    VCorpus <-
80    function(x, readerControl = list(reader = reader(x), language = "en"))
81    {
82        stopifnot(inherits(x, "Source"))
83    
84        readerControl <- prepareReader(readerControl, reader(x))
85    
86        x <- open(x)
87        tdl <- vector("list", length(x))
88        # Check for parallel element access
89        if (is.function(getS3method("pGetElem", class(x), TRUE)))
90            tdl <- mapply(function(elem, id)
91                            readerControl$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          }          }
         level <<- level - 1  
   
         return(object)  
106      }      }
107        x <- close(x)
108    
109      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))      as.VCorpus(tdl)
110  }  }
111    
112  setMethod("c",  `[.PCorpus` <-
113            signature(x = "Corpus"),  `[.SimpleCorpus` <-
114            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  function(x, i)
115    {
116        if (!missing(i)) {
117            x$content <- x$content[i]
118            x$dmeta <- x$dmeta[i, , drop = FALSE]
119        }
120        x
121    }
122    `[.VCorpus` <-
123    function(x, i)
124    {
125        if (!missing(i)) {
126            x$content <- x$content[i]
127            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(...)                args <- list(...)
226                if (length(args) == 0)      x <- args[[1L]]
                   return(x)  
227    
228                if (!all(sapply(args, inherits, "Corpus")))      if (length(args) == 1L)
                   stop("not all arguments are text document collections")  
               if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating text document collections with activated database is not supported")  
   
               result <- x  
               for (c in args) {  
                   result <- c2(result, c)  
               }  
               return(result)  
           })  
   
 setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))  
 setMethod("c2",  
           signature(x = "Corpus", y = "Corpus"),  
           function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
   
               # Set the DBControl slot  
               object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")  
   
               # Update the CMetaData tree  
               cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))  
               update.struct <- update_id(cmeta)  
               object@CMetaData <- update.struct$root  
   
               # Find indices to be updated for the left tree  
               indices.mapping <- NULL  
               for (m in levels(as.factor(DMetaData(x)$MetaID))) {  
                   indices <- (DMetaData(x)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
   
               # Update the DMetaData data frames for the left tree  
               for (i in 1:ncol(update.struct$left.mapping)) {  
                   map <- update.struct$left.mapping[,i]  
                   x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Find indices to be updated for the right tree  
               indices.mapping <- NULL  
               for (m in levels(as.factor(DMetaData(y)$MetaID))) {  
                   indices <- (DMetaData(y)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
   
               # Update the DMetaData data frames for the right tree  
               for (i in 1:ncol(update.struct$right.mapping)) {  
                   map <- update.struct$right.mapping[,i]  
                   y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Merge the DMetaData data frames  
               labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))  
               x.dmeta.aug <- cbind(DMetaData(x), na.matrix)  
               labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))  
               y.dmeta.aug <- cbind(DMetaData(y), na.matrix)  
               object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)  
   
               return(object)  
           })  
   
 setMethod("c",  
           signature(x = "TextDocument"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
229                    return(x)                    return(x)
230    
231                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
232                cmeta.node <- new("MetaDataNode",          stop("not all arguments are of the same corpus type")
233                              NodeID = 0,  
234                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),      v <- list(content = do.call("c", lapply(args, content)),
235                              children = list())                meta = CorpusMeta(meta = do.call("c",
236                    lapply(args, function(a) meta(a, type = "corpus")))),
237                return(new("Corpus",                dmeta = Reduce(outer_union, lapply(args, meta)))
238                           .Data = list(x, ...),      class(v) <- c("VCorpus", "Corpus")
239                           DMetaData = dmeta.df,      v
240                           CMetaData = cmeta.node,  }
241                           DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))  
242            })  content.VCorpus <-
243    function(x)
244  setMethod("length",  {
245            signature(x = "Corpus"),      if (!is.null(x$lazy))
246            function(x){          .Call(copyCorpus, x, materialize(x))
247                return(length(as(x, "list")))      x$content
248      })  }
249    
250  setMethod("show",  content.SimpleCorpus <-
251            signature(object = "Corpus"),  function(x)
252            function(object){      x$content
253                cat(sprintf(ngettext(length(object),  
254                                     "A text document collection with %d text document\n",  content.PCorpus <-
255                                     "A text document collection with %d text documents\n"),  function(x)
256                            length(object)))  {
257      })      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
258        filehash::dbMultiFetch(db, unlist(x$content))
259  setMethod("summary",  }
260            signature(object = "Corpus"),  
261            function(object){  inspect <-
262                show(object)  function(x)
263                if (length(DMetaData(object)) > 0) {      UseMethod("inspect", x)
264                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),  inspect.PCorpus <-
265                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",  inspect.SimpleCorpus <-
266                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),  inspect.VCorpus <-
267                                         length(CMetaData(object)@MetaData)))  function(x)
268                    cat("Available tags are:\n")  {
269                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")      print(x)
                   cat("Available variables in the data frame are:\n")  
                   cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("Corpus"),  
           function(object) {  
               summary(object)  
270                cat("\n")                cat("\n")
271                if (DBControl(object)[["useDb"]]) {      print(noquote(content(x)))
272                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      invisible(x)
                   show(dbMultiFetch(db, unlist(object)))  
273                }                }
               else  
                   show(object@.Data)  
           })  
274    
275  # No metadata is checked  length.PCorpus <-
276  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  length.SimpleCorpus <-
277  setMethod("%IN%",  length.VCorpus <-
278            signature(x = "TextDocument", y = "Corpus"),  function(x)
279            function(x, y) {      length(x$content)
280                if (DBControl(y)[["useDb"]]) {  
281                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])  names.PCorpus <-
282                    result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))  names.SimpleCorpus <-
283                }  names.VCorpus <-
284                else  function(x)
285                    result <- x %in% y      as.character(meta(x, "id", "local"))
286                return(result)  
287            })  `names<-.PCorpus` <- `names<-.VCorpus` <-
288    function(x, value)
289  setMethod("lapply",  {
290            signature(X = "Corpus"),      meta(x, "id", "local") <- as.character(value)
291            function(X, FUN, ...) {      x
292                if (DBControl(X)[["useDb"]]) {  }
293                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
294                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)  format.PCorpus <-
295                }  format.SimpleCorpus <-
296                else  format.VCorpus <-
297                    result <- base::lapply(X, FUN, ...)  function(x, ...)
298                return(result)  {
299            })      c(sprintf("<<%s>>", class(x)[1L]),
300          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
301  setMethod("sapply",                length(meta(x, type = "corpus")),
302            signature(X = "Corpus"),                ncol(meta(x, type = "indexed"))),
303            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {        sprintf("Content:  documents: %d", length(x)))
304                if (DBControl(X)[["useDb"]]) {  }
305                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
306                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)  writeCorpus <-
307                }  function(x, path = ".", filenames = NULL)
308                else  {
                   result <- base::sapply(X, FUN, ...)  
               return(result)  
           })  
   
 setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))  
 setMethod("writeCorpus",  
           signature(object = "Corpus"),  
           function(object, path = ".", filenames = NULL) {  
309                filenames <- file.path(path,                filenames <- file.path(path,
310                                       if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))        if (is.null(filenames))
311              sprintf("%s.txt", as.character(meta(x, "id", "local")))
312                                       else filenames)                                       else filenames)
313                i <- 1  
314                for (o in object) {      stopifnot(length(x) == length(filenames))
315                    writeLines(o, filenames[i])  
316                    i <- i + 1      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
317    
318        invisible(x)
319                }                }
           })  

Legend:
Removed from v.828  
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