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

pkg/R/textdoccol.R revision 900, Fri Mar 20 16:50:27 2009 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 && require("filehash")) {      readerControl <- prepareReader(readerControl, reader(x))
                   if (!dbCreate(dbControl$dbName, dbControl$dbType))  
                       stop("error in creating database")  
                   db <- dbInit(dbControl$dbName, dbControl$dbType)  
               }  
9    
10                # Allocate memory in advance if length is known      if ((inherits(x, "DirSource") || inherits(x, "VectorSource")) &&
11                tdl <- if (object@Length > 0)          identical(readerControl$reader, readPlain))
12                    vector("list", as.integer(object@Length))          SimpleCorpus(x, readerControl)
               else  
                   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$useDb && require("filehash")) {  
                       dbInsert(db, ID(doc), doc)  
                       if (object@Length > 0)  
                           tdl[[counter]] <- ID(doc)  
13                        else                        else
14                            tdl <- c(tdl, ID(doc))          VCorpus(x, readerControl)
                   }  
                   else {  
                       if (object@Length > 0)  
                           tdl[[counter]] <- doc  
                       else  
                           tdl <- c(tdl, list(doc))  
                   }  
                   counter <- counter + 1  
15                }                }
16    
17                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)  PCorpus <-
18                if (dbControl$useDb && require("filehash")) {  function(x,
19                    dbInsert(db, "DMetaData", df)           readerControl = list(reader = reader(x), language = "en"),
20                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))           dbControl = list(dbName = "", dbType = "DB1"))
21                }  {
22                else      stopifnot(inherits(x, "Source"))
                   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) && require("XML")) {  
                   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)  
           })  
23    
24  setGeneric("tmUpdate", function(object,      readerControl <- prepareReader(readerControl, reader(x))
                                 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) {summary(eval(URI(x)))$description}))  
               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"))  
 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"]] && require("filehash")) {  
                   if (lazy)  
                       warning("lazy mapping is deactived when using database backend")  
                   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  
                   }  
                   # Suggested by Christian Buchta  
                   dbReorganize(db)  
               }  
               else {  
                   # Lazy mapping  
                   if (lazy) {  
                       lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")  
                       if (is.null(lazyTmMap)) {  
                           meta(result, tag = "lazyTmMap", type = "corpus") <-  
                               list(index = rep(TRUE, length(result)),  
                                    maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))  
                       }  
                       else {  
                           lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))  
                           meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
                       }  
                   }  
                   else {  
                       result@.Data <- if (clusterAvailable())  
                           snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))  
                       else  
                           lapply(object, FUN, ..., DMetaData = DMetaData(object))  
                   }  
               }  
               return(result)  
           })  
25    
26  # Materialize lazy mappings      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
27  # Improvements by Christian Buchta          stop("error in creating database")
28  materialize <- function(corpus, range = seq_along(corpus)) {      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
     lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")  
     if (!is.null(lazyTmMap)) {  
        # Make valid and lazy index  
        idx <- (seq_along(corpus) %in% range) & lazyTmMap$index  
        if (any(idx)) {  
            res <- lapply(corpus@.Data[idx], loadDoc)  
            for (m in lazyTmMap$maps)  
                res <- lapply(res, m, DMetaData = DMetaData(corpus))  
            corpus@.Data[idx] <- res  
            lazyTmMap$index[idx] <- FALSE  
        }  
     }  
     # Clean up if everything is materialized  
     if (!any(lazyTmMap$index))  
         lazyTmMap <- NULL  
     meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
     return(corpus)  
 }  
   
 setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  
 setMethod("asPlain",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("asPlain",  
           signature(object = "XMLTextDocument"),  
           function(object, FUN, ...) {  
               require("XML")  
   
               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, ...) {  
               require("XML")  
   
               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, ...) {  
               return(convertRCV1Plain(object, ...))  
           })  
 setMethod("asPlain",  
           signature(object = "NewsgroupDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, 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 = NULL, 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 = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))  
 setMethod("tmFilter",  
           signature(object = "Corpus"),  
           function(object, ..., FUN = searchFullText, doclevel = TRUE) {  
               if (!is.null(attr(FUN, "doclevel")))  
                   doclevel <- attr(FUN, "doclevel")  
               if (doclevel) {  
                   if (clusterAvailable())  
                       return(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])  
                   else  
                       return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               }  
               else  
                   return(object[FUN(object, ...)])  
           })  
29    
30  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))      x <- open(x)
31  setMethod("tmIndex",      tdl <- vector("list", length(x))
32            signature(object = "Corpus"),      counter <- 1
33            function(object, ..., FUN = searchFullText, doclevel = TRUE) {      while (!eoi(x)) {
34                if (!is.null(attr(FUN, "doclevel")))          x <- stepNext(x)
35                    doclevel <- attr(FUN, "doclevel")          elem <- getElem(x)
36                if (doclevel) {          doc <- readerControl$reader(elem,
37                    if (clusterAvailable())                                      readerControl$language,
38                        return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))                                      as.character(counter))
39                    else          filehash::dbInsert(db, meta(doc, "id"), doc)
40                        return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))          tdl[[counter]] <- meta(doc, "id")
41            counter <- counter + 1
42                }                }
43                else      x <- close(x)
                   return(FUN(object, ...))  
           })  
44    
45  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))      p <- list(content = tdl,
46  setMethod("appendElem",                meta = CorpusMeta(),
47            signature(object = "Corpus", data = "TextDocument"),                dmeta = data.frame(row.names = seq_along(tdl)),
48            function(object, data, meta = NULL) {                dbcontrol = dbControl)
49                if (DBControl(object)[["useDb"]] && require("filehash")) {      class(p) <- c("PCorpus", "Corpus")
50                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      p
51                    if (dbExists(db, ID(data)))  }
52                        warning("document with identical ID already exists")  
53                    dbInsert(db, ID(data), data)  SimpleCorpus <-
54                    object@.Data[[length(object)+1]] <- ID(data)  function(x, control = list(language = "en"))
55                }  {
56                else      stopifnot(inherits(x, "Source"))
57                    object@.Data[[length(object)+1]] <- data  
58                DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))      if (!is.null(control$reader) && !identical(control$reader, readPlain))
59                return(object)          warning("custom reader is ignored")
60            })  
61        content <- if (inherits(x, "VectorSource")) {
62  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))          if (is.character(x$content)) x$content else as.character(x$content)
63  setMethod("appendMeta",      } else if (inherits(x, "DirSource")) {
64            signature(object = "Corpus"),          setNames(as.character(
65            function(object, cmeta = NULL, dmeta = NULL) {                     lapply(x$filelist,
66                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)                            function(f) paste(readContent(f, x$encoding, "text"),
67                if (!is.null(dmeta)) {                                              collapse = "\n"))
68                    DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))                     ),
69                }                   basename(x$filelist))
70                return(object)      } else
71            })          stop("unsupported source type")
72        s <- list(content = content,
73  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))                meta = CorpusMeta(language = control$language),
74  setMethod("removeMeta",                dmeta = data.frame(row.names = seq_along(x)))
75            signature(object = "Corpus"),      class(s) <- c("SimpleCorpus", "Corpus")
76            function(object, cname = NULL, dname = NULL) {      s
77                if (!is.null(cname))  }
78                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
79                if (!is.null(dname))  VCorpus <-
80                    DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]  function(x, readerControl = list(reader = reader(x), language = "en"))
81                return(object)  {
82            })      stopifnot(inherits(x, "Source"))
83    
84  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))      readerControl <- prepareReader(readerControl, reader(x))
85  setMethod("prescindMeta",  
86            signature(object = "Corpus", meta = "character"),      x <- open(x)
87            function(object, meta) {      tdl <- vector("list", length(x))
88                for (m in meta) {      # Check for parallel element access
89                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {      if (is.function(getS3method("pGetElem", class(x), TRUE)))
90                        local.m <- lapply(object, m)          tdl <- mapply(function(elem, id)
91                        local.m <- sapply(local.m, paste, collapse = " ")                          readerControl$reader(elem, readerControl$language, id),
92                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))                        pGetElem(x),
93                        local.m <- unlist(local.m)                        id = as.character(seq_along(x)),
94                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))                        SIMPLIFY = FALSE)
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
95                    else {                    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)  
   
               object <- x  
               object@.Data <- x@.Data[i, ..., drop = FALSE]  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   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"]] && require("filehash")) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
96                    counter <- 1                    counter <- 1
97                    for (id in object@.Data[i, ...]) {          while (!eoi(x)) {
98                        if (length(value) == 1)              x <- stepNext(x)
99                            db[[id]] <- value              elem <- getElem(x)
100                        else {              doc <- readerControl$reader(elem,
101                            db[[id]] <- value[[counter]]                                          readerControl$language,
102                        }                                          as.character(counter))
103                tdl[[counter]] <- doc
104                        counter <- counter + 1                        counter <- counter + 1
105                    }                    }
106                }                }
107                else      x <- close(x)
                   object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "Corpus", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               if (DBControl(x)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])  
                   result <- dbFetch(db, x@.Data[[i]])  
                   return(loadDoc(result))  
               }  
               else {  
                   lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap))  
                       .Call("copyCorpus", x, materialize(x, i))  
                   return(loadDoc(x@.Data[[i]]))  
               }  
           })  
   
 setMethod("[[<-",  
           signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   index <- object@.Data[[i]]  
                   db[[index]] <- value  
               }  
               else {  
                   # Mark new objects as not active for lazy mapping  
                   lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap)) {  
                       lazyTmMap$index[i] <- FALSE  
                       meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
                   }  
                   # Set the value  
                   object@.Data[[i, ...]] <- value  
               }  
               return(object)  
           })  
   
 # Update \code{NodeID}s of a CMetaData tree  
 update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {  
     # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s  
     set_id <- function(object) {  
         object@NodeID <- id  
         id <<- id + 1  
         level <<- level + 1  
108    
109          if (length(object@children) > 0) {      as.VCorpus(tdl)
             mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))  
             left <- set_id(object@children[[1]])  
             if (level == 1) {  
                 left.mapping <<- mapping  
                 mapping <<- NULL  
110              }              }
             mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))  
             right <- set_id(object@children[[2]])  
111    
112              object@children <- list(left, right)  `[.PCorpus` <-
113          }  `[.SimpleCorpus` <-
114          level <<- level - 1  function(x, i)
115    {
116          return(object)      if (!missing(i)) {
117      }          x$content <- x$content[i]
118            x$dmeta <- x$dmeta[i, , drop = FALSE]
119      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))      }
120  }      x
121    }
122  setMethod("c",  `[.VCorpus` <-
123            signature(x = "Corpus"),  function(x, i)
124            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  {
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 corpora")  
               if (DBControl(x)[["useDb"]] || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating corpora with activated database is not supported")  
   
               Reduce(c2, list(x, args))  
           })  
   
 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$content
253                cat(sprintf(ngettext(length(object),  
254                                     "A corpus with %d text document\n",  content.PCorpus <-
255                                     "A corpus with %d text documents\n"),  function(x)
256                            length(object)))  {
257      })      db <- filehash::dbInit(x$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"]] && require("filehash")) {      print(noquote(content(x)))
272                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      invisible(x)
                   show(dbMultiFetch(db, unlist(object)))  
273                }                }
               else  
                   print(noquote(lapply(object, identity)))  
           })  
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"]] && require("filehash")) {  
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"]] && require("filehash")) {  }
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                    lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")  function(x, ...)
298                    if (!is.null(lazyTmMap))  {
299                        .Call("copyCorpus", X, materialize(X))      c(sprintf("<<%s>>", class(x)[1L]),
300                    result <- base::lapply(X, FUN, ...)        sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
301                }                length(meta(x, type = "corpus")),
302                return(result)                ncol(meta(x, type = "indexed"))),
303            })        sprintf("Content:  documents: %d", length(x)))
304    }
305  setMethod("sapply",  
306            signature(X = "Corpus"),  writeCorpus <-
307            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {  function(x, path = ".", filenames = NULL)
308                if (DBControl(X)[["useDb"]] && require("filehash")) {  {
                   db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
                   result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)  
               }  
               else {  
                   lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap))  
                       .Call("copyCorpus", X, materialize(X))  
                   result <- base::sapply(X, FUN, ...)  
               }  
               return(result)  
           })  
   
 setAs("list", "Corpus", function(from) {  
     cmeta.node <- new("MetaDataNode",  
                       NodeID = 0,  
                       MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),  
                       children = list())  
     data <- list()  
     counter <- 1  
     for (f in from) {  
         doc <- new("PlainTextDocument",  
                    .Data = f, URI = NULL, Cached = TRUE,  
                    Author = "", DateTimeStamp = Sys.time(),  
                    Description = "", ID = as.character(counter),  
                    Origin = "", Heading = "", Language = "en_US")  
         data <- c(data, list(doc))  
         counter <- counter + 1  
     }  
     return(new("Corpus", .Data = data,  
                DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),  
                CMetaData = cmeta.node,  
                DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))  
 })  
   
 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(asPlain(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.900  
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