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/trunk/R/textdoccol.R revision 18, Sat Nov 5 19:00:05 2005 UTC pkg/R/corpus.R revision 1445, Sun Oct 9 09:30:58 2016 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # S4 class definition  Corpus <-
4  # Text document collection  function(x, readerControl = list(reader = reader(x), language = "en"))
5  # TODO: Define proper S4 term-document matrix  {
6  setClass("textdoccol", representation(docs = "list",      stopifnot(inherits(x, "Source"))
7                                        tdm = "matrix"))  
8        readerControl <- prepareReader(readerControl, reader(x))
9  # Accessor function  
10  if (!isGeneric("docs")) {      if ((inherits(x, "DirSource") || inherits(x, "VectorSource")) &&
11      if (is.function("docs"))          identical(readerControl$reader, readPlain))
12          fun <- docs          SimpleCorpus(x, readerControl)
13        else
14            VCorpus(x, readerControl)
15    }
16    
17    PCorpus <-
18    function(x,
19             readerControl = list(reader = reader(x), language = "en"),
20             dbControl = list(dbName = "", dbType = "DB1"))
21    {
22        stopifnot(inherits(x, "Source"))
23    
24        readerControl <- prepareReader(readerControl, reader(x))
25    
26        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
27            stop("error in creating database")
28        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
29    
30        x <- open(x)
31        tdl <- vector("list", length(x))
32        counter <- 1
33        while (!eoi(x)) {
34            x <- stepNext(x)
35            elem <- getElem(x)
36            doc <- readerControl$reader(elem,
37                                        readerControl$language,
38                                        as.character(counter))
39            filehash::dbInsert(db, meta(doc, "id"), doc)
40            tdl[[counter]] <- meta(doc, "id")
41            counter <- counter + 1
42        }
43        x <- close(x)
44    
45        p <- list(content = tdl,
46                  meta = CorpusMeta(),
47                  dmeta = data.frame(row.names = seq_along(tdl)),
48                  dbcontrol = dbControl)
49        class(p) <- c("PCorpus", "Corpus")
50        p
51    }
52    
53    SimpleCorpus <-
54    function(x, control = list(language = "en"))
55    {
56        stopifnot(inherits(x, "Source"))
57    
58        if (!is.null(control$reader) && !identical(control$reader, readPlain))
59            warning("custom reader is ignored")
60    
61        content <- if (inherits(x, "VectorSource"))
62            x$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            }
106        }
107        x <- close(x)
108    
109        as.VCorpus(tdl)
110    }
111    
112    `[.PCorpus` <-
113    `[.SimpleCorpus` <-
114    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$index[i]
130        }
131        x
132    }
133    
134    .map_name_index <-
135    function(x, i)
136    {
137        if (is.character(i))
138            match(i, meta(x, "id", "local"))
139      else      else
140          fun <- function(object) standardGeneric("docs")          i
141      setGeneric("docs", fun)  }
142    
143    `[[.PCorpus` <-
144    function(x, i)
145    {
146        i <- .map_name_index(x, i)
147        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
148        filehash::dbFetch(db, x$content[[i]])
149  }  }
150  setMethod("docs", "textdoccol", function(object) object@docs)  `[[.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$content[[i]] <- value
184        x
185    }
186    
187    as.list.PCorpus <- as.list.VCorpus <-
188    function(x, ...)
189        setNames(content(x), as.character(lapply(content(x), meta, "id")))
190    
191    as.list.SimpleCorpus <-
192    function(x, ...)
193        as.list(content(x))
194    
195    as.VCorpus <-
196    function(x)
197        UseMethod("as.VCorpus")
198    as.VCorpus.VCorpus <- identity
199    as.VCorpus.list <-
200    function(x)
201    {
202        v <- list(content = x,
203                  meta = CorpusMeta(),
204                  dmeta = data.frame(row.names = seq_along(x)))
205        class(v) <- c("VCorpus", "Corpus")
206        v
207    }
208    
209    outer_union <-
210    function(x, y, ...)
211    {
212        if (nrow(x) > 0L)
213            x[, setdiff(names(y), names(x))] <- NA
214        if (nrow(y) > 0L)
215            y[, setdiff(names(x), names(y))] <- NA
216        res <- rbind(x, y)
217        if (ncol(res) == 0L)
218            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
219        res
220    }
221    
222    c.VCorpus <-
223    function(..., recursive = FALSE)
224    {
225        args <- list(...)
226        x <- args[[1L]]
227    
228        if (length(args) == 1L)
229            return(x)
230    
231        if (!all(unlist(lapply(args, inherits, class(x)))))
232            stop("not all arguments are of the same corpus type")
233    
234        v <- list(content = do.call("c", lapply(args, content)),
235                  meta = CorpusMeta(meta = do.call("c",
236                    lapply(args, function(a) meta(a, type = "corpus")))),
237                  dmeta = Reduce(outer_union, lapply(args, meta)))
238        class(v) <- c("VCorpus", "Corpus")
239        v
240    }
241    
242    content.VCorpus <-
243    function(x)
244    {
245        if (!is.null(x$lazy))
246            .Call(copyCorpus, x, materialize(x))
247        x$content
248    }
249    
250    content.SimpleCorpus <-
251    function(x)
252        x$content
253    
254  setGeneric("textdoccol", function(docs) standardGeneric("textdoccol"))  content.PCorpus <-
255  # Read in XML text documents  function(x)
256  # Reuters Corpus Volume 1 (RCV1)  {
257  setMethod("textdoccol", "character", function(docs) {      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
258      require(XML)      filehash::dbMultiFetch(db, unlist(x$content))
259    }
260      tree <- xmlTreeParse(docs)  
261      root <- xmlRoot(tree)  inspect <-
262    function(x)
263      # TODO: At each loop node points to the current newsitem      UseMethod("inspect", x)
264      node <- root  inspect.PCorpus <-
265    inspect.SimpleCorpus <-
266      # TODO: Implement lacking fields.  inspect.VCorpus <-
267      # For this we need the full RCV1 XML set to know where to find those things  function(x)
268      author <- "Not yet implemented"  {
269      timestamp <- xmlAttrs(node)[["date"]]      print(x)
270      description <- "Not yet implemented"      cat("\n")
271      id <- as.integer(xmlAttrs(node)[["itemid"]])      print(noquote(content(x)))
272      origin <- "Not yet implemented"      invisible(x)
273      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  }
274    
275      heading <- xmlValue(node[["title"]])  length.PCorpus <-
276    length.SimpleCorpus <-
277    length.VCorpus <-
278    function(x)
279        length(x$content)
280    
281      doc <- new("textdocument", author = author, timestamp = timestamp, description = description,  names.PCorpus <-
282                 id = id, origin = origin, corpus = corpus, heading = heading)  names.SimpleCorpus <-
283    names.VCorpus <-
284    function(x)
285        as.character(meta(x, "id", "local"))
286    
287      new("textdoccol", docs = list(doc), tdm = matrix())  `names<-.PCorpus` <- `names<-.VCorpus` <-
288  })  function(x, value)
289    {
290        meta(x, "id", "local") <- as.character(value)
291        x
292    }
293    
294    format.PCorpus <-
295    format.SimpleCorpus <-
296    format.VCorpus <-
297    function(x, ...)
298    {
299        c(sprintf("<<%s>>", class(x)[1L]),
300          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
301                  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        stopifnot(length(x) == length(filenames))
315    
316        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
317    
318        invisible(x)
319    }

Legend:
Removed from v.18  
changed lines
  Added in v.1445

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