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 trunk/tm/R/textdoccol.R revision 829, Mon Mar 10 22:55:39 2008 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # S4 class definition  # The "..." are additional arguments for the FunctionGenerator reader
4  # Text document collection  setGeneric("Corpus", function(object,
5  # TODO: Define proper S4 term-document matrix                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6  setClass("textdoccol", representation(docs = "list",                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                                        tdm = "matrix"))                                    ...) standardGeneric("Corpus"))
8    setMethod("Corpus",
9  # Accessor function            signature(object = "Source"),
10  if (!isGeneric("docs")) {            function(object,
11      if (is.function("docs"))                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12          fun <- docs                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13      else                     ...) {
14          fun <- function(object) standardGeneric("docs")                if (is.null(readerControl$reader))
15      setGeneric("docs", fun)                    readerControl$reader <- object@DefaultReader
16  }                if (is(readerControl$reader, "FunctionGenerator"))
17  setMethod("docs", "textdoccol", function(object) object@docs)                    readerControl$reader <- readerControl$reader(...)
18                  if (is.null(readerControl$language))
19  setGeneric("textdoccol", function(docs) standardGeneric("textdoccol"))                    readerControl$language = "en_US"
20  # Read in XML text documents                if (is.null(readerControl$load))
21  # Reuters Corpus Volume 1 (RCV1)                    readerControl$load = TRUE
 setMethod("textdoccol", "character", function(docs) {  
     require(XML)  
   
     tree <- xmlTreeParse(docs)  
     root <- xmlRoot(tree)  
   
     # TODO: At each loop node points to the current newsitem  
     node <- root  
   
     # TODO: Implement lacking fields.  
     # For this we need the full RCV1 XML set to know where to find those things  
     author <- "Not yet implemented"  
     timestamp <- xmlAttrs(node)[["date"]]  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["itemid"]])  
     origin <- "Not yet implemented"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
22    
23      heading <- xmlValue(node[["title"]])                if (dbControl$useDb) {
24                      if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                          stop("error in creating database")
26                      db <- dbInit(dbControl$dbName, dbControl$dbType)
27                  }
28    
29                  tdl <- list()
30                  counter <- 1
31                  while (!eoi(object)) {
32                      object <- stepNext(object)
33                      elem <- getElem(object)
34                      # If there is no Load on Demand support
35                      # we need to load the corpus into memory at startup
36                      if (!object@LoDSupport)
37                          readerControl$load <- TRUE
38                      doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
39                      if (dbControl$useDb) {
40                          dbInsert(db, ID(doc), doc)
41                          tdl <- c(tdl, ID(doc))
42                      }
43                      else
44                          tdl <- c(tdl, list(doc))
45                      counter <- counter + 1
46                  }
47    
48                  df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
49                  if (dbControl$useDb) {
50                      dbInsert(db, "DMetaData", df)
51                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
52                  }
53                  else
54                      dmeta.df <- df
55    
56                  cmeta.node <- new("MetaDataNode",
57                                NodeID = 0,
58                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
59                                children = list())
60    
61                  return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
62              })
63    
64    setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
65    setMethod("loadDoc",
66              signature(object = "PlainTextDocument"),
67              function(object, ...) {
68                  if (!Cached(object)) {
69                      con <- eval(URI(object))
70                      corpus <- readLines(con)
71                      close(con)
72                      Content(object) <- corpus
73                      Cached(object) <- TRUE
74                      return(object)
75                  } else {
76                      return(object)
77                  }
78              })
79    setMethod("loadDoc",
80              signature(object =  "XMLTextDocument"),
81              function(object, ...) {
82                  if (!Cached(object)) {
83                      con <- eval(URI(object))
84                      corpus <- paste(readLines(con), "\n", collapse = "")
85                      close(con)
86                      doc <- xmlTreeParse(corpus, asText = TRUE)
87                      class(doc) <- "list"
88                      Content(object) <- doc
89                      Cached(object) <- TRUE
90                      return(object)
91                  } else {
92                      return(object)
93                  }
94              })
95    setMethod("loadDoc",
96              signature(object = "NewsgroupDocument"),
97              function(object, ...) {
98                  if (!Cached(object)) {
99                      con <- eval(URI(object))
100                      mail <- readLines(con)
101                      close(con)
102                      Cached(object) <- TRUE
103                      for (index in seq_along(mail)) {
104                          if (mail[index] == "")
105                              break
106                      }
107                      Content(object) <- mail[(index + 1):length(mail)]
108                      return(object)
109                  } else {
110                      return(object)
111                  }
112              })
113    setMethod("loadDoc",
114              signature(object = "StructuredTextDocument"),
115              function(object, ...) {
116                  if (!Cached(object)) {
117                      warning("load on demand not (yet) supported for StructuredTextDocuments")
118                      return(object)
119                  } else
120                      return(object)
121              })
122    
123    setGeneric("tmUpdate", function(object,
124                                    origin,
125                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
126                                    ...) standardGeneric("tmUpdate"))
127    # Update is only supported for directories
128    # At the moment no other LoD devices are available anyway
129    setMethod("tmUpdate",
130              signature(object = "Corpus", origin = "DirSource"),
131              function(object, origin,
132                       readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
133                       ...) {
134                  if (is.null(readerControl$reader))
135                      readerControl$reader <- origin@DefaultReader
136                  if (is(readerControl$reader, "FunctionGenerator"))
137                      readerControl$reader <- readerControl$reader(...)
138                  if (is.null(readerControl$language))
139                      readerControl$language = "en_US"
140                  if (is.null(readerControl$load))
141                      readerControl$load = TRUE
142    
143                  object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))
144                  new.files <- setdiff(origin@FileList, object.filelist)
145    
146                  for (filename in new.files) {
147                      encoding <- origin@Encoding
148                      elem <- list(content = readLines(filename, encoding = encoding),
149                                   uri = substitute(file(filename, encoding = encoding)))
150                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
151                  }
152    
153                  return(object)
154              })
155    
156    setGeneric("tmMap", function(object, FUN, lazy = FALSE, ...) standardGeneric("tmMap"))
157    ############################################
158    # Lazy mapping restrictions (at the moment):
159    #   *) No database backend support
160    #   *) No function composition
161    ############################################
162    setMethod("tmMap",
163              signature(object = "Corpus", FUN = "function"),
164              function(object, FUN, lazy = FALSE, ...) {
165                  result <- object
166                  # Note that text corpora are automatically loaded into memory via \code{[[}
167                  if (DBControl(object)[["useDb"]]) {
168                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
169                      i <- 1
170                      for (id in unlist(object)) {
171                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
172                          i <- i + 1
173                      }
174                  }
175                  else {
176                      if (lazy)
177                          meta(result, tag = "lazyTmMap", type = "corpus") <-
178                              list(index = rep(TRUE, length(result)),
179                                   fun = FUN,
180                                   args = ...)
181                      else
182                          result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
183                  }
184                  return(result)
185              })
186    
187    # Materialize lazy mappings
188    # ToDo: Clean up lazyTmMap markers (for the case that everything is materialized)
189    materialize <- function(corpus, range = seq_along(corpus)) {
190        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
191        if (!is.null(lazyTmMap)) {
192            for (i in range)
193                if (lazyTmMap$index[i]) {
194                    corpus@.Data[[i]] <- lazyTmMap$fun(corpus@.Data[[i]], lazyTmMap$args, DMetaData = DMetaData(corpus))
195                    lazyTmMap$index[i] <- FALSE
196                }
197        }
198        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
199        return(corpus)
200    }
201    
202    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
203    setMethod("asPlain",
204              signature(object = "PlainTextDocument"),
205              function(object, FUN, ...) {
206                  return(object)
207              })
208    setMethod("asPlain",
209              signature(object = "XMLTextDocument", FUN = "function"),
210              function(object, FUN, ...) {
211                  corpus <- Content(object)
212    
213                  # As XMLDocument is no native S4 class, restore valid information
214                  class(corpus) <- "XMLDocument"
215                  names(corpus) <- c("doc","dtd")
216    
217                  return(FUN(xmlRoot(corpus), ...))
218              })
219    setMethod("asPlain",
220              signature(object = "Reuters21578Document"),
221              function(object, FUN, ...) {
222                  FUN <- convertReut21578XMLPlain
223                  corpus <- Content(object)
224    
225                  # As XMLDocument is no native S4 class, restore valid information
226                  class(corpus) <- "XMLDocument"
227                  names(corpus) <- c("doc","dtd")
228    
229      doc <- new("textdocument", author = author, timestamp = timestamp, description = description,                return(FUN(xmlRoot(corpus), ...))
230                 id = id, origin = origin, corpus = corpus, heading = heading)            })
231    setMethod("asPlain",
232              signature(object = "RCV1Document"),
233              function(object, FUN, ...) {
234                  FUN <- convertRCV1Plain
235                  corpus <- Content(object)
236    
237                  # As XMLDocument is no native S4 class, restore valid information
238                  class(corpus) <- "XMLDocument"
239                  names(corpus) <- c("doc","dtd")
240    
241                  return(FUN(xmlRoot(corpus), ...))
242              })
243    setMethod("asPlain",
244              signature(object = "NewsgroupDocument"),
245              function(object, FUN, ...) {
246                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),
247                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
248                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
249                      LocalMetaData = LocalMetaData(object))
250              })
251    setMethod("asPlain",
252              signature(object = "StructuredTextDocument"),
253              function(object, FUN, ...) {
254                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
255                      URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),
256                      Description = Description(object), ID = ID(object), Origin = Origin(object),
257                      Heading = Heading(object), Language = Language(object),
258                      LocalMetaData = LocalMetaData(object))
259              })
260    
261    setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))
262    setMethod("tmFilter",
263              signature(object = "Corpus"),
264              function(object, ..., FUN = sFilter, doclevel = FALSE) {
265                  if (doclevel)
266                      return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
267                  else
268                      return(object[FUN(object, ...)])
269              })
270    
271    setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))
272    setMethod("tmIndex",
273              signature(object = "Corpus"),
274              function(object, ..., FUN = sFilter, doclevel = FALSE) {
275                  if (doclevel)
276                      return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
277                  else
278                      return(FUN(object, ...))
279              })
280    
281    sFilter <- function(object, s, ...) {
282        con <- textConnection(s)
283        tokens <- scan(con, "character", quiet = TRUE)
284        close(con)
285        localMetaNames <- unique(names(sapply(object, LocalMetaData)))
286        localMetaTokens <- localMetaNames[localMetaNames %in% tokens]
287        n <- names(DMetaData(object))
288        tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)
289        query.df <- DMetaData(prescindMeta(object, tags))
290        if (DBControl(object)[["useDb"]])
291            DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]
292        # Rename to avoid name conflicts
293        names(query.df)[names(query.df) == "Author"] <- "author"
294        names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"
295        names(query.df)[names(query.df) == "Description"] <- "description"
296        names(query.df)[names(query.df) == "ID"] <- "identifier"
297        names(query.df)[names(query.df) == "Origin"] <- "origin"
298        names(query.df)[names(query.df) == "Heading"] <- "heading"
299        names(query.df)[names(query.df) == "Language"] <- "language"
300        attach(query.df)
301        try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))
302        detach(query.df)
303        return(result)
304    }
305    
306      new("textdoccol", docs = list(doc), tdm = matrix())  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
307    setMethod("appendElem",
308              signature(object = "Corpus", data = "TextDocument"),
309              function(object, data, meta = NULL) {
310                  if (DBControl(object)[["useDb"]]) {
311                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
312                      if (dbExists(db, ID(data)))
313                          warning("document with identical ID already exists")
314                      dbInsert(db, ID(data), data)
315                      object@.Data[[length(object)+1]] <- ID(data)
316                  }
317                  else
318                      object@.Data[[length(object)+1]] <- data
319                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
320                  return(object)
321              })
322    
323    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
324    setMethod("appendMeta",
325              signature(object = "Corpus"),
326              function(object, cmeta = NULL, dmeta = NULL) {
327                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
328                  if (!is.null(dmeta)) {
329                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
330                  }
331                  return(object)
332              })
333    
334    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
335    setMethod("removeMeta",
336              signature(object = "Corpus"),
337              function(object, cname = NULL, dname = NULL) {
338                  if (!is.null(cname))
339                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
340                  if (!is.null(dname))
341                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
342                  return(object)
343              })
344    
345    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
346    setMethod("prescindMeta",
347              signature(object = "Corpus", meta = "character"),
348              function(object, meta) {
349                  for (m in meta) {
350                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
351                          local.m <- lapply(object, m)
352                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
353                          local.m <- unlist(local.m)
354                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
355                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
356                      }
357                      else {
358                          local.meta <- lapply(object, LocalMetaData)
359                          local.m <- lapply(local.meta, "[[", m)
360                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
361                          if (length(local.m) == length(unlist(local.m)))
362                              local.m <- unlist(local.m)
363                          else
364                              local.m <- I(local.m)
365                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
366                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
367                      }
368                  }
369                  return(object)
370              })
371    
372    setMethod("[",
373              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
374              function(x, i, j, ... , drop) {
375                  if(missing(i))
376                      return(x)
377    
378                  object <- x
379                  object@.Data <- x@.Data[i, ..., drop = FALSE]
380                  if (DBControl(object)[["useDb"]]) {
381                      index <- object@DMetaData[[1 , "subset"]]
382                      if (any(is.na(index)))
383                          object@DMetaData[[1 , "subset"]] <- i
384                      else
385                          object@DMetaData[[1 , "subset"]] <- index[i]
386                  }
387                  else
388                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
389                  return(object)
390              })
391    
392    setMethod("[<-",
393              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
394              function(x, i, j, ... , value) {
395                  object <- x
396                  if (DBControl(object)[["useDb"]]) {
397                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
398                      counter <- 1
399                      for (id in object@.Data[i, ...]) {
400                          if (length(value) == 1)
401                              db[[id]] <- value
402                          else {
403                              db[[id]] <- value[[counter]]
404                          }
405                          counter <- counter + 1
406                      }
407                  }
408                  else
409                      object@.Data[i, ...] <- value
410                  return(object)
411              })
412    
413    # ToDo: Implement on-demand materialization of lazy mappings
414    ############################################
415    # Lazy mapping restrictions (at the moment):
416    #   *) No database backend support
417    ############################################
418    setMethod("[[",
419              signature(x = "Corpus", i = "ANY", j = "ANY"),
420              function(x, i, j, ...) {
421                  if (DBControl(x)[["useDb"]]) {
422                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
423                      result <- dbFetch(db, x@.Data[[i]])
424                      return(loadDoc(result))
425                  }
426                  else {
427                      # ToDo: Ensure that loadDoc is called and cached
428                      .Call("copyCorpus", x, materialize(x, i))
429                      return(loadDoc(x@.Data[[i]]))
430                  }
431              })
432    
433    # ToDo: Mark set objects as not active for lazy mapping
434    setMethod("[[<-",
435              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
436              function(x, i, j, ..., value) {
437                  object <- x
438                  if (DBControl(object)[["useDb"]]) {
439                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
440                      index <- object@.Data[[i]]
441                      db[[index]] <- value
442                  }
443                  else
444                      object@.Data[[i, ...]] <- value
445                  return(object)
446              })
447    
448    # Update \code{NodeID}s of a CMetaData tree
449    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
450        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
451        set_id <- function(object) {
452            object@NodeID <- id
453            id <<- id + 1
454            level <<- level + 1
455    
456            if (length(object@children) > 0) {
457                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
458                left <- set_id(object@children[[1]])
459                if (level == 1) {
460                    left.mapping <<- mapping
461                    mapping <<- NULL
462                }
463                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
464                right <- set_id(object@children[[2]])
465    
466                object@children <- list(left, right)
467            }
468            level <<- level - 1
469    
470            return(object)
471        }
472    
473        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
474    }
475    
476    setMethod("c",
477              signature(x = "Corpus"),
478              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
479                  args <- list(...)
480                  if (length(args) == 0)
481                      return(x)
482    
483                  if (!all(sapply(args, inherits, "Corpus")))
484                      stop("not all arguments are text document collections")
485                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
486                      stop("concatenating text document collections with activated database is not supported")
487    
488                  result <- x
489                  for (c in args) {
490                      result <- c2(result, c)
491                  }
492                  return(result)
493              })
494    
495    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
496    setMethod("c2",
497              signature(x = "Corpus", y = "Corpus"),
498              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
499                  object <- x
500                  # Concatenate data slots
501                  object@.Data <- c(as(x, "list"), as(y, "list"))
502    
503                  # Set the DBControl slot
504                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
505    
506                  # Update the CMetaData tree
507                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
508                  update.struct <- update_id(cmeta)
509                  object@CMetaData <- update.struct$root
510    
511                  # Find indices to be updated for the left tree
512                  indices.mapping <- NULL
513                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
514                      indices <- (DMetaData(x)$MetaID == m)
515                      indices.mapping <- c(indices.mapping, list(m = indices))
516                      names(indices.mapping)[length(indices.mapping)] <- m
517                  }
518    
519                  # Update the DMetaData data frames for the left tree
520                  for (i in 1:ncol(update.struct$left.mapping)) {
521                      map <- update.struct$left.mapping[,i]
522                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
523                  }
524    
525                  # Find indices to be updated for the right tree
526                  indices.mapping <- NULL
527                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
528                      indices <- (DMetaData(y)$MetaID == m)
529                      indices.mapping <- c(indices.mapping, list(m = indices))
530                      names(indices.mapping)[length(indices.mapping)] <- m
531                  }
532    
533                  # Update the DMetaData data frames for the right tree
534                  for (i in 1:ncol(update.struct$right.mapping)) {
535                      map <- update.struct$right.mapping[,i]
536                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
537                  }
538    
539                  # Merge the DMetaData data frames
540                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
541                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
542                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
543                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
544                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
545                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
546                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
547    
548                  return(object)
549              })
550    
551    setMethod("c",
552              signature(x = "TextDocument"),
553              function(x, ..., recursive = TRUE){
554                  args <- list(...)
555                  if(length(args) == 0)
556                      return(x)
557    
558                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
559                  cmeta.node <- new("MetaDataNode",
560                                NodeID = 0,
561                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
562                                children = list())
563    
564                  return(new("Corpus",
565                             .Data = list(x, ...),
566                             DMetaData = dmeta.df,
567                             CMetaData = cmeta.node,
568                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
569              })
570    
571    setMethod("length",
572              signature(x = "Corpus"),
573              function(x){
574                  return(length(as(x, "list")))
575        })
576    
577    setMethod("show",
578              signature(object = "Corpus"),
579              function(object){
580                  cat(sprintf(ngettext(length(object),
581                                       "A text document collection with %d text document\n",
582                                       "A text document collection with %d text documents\n"),
583                              length(object)))
584        })
585    
586    setMethod("summary",
587              signature(object = "Corpus"),
588              function(object){
589                  show(object)
590                  if (length(DMetaData(object)) > 0) {
591                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
592                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
593                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
594                                           length(CMetaData(object)@MetaData)))
595                      cat("Available tags are:\n")
596                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
597                      cat("Available variables in the data frame are:\n")
598                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
599                  }
600        })
601    
602    setGeneric("inspect", function(object) standardGeneric("inspect"))
603    setMethod("inspect",
604              signature("Corpus"),
605              function(object) {
606                  summary(object)
607                  cat("\n")
608                  if (DBControl(object)[["useDb"]]) {
609                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
610                      show(dbMultiFetch(db, unlist(object)))
611                  }
612                  else
613                      show(object@.Data)
614              })
615    
616    # No metadata is checked
617    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
618    setMethod("%IN%",
619              signature(x = "TextDocument", y = "Corpus"),
620              function(x, y) {
621                  if (DBControl(y)[["useDb"]]) {
622                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
623                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
624                  }
625                  else
626                      result <- x %in% y
627                  return(result)
628              })
629    
630    setMethod("lapply",
631              signature(X = "Corpus"),
632              function(X, FUN, ...) {
633                  if (DBControl(X)[["useDb"]]) {
634                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
635                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
636                  }
637                  else
638                      result <- base::lapply(X, FUN, ...)
639                  return(result)
640              })
641    
642    setMethod("sapply",
643              signature(X = "Corpus"),
644              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
645                  if (DBControl(X)[["useDb"]]) {
646                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
647                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
648                  }
649                  else
650                      result <- base::sapply(X, FUN, ...)
651                  return(result)
652              })
653    
654    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
655    setMethod("writeCorpus",
656              signature(object = "Corpus"),
657              function(object, path = ".", filenames = NULL) {
658                  filenames <- file.path(path,
659                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
660                                         else filenames)
661                  i <- 1
662                  for (o in object) {
663                      writeLines(o, filenames[i])
664                      i <- i + 1
665                  }
666  })  })

Legend:
Removed from v.18  
changed lines
  Added in v.829

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