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 861, Thu Jul 24 09:55:09 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$language, filename))
151                  }
152    
153                  return(object)
154              })
155    
156    setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
157    setMethod("tmMap",
158              signature(object = "Corpus", FUN = "function"),
159              function(object, FUN, ..., lazy = FALSE) {
160                  result <- object
161                  # Note that text corpora are automatically loaded into memory via \code{[[}
162                  if (DBControl(object)[["useDb"]]) {
163                      if (lazy)
164                          warning("lazy mapping is deactived when using database backend")
165                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
166                      i <- 1
167                      for (id in unlist(object)) {
168                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
169                          i <- i + 1
170                      }
171                      # Suggested by Christian Buchta
172                      dbReorganize(db)
173                  }
174                  else {
175                      # Lazy mapping
176                      if (lazy) {
177                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
178                          if (is.null(lazyTmMap)) {
179                              meta(result, tag = "lazyTmMap", type = "corpus") <-
180                                  list(index = rep(TRUE, length(result)),
181                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
182                          }
183                          else {
184                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
185                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
186                          }
187                      }
188                      else {
189                          result@.Data <- if (clusterAvailable())
190                              parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
191                          else
192                              lapply(object, FUN, ..., DMetaData = DMetaData(object))
193                      }
194                  }
195                  return(result)
196              })
197    
198    # Materialize lazy mappings
199    # Improvements by Christian Buchta
200    materialize <- function(corpus, range = seq_along(corpus)) {
201        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
202        if (!is.null(lazyTmMap)) {
203           # Make valid and lazy index
204           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
205           if (any(idx)) {
206               res <- lapply(corpus@.Data[idx], loadDoc)
207               for (m in lazyTmMap$maps)
208                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
209               corpus@.Data[idx] <- res
210               lazyTmMap$index[idx] <- FALSE
211           }
212        }
213        # Clean up if everything is materialized
214        if (!any(lazyTmMap$index))
215            lazyTmMap <- NULL
216        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
217        return(corpus)
218    }
219    
220    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
221    setMethod("asPlain",
222              signature(object = "PlainTextDocument"),
223              function(object, FUN, ...) {
224                  return(object)
225              })
226    setMethod("asPlain",
227              signature(object = "XMLTextDocument"),
228              function(object, FUN, ...) {
229                  corpus <- Content(object)
230    
231                  # As XMLDocument is no native S4 class, restore valid information
232                  class(corpus) <- "XMLDocument"
233                  names(corpus) <- c("doc","dtd")
234    
235                  return(FUN(xmlRoot(corpus), ...))
236              })
237    setMethod("asPlain",
238              signature(object = "Reuters21578Document"),
239              function(object, FUN, ...) {
240                  FUN <- convertReut21578XMLPlain
241                  corpus <- Content(object)
242    
243                  # As XMLDocument is no native S4 class, restore valid information
244                  class(corpus) <- "XMLDocument"
245                  names(corpus) <- c("doc","dtd")
246    
247                  return(FUN(xmlRoot(corpus), ...))
248              })
249    setMethod("asPlain",
250              signature(object = "RCV1Document"),
251              function(object, FUN, ...) {
252                  return(convertRCV1Plain(object, ...))
253              })
254    setMethod("asPlain",
255              signature(object = "NewsgroupDocument"),
256              function(object, FUN, ...) {
257                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),
258                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
259                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
260                      LocalMetaData = LocalMetaData(object))
261              })
262    setMethod("asPlain",
263              signature(object = "StructuredTextDocument"),
264              function(object, FUN, ...) {
265                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
266                      URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),
267                      Description = Description(object), ID = ID(object), Origin = Origin(object),
268                      Heading = Heading(object), Language = Language(object),
269                      LocalMetaData = LocalMetaData(object))
270              })
271    
272      doc <- new("textdocument", author = author, timestamp = timestamp, description = description,  setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
273                 id = id, origin = origin, corpus = corpus, heading = heading)  setMethod("tmFilter",
274              signature(object = "Corpus"),
275              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
276                  if (!is.null(attr(FUN, "doclevel")))
277                      doclevel <- attr(FUN, "doclevel")
278                  if (doclevel) {
279                      if (clusterAvailable())
280                          return(object[parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])
281                      else
282                          return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
283                  }
284                  else
285                      return(object[FUN(object, ...)])
286              })
287    
288      new("textdoccol", docs = list(doc), tdm = matrix())  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
289    setMethod("tmIndex",
290              signature(object = "Corpus"),
291              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
292                  if (!is.null(attr(FUN, "doclevel")))
293                      doclevel <- attr(FUN, "doclevel")
294                  if (doclevel) {
295                      if (clusterAvailable())
296                          return(parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
297                      else
298                          return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
299                  }
300                  else
301                      return(FUN(object, ...))
302              })
303    
304    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
305    setMethod("appendElem",
306              signature(object = "Corpus", data = "TextDocument"),
307              function(object, data, meta = NULL) {
308                  if (DBControl(object)[["useDb"]]) {
309                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
310                      if (dbExists(db, ID(data)))
311                          warning("document with identical ID already exists")
312                      dbInsert(db, ID(data), data)
313                      object@.Data[[length(object)+1]] <- ID(data)
314                  }
315                  else
316                      object@.Data[[length(object)+1]] <- data
317                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
318                  return(object)
319              })
320    
321    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
322    setMethod("appendMeta",
323              signature(object = "Corpus"),
324              function(object, cmeta = NULL, dmeta = NULL) {
325                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
326                  if (!is.null(dmeta)) {
327                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
328                  }
329                  return(object)
330              })
331    
332    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
333    setMethod("removeMeta",
334              signature(object = "Corpus"),
335              function(object, cname = NULL, dname = NULL) {
336                  if (!is.null(cname))
337                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
338                  if (!is.null(dname))
339                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
340                  return(object)
341              })
342    
343    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
344    setMethod("prescindMeta",
345              signature(object = "Corpus", meta = "character"),
346              function(object, meta) {
347                  for (m in meta) {
348                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
349                          local.m <- lapply(object, m)
350                          local.m <- sapply(local.m, paste, collapse = " ")
351                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
352                          local.m <- unlist(local.m)
353                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
354                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
355                      }
356                      else {
357                          local.meta <- lapply(object, LocalMetaData)
358                          local.m <- lapply(local.meta, "[[", m)
359                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
360                          if (length(local.m) == length(unlist(local.m)))
361                              local.m <- unlist(local.m)
362                          else
363                              local.m <- I(local.m)
364                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
365                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
366                      }
367                  }
368                  return(object)
369              })
370    
371    setMethod("[",
372              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
373              function(x, i, j, ... , drop) {
374                  if(missing(i))
375                      return(x)
376    
377                  object <- x
378                  object@.Data <- x@.Data[i, ..., drop = FALSE]
379                  if (DBControl(object)[["useDb"]]) {
380                      index <- object@DMetaData[[1 , "subset"]]
381                      if (any(is.na(index)))
382                          object@DMetaData[[1 , "subset"]] <- i
383                      else
384                          object@DMetaData[[1 , "subset"]] <- index[i]
385                  }
386                  else
387                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
388                  return(object)
389              })
390    
391    setMethod("[<-",
392              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
393              function(x, i, j, ... , value) {
394                  object <- x
395                  if (DBControl(object)[["useDb"]]) {
396                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
397                      counter <- 1
398                      for (id in object@.Data[i, ...]) {
399                          if (length(value) == 1)
400                              db[[id]] <- value
401                          else {
402                              db[[id]] <- value[[counter]]
403                          }
404                          counter <- counter + 1
405                      }
406                  }
407                  else
408                      object@.Data[i, ...] <- value
409                  return(object)
410              })
411    
412    setMethod("[[",
413              signature(x = "Corpus", i = "ANY", j = "ANY"),
414              function(x, i, j, ...) {
415                  if (DBControl(x)[["useDb"]]) {
416                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
417                      result <- dbFetch(db, x@.Data[[i]])
418                      return(loadDoc(result))
419                  }
420                  else {
421                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
422                      if (!is.null(lazyTmMap))
423                          .Call("copyCorpus", x, materialize(x, i))
424                      return(loadDoc(x@.Data[[i]]))
425                  }
426              })
427    
428    setMethod("[[<-",
429              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
430              function(x, i, j, ..., value) {
431                  object <- x
432                  if (DBControl(object)[["useDb"]]) {
433                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
434                      index <- object@.Data[[i]]
435                      db[[index]] <- value
436                  }
437                  else {
438                      # Mark new objects as not active for lazy mapping
439                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
440                      if (!is.null(lazyTmMap)) {
441                          lazyTmMap$index[i] <- FALSE
442                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
443                      }
444                      # Set the value
445                      object@.Data[[i, ...]] <- value
446                  }
447                  return(object)
448              })
449    
450    # Update \code{NodeID}s of a CMetaData tree
451    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
452        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
453        set_id <- function(object) {
454            object@NodeID <- id
455            id <<- id + 1
456            level <<- level + 1
457    
458            if (length(object@children) > 0) {
459                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
460                left <- set_id(object@children[[1]])
461                if (level == 1) {
462                    left.mapping <<- mapping
463                    mapping <<- NULL
464                }
465                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
466                right <- set_id(object@children[[2]])
467    
468                object@children <- list(left, right)
469            }
470            level <<- level - 1
471    
472            return(object)
473        }
474    
475        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
476    }
477    
478    setMethod("c",
479              signature(x = "Corpus"),
480              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
481                  args <- list(...)
482                  if (length(args) == 0)
483                      return(x)
484    
485                  if (!all(sapply(args, inherits, "Corpus")))
486                      stop("not all arguments are text document collections")
487                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
488                      stop("concatenating text document collections with activated database is not supported")
489    
490                  result <- x
491                  for (c in args) {
492                      result <- c2(result, c)
493                  }
494                  return(result)
495              })
496    
497    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
498    setMethod("c2",
499              signature(x = "Corpus", y = "Corpus"),
500              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
501                  object <- x
502                  # Concatenate data slots
503                  object@.Data <- c(as(x, "list"), as(y, "list"))
504    
505                  # Set the DBControl slot
506                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
507    
508                  # Update the CMetaData tree
509                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
510                  update.struct <- update_id(cmeta)
511                  object@CMetaData <- update.struct$root
512    
513                  # Find indices to be updated for the left tree
514                  indices.mapping <- NULL
515                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
516                      indices <- (DMetaData(x)$MetaID == m)
517                      indices.mapping <- c(indices.mapping, list(m = indices))
518                      names(indices.mapping)[length(indices.mapping)] <- m
519                  }
520    
521                  # Update the DMetaData data frames for the left tree
522                  for (i in 1:ncol(update.struct$left.mapping)) {
523                      map <- update.struct$left.mapping[,i]
524                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
525                  }
526    
527                  # Find indices to be updated for the right tree
528                  indices.mapping <- NULL
529                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
530                      indices <- (DMetaData(y)$MetaID == m)
531                      indices.mapping <- c(indices.mapping, list(m = indices))
532                      names(indices.mapping)[length(indices.mapping)] <- m
533                  }
534    
535                  # Update the DMetaData data frames for the right tree
536                  for (i in 1:ncol(update.struct$right.mapping)) {
537                      map <- update.struct$right.mapping[,i]
538                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
539                  }
540    
541                  # Merge the DMetaData data frames
542                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
543                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
544                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
545                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
546                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
547                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
548                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
549    
550                  return(object)
551              })
552    
553    setMethod("c",
554              signature(x = "TextDocument"),
555              function(x, ..., recursive = TRUE){
556                  args <- list(...)
557                  if(length(args) == 0)
558                      return(x)
559    
560                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
561                  cmeta.node <- new("MetaDataNode",
562                                NodeID = 0,
563                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
564                                children = list())
565    
566                  return(new("Corpus",
567                             .Data = list(x, ...),
568                             DMetaData = dmeta.df,
569                             CMetaData = cmeta.node,
570                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
571              })
572    
573    setMethod("length",
574              signature(x = "Corpus"),
575              function(x){
576                  return(length(as(x, "list")))
577        })
578    
579    setMethod("show",
580              signature(object = "Corpus"),
581              function(object){
582                  cat(sprintf(ngettext(length(object),
583                                       "A text document collection with %d text document\n",
584                                       "A text document collection with %d text documents\n"),
585                              length(object)))
586        })
587    
588    setMethod("summary",
589              signature(object = "Corpus"),
590              function(object){
591                  show(object)
592                  if (length(DMetaData(object)) > 0) {
593                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
594                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
595                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
596                                           length(CMetaData(object)@MetaData)))
597                      cat("Available tags are:\n")
598                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
599                      cat("Available variables in the data frame are:\n")
600                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
601                  }
602        })
603    
604    setGeneric("inspect", function(object) standardGeneric("inspect"))
605    setMethod("inspect",
606              signature("Corpus"),
607              function(object) {
608                  summary(object)
609                  cat("\n")
610                  if (DBControl(object)[["useDb"]]) {
611                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
612                      show(dbMultiFetch(db, unlist(object)))
613                  }
614                  else
615                      print(noquote(lapply(object, identity)))
616              })
617    
618    # No metadata is checked
619    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
620    setMethod("%IN%",
621              signature(x = "TextDocument", y = "Corpus"),
622              function(x, y) {
623                  if (DBControl(y)[["useDb"]]) {
624                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
625                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
626                  }
627                  else
628                      result <- x %in% y
629                  return(result)
630              })
631    
632    setMethod("lapply",
633              signature(X = "Corpus"),
634              function(X, FUN, ...) {
635                  if (DBControl(X)[["useDb"]]) {
636                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
637                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
638                  }
639                  else {
640                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
641                      if (!is.null(lazyTmMap))
642                          .Call("copyCorpus", X, materialize(X))
643                      result <- base::lapply(X, FUN, ...)
644                  }
645                  return(result)
646              })
647    
648    setMethod("sapply",
649              signature(X = "Corpus"),
650              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
651                  if (DBControl(X)[["useDb"]]) {
652                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
653                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
654                  }
655                  else {
656                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
657                      if (!is.null(lazyTmMap))
658                          .Call("copyCorpus", X, materialize(X))
659                      result <- base::sapply(X, FUN, ...)
660                  }
661                  return(result)
662              })
663    
664    setAs("list", "Corpus", function(from) {
665        cmeta.node <- new("MetaDataNode",
666                          NodeID = 0,
667                          MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
668                          children = list())
669        data <- list()
670        counter <- 1
671        for (f in from) {
672            doc <- new("PlainTextDocument",
673                       .Data = f, URI = NULL, Cached = TRUE,
674                       Author = "", DateTimeStamp = Sys.time(),
675                       Description = "", ID = as.character(counter),
676                       Origin = "", Heading = "", Language = "en_US")
677            data <- c(data, list(doc))
678            counter <- counter + 1
679        }
680        return(new("Corpus", .Data = data,
681                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
682                   CMetaData = cmeta.node,
683                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
684    })
685    
686    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
687    setMethod("writeCorpus",
688              signature(object = "Corpus"),
689              function(object, path = ".", filenames = NULL) {
690                  filenames <- file.path(path,
691                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
692                                         else filenames)
693                  i <- 1
694                  for (o in object) {
695                      writeLines(asPlain(o), filenames[i])
696                      i <- i + 1
697                  }
698  })  })

Legend:
Removed from v.18  
changed lines
  Added in v.861

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