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/textdoccol.R revision 886, Thu Jan 29 22:47:34 2009 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$useDb && require("filehash")) {
24                      if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                          stop("error in creating database")
26                      db <- dbInit(dbControl$dbName, dbControl$dbType)
27                  }
28    
29                  # Allocate memory in advance if length is known
30                  tdl <- if (object@Length > 0)
31                      vector("list", as.integer(object@Length))
32                  else
33                      list()
34    
35      doc <- new("textdocument", author = author, timestamp = timestamp, description = description,                counter <- 1
36                 id = id, origin = origin, corpus = corpus, heading = heading)                while (!eoi(object)) {
37                      object <- stepNext(object)
38                      elem <- getElem(object)
39                      # If there is no Load on Demand support
40                      # we need to load the corpus into memory at startup
41                      if (!object@LoDSupport)
42                          readerControl$load <- TRUE
43                      doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
44                      if (dbControl$useDb && require("filehash")) {
45                          dbInsert(db, ID(doc), doc)
46                          if (object@Length > 0)
47                              tdl[[counter]] <- ID(doc)
48                          else
49                              tdl <- c(tdl, ID(doc))
50                      }
51                      else {
52                          if (object@Length > 0)
53                              tdl[[counter]] <- doc
54                          else
55                              tdl <- c(tdl, list(doc))
56                      }
57                      counter <- counter + 1
58                  }
59    
60                  df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
61                  if (dbControl$useDb && require("filehash")) {
62                      dbInsert(db, "DMetaData", df)
63                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
64                  }
65                  else
66                      dmeta.df <- df
67    
68                  cmeta.node <- new("MetaDataNode",
69                                NodeID = 0,
70                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
71                                children = list())
72    
73                  return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
74              })
75    
76    setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
77    setMethod("loadDoc",
78              signature(object = "PlainTextDocument"),
79              function(object, ...) {
80                  if (!Cached(object)) {
81                      con <- eval(URI(object))
82                      corpus <- readLines(con)
83                      close(con)
84                      Content(object) <- corpus
85                      Cached(object) <- TRUE
86                      return(object)
87                  } else {
88                      return(object)
89                  }
90              })
91    setMethod("loadDoc",
92              signature(object =  "XMLTextDocument"),
93              function(object, ...) {
94                  if (!Cached(object) && require("XML")) {
95                      con <- eval(URI(object))
96                      corpus <- paste(readLines(con), "\n", collapse = "")
97                      close(con)
98                      doc <- xmlTreeParse(corpus, asText = TRUE)
99                      class(doc) <- "list"
100                      Content(object) <- doc
101                      Cached(object) <- TRUE
102                      return(object)
103                  } else {
104                      return(object)
105                  }
106              })
107    setMethod("loadDoc",
108              signature(object = "NewsgroupDocument"),
109              function(object, ...) {
110                  if (!Cached(object)) {
111                      con <- eval(URI(object))
112                      mail <- readLines(con)
113                      close(con)
114                      Cached(object) <- TRUE
115                      for (index in seq_along(mail)) {
116                          if (mail[index] == "")
117                              break
118                      }
119                      Content(object) <- mail[(index + 1):length(mail)]
120                      return(object)
121                  } else {
122                      return(object)
123                  }
124              })
125    setMethod("loadDoc",
126              signature(object = "StructuredTextDocument"),
127              function(object, ...) {
128                  if (!Cached(object)) {
129                      warning("load on demand not (yet) supported for StructuredTextDocuments")
130                      return(object)
131                  } else
132                      return(object)
133              })
134    
135    setGeneric("tmUpdate", function(object,
136                                    origin,
137                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
138                                    ...) standardGeneric("tmUpdate"))
139    # Update is only supported for directories
140    # At the moment no other LoD devices are available anyway
141    setMethod("tmUpdate",
142              signature(object = "Corpus", origin = "DirSource"),
143              function(object, origin,
144                       readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
145                       ...) {
146                  if (is.null(readerControl$reader))
147                      readerControl$reader <- origin@DefaultReader
148                  if (is(readerControl$reader, "FunctionGenerator"))
149                      readerControl$reader <- readerControl$reader(...)
150                  if (is.null(readerControl$language))
151                      readerControl$language = "en_US"
152                  if (is.null(readerControl$load))
153                      readerControl$load = TRUE
154    
155                  object.filelist <- unlist(lapply(object, function(x) {summary(eval(URI(x)))$description}))
156                  new.files <- setdiff(origin@FileList, object.filelist)
157    
158                  for (filename in new.files) {
159                      encoding <- origin@Encoding
160                      elem <- list(content = readLines(filename, encoding = encoding),
161                                   uri = substitute(file(filename, encoding = encoding)))
162                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
163                  }
164    
165                  return(object)
166              })
167    
168    setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
169    setMethod("tmMap",
170              signature(object = "Corpus", FUN = "function"),
171              function(object, FUN, ..., lazy = FALSE) {
172                  result <- object
173                  # Note that text corpora are automatically loaded into memory via \code{[[}
174                  if (DBControl(object)[["useDb"]] && require("filehash")) {
175                      if (lazy)
176                          warning("lazy mapping is deactived when using database backend")
177                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
178                      i <- 1
179                      for (id in unlist(object)) {
180                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
181                          i <- i + 1
182                      }
183                      # Suggested by Christian Buchta
184                      dbReorganize(db)
185                  }
186                  else {
187                      # Lazy mapping
188                      if (lazy) {
189                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
190                          if (is.null(lazyTmMap)) {
191                              meta(result, tag = "lazyTmMap", type = "corpus") <-
192                                  list(index = rep(TRUE, length(result)),
193                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
194                          }
195                          else {
196                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
197                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
198                          }
199                      }
200                      else {
201                          result@.Data <- if (clusterAvailable())
202                              snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
203                          else
204                              lapply(object, FUN, ..., DMetaData = DMetaData(object))
205                      }
206                  }
207                  return(result)
208              })
209    
210    # Materialize lazy mappings
211    # Improvements by Christian Buchta
212    materialize <- function(corpus, range = seq_along(corpus)) {
213        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
214        if (!is.null(lazyTmMap)) {
215           # Make valid and lazy index
216           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
217           if (any(idx)) {
218               res <- lapply(corpus@.Data[idx], loadDoc)
219               for (m in lazyTmMap$maps)
220                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
221               corpus@.Data[idx] <- res
222               lazyTmMap$index[idx] <- FALSE
223           }
224        }
225        # Clean up if everything is materialized
226        if (!any(lazyTmMap$index))
227            lazyTmMap <- NULL
228        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
229        return(corpus)
230    }
231    
232    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
233    setMethod("asPlain",
234              signature(object = "PlainTextDocument"),
235              function(object, FUN, ...) {
236                  return(object)
237              })
238    setMethod("asPlain",
239              signature(object = "XMLTextDocument"),
240              function(object, FUN, ...) {
241                  require("XML")
242    
243                  corpus <- Content(object)
244    
245                  # As XMLDocument is no native S4 class, restore valid information
246                  class(corpus) <- "XMLDocument"
247                  names(corpus) <- c("doc","dtd")
248    
249                  return(FUN(xmlRoot(corpus), ...))
250              })
251    setMethod("asPlain",
252              signature(object = "Reuters21578Document"),
253              function(object, FUN, ...) {
254                  require("XML")
255    
256                  FUN <- convertReut21578XMLPlain
257                  corpus <- Content(object)
258    
259                  # As XMLDocument is no native S4 class, restore valid information
260                  class(corpus) <- "XMLDocument"
261                  names(corpus) <- c("doc","dtd")
262    
263                  return(FUN(xmlRoot(corpus), ...))
264              })
265    setMethod("asPlain",
266              signature(object = "RCV1Document"),
267              function(object, FUN, ...) {
268                  return(convertRCV1Plain(object, ...))
269              })
270    setMethod("asPlain",
271              signature(object = "NewsgroupDocument"),
272              function(object, FUN, ...) {
273                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),
274                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
275                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
276                      LocalMetaData = LocalMetaData(object))
277              })
278    setMethod("asPlain",
279              signature(object = "StructuredTextDocument"),
280              function(object, FUN, ...) {
281                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
282                      URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),
283                      Description = Description(object), ID = ID(object), Origin = Origin(object),
284                      Heading = Heading(object), Language = Language(object),
285                      LocalMetaData = LocalMetaData(object))
286              })
287    
288    setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
289    setMethod("tmFilter",
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(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])
297                      else
298                          return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
299                  }
300                  else
301                      return(object[FUN(object, ...)])
302              })
303    
304    setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
305    setMethod("tmIndex",
306              signature(object = "Corpus"),
307              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
308                  if (!is.null(attr(FUN, "doclevel")))
309                      doclevel <- attr(FUN, "doclevel")
310                  if (doclevel) {
311                      if (clusterAvailable())
312                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
313                      else
314                          return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
315                  }
316                  else
317                      return(FUN(object, ...))
318              })
319    
320    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
321    setMethod("appendElem",
322              signature(object = "Corpus", data = "TextDocument"),
323              function(object, data, meta = NULL) {
324                  if (DBControl(object)[["useDb"]] && require("filehash")) {
325                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
326                      if (dbExists(db, ID(data)))
327                          warning("document with identical ID already exists")
328                      dbInsert(db, ID(data), data)
329                      object@.Data[[length(object)+1]] <- ID(data)
330                  }
331                  else
332                      object@.Data[[length(object)+1]] <- data
333                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
334                  return(object)
335              })
336    
337    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
338    setMethod("appendMeta",
339              signature(object = "Corpus"),
340              function(object, cmeta = NULL, dmeta = NULL) {
341                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
342                  if (!is.null(dmeta)) {
343                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
344                  }
345                  return(object)
346              })
347    
348    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
349    setMethod("removeMeta",
350              signature(object = "Corpus"),
351              function(object, cname = NULL, dname = NULL) {
352                  if (!is.null(cname))
353                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
354                  if (!is.null(dname))
355                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
356                  return(object)
357              })
358    
359    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
360    setMethod("prescindMeta",
361              signature(object = "Corpus", meta = "character"),
362              function(object, meta) {
363                  for (m in meta) {
364                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
365                          local.m <- lapply(object, m)
366                          local.m <- sapply(local.m, paste, collapse = " ")
367                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
368                          local.m <- unlist(local.m)
369                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
370                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
371                      }
372                      else {
373                          local.meta <- lapply(object, LocalMetaData)
374                          local.m <- lapply(local.meta, "[[", m)
375                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
376                          if (length(local.m) == length(unlist(local.m)))
377                              local.m <- unlist(local.m)
378                          else
379                              local.m <- I(local.m)
380                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
381                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
382                      }
383                  }
384                  return(object)
385              })
386    
387      new("textdoccol", docs = list(doc), tdm = matrix())  setMethod("[",
388              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
389              function(x, i, j, ... , drop) {
390                  if(missing(i))
391                      return(x)
392    
393                  object <- x
394                  object@.Data <- x@.Data[i, ..., drop = FALSE]
395                  if (DBControl(object)[["useDb"]] && require("filehash")) {
396                      index <- object@DMetaData[[1 , "subset"]]
397                      if (any(is.na(index)))
398                          object@DMetaData[[1 , "subset"]] <- i
399                      else
400                          object@DMetaData[[1 , "subset"]] <- index[i]
401                  }
402                  else
403                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
404                  return(object)
405              })
406    
407    setMethod("[<-",
408              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
409              function(x, i, j, ... , value) {
410                  object <- x
411                  if (DBControl(object)[["useDb"]] && require("filehash")) {
412                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
413                      counter <- 1
414                      for (id in object@.Data[i, ...]) {
415                          if (length(value) == 1)
416                              db[[id]] <- value
417                          else {
418                              db[[id]] <- value[[counter]]
419                          }
420                          counter <- counter + 1
421                      }
422                  }
423                  else
424                      object@.Data[i, ...] <- value
425                  return(object)
426              })
427    
428    setMethod("[[",
429              signature(x = "Corpus", i = "ANY", j = "ANY"),
430              function(x, i, j, ...) {
431                  if (DBControl(x)[["useDb"]] && require("filehash")) {
432                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
433                      result <- dbFetch(db, x@.Data[[i]])
434                      return(loadDoc(result))
435                  }
436                  else {
437                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
438                      if (!is.null(lazyTmMap))
439                          .Call("copyCorpus", x, materialize(x, i))
440                      return(loadDoc(x@.Data[[i]]))
441                  }
442              })
443    
444    setMethod("[[<-",
445              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
446              function(x, i, j, ..., value) {
447                  object <- x
448                  if (DBControl(object)[["useDb"]] && require("filehash")) {
449                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
450                      index <- object@.Data[[i]]
451                      db[[index]] <- value
452                  }
453                  else {
454                      # Mark new objects as not active for lazy mapping
455                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
456                      if (!is.null(lazyTmMap)) {
457                          lazyTmMap$index[i] <- FALSE
458                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
459                      }
460                      # Set the value
461                      object@.Data[[i, ...]] <- value
462                  }
463                  return(object)
464              })
465    
466    # Update \code{NodeID}s of a CMetaData tree
467    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
468        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
469        set_id <- function(object) {
470            object@NodeID <- id
471            id <<- id + 1
472            level <<- level + 1
473    
474            if (length(object@children) > 0) {
475                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
476                left <- set_id(object@children[[1]])
477                if (level == 1) {
478                    left.mapping <<- mapping
479                    mapping <<- NULL
480                }
481                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
482                right <- set_id(object@children[[2]])
483    
484                object@children <- list(left, right)
485            }
486            level <<- level - 1
487    
488            return(object)
489        }
490    
491        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
492    }
493    
494    setMethod("c",
495              signature(x = "Corpus"),
496              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
497                  args <- list(...)
498                  if (length(args) == 0)
499                      return(x)
500    
501                  if (!all(sapply(args, inherits, "Corpus")))
502                      stop("not all arguments are text document collections")
503                  if (DBControl(x)[["useDb"]] || any(unlist(sapply(args, DBControl)["useDb", ])))
504                      stop("concatenating text document collections with activated database is not supported")
505    
506                  result <- x
507                  for (c in args) {
508                      result <- c2(result, c)
509                  }
510                  return(result)
511              })
512    
513    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
514    setMethod("c2",
515              signature(x = "Corpus", y = "Corpus"),
516              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
517                  object <- x
518                  # Concatenate data slots
519                  object@.Data <- c(as(x, "list"), as(y, "list"))
520    
521                  # Set the DBControl slot
522                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
523    
524                  # Update the CMetaData tree
525                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
526                  update.struct <- update_id(cmeta)
527                  object@CMetaData <- update.struct$root
528    
529                  # Find indices to be updated for the left tree
530                  indices.mapping <- NULL
531                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
532                      indices <- (DMetaData(x)$MetaID == m)
533                      indices.mapping <- c(indices.mapping, list(m = indices))
534                      names(indices.mapping)[length(indices.mapping)] <- m
535                  }
536    
537                  # Update the DMetaData data frames for the left tree
538                  for (i in 1:ncol(update.struct$left.mapping)) {
539                      map <- update.struct$left.mapping[,i]
540                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
541                  }
542    
543                  # Find indices to be updated for the right tree
544                  indices.mapping <- NULL
545                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
546                      indices <- (DMetaData(y)$MetaID == m)
547                      indices.mapping <- c(indices.mapping, list(m = indices))
548                      names(indices.mapping)[length(indices.mapping)] <- m
549                  }
550    
551                  # Update the DMetaData data frames for the right tree
552                  for (i in 1:ncol(update.struct$right.mapping)) {
553                      map <- update.struct$right.mapping[,i]
554                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
555                  }
556    
557                  # Merge the DMetaData data frames
558                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
559                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
560                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
561                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
562                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
563                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
564                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
565    
566                  return(object)
567              })
568    
569    setMethod("c",
570              signature(x = "TextDocument"),
571              function(x, ..., recursive = TRUE){
572                  args <- list(...)
573                  if(length(args) == 0)
574                      return(x)
575    
576                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
577                  cmeta.node <- new("MetaDataNode",
578                                NodeID = 0,
579                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
580                                children = list())
581    
582                  return(new("Corpus",
583                             .Data = list(x, ...),
584                             DMetaData = dmeta.df,
585                             CMetaData = cmeta.node,
586                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
587              })
588    
589    setMethod("length",
590              signature(x = "Corpus"),
591              function(x){
592                  return(length(as(x, "list")))
593        })
594    
595    setMethod("show",
596              signature(object = "Corpus"),
597              function(object){
598                  cat(sprintf(ngettext(length(object),
599                                       "A text document collection with %d text document\n",
600                                       "A text document collection with %d text documents\n"),
601                              length(object)))
602        })
603    
604    setMethod("summary",
605              signature(object = "Corpus"),
606              function(object){
607                  show(object)
608                  if (length(DMetaData(object)) > 0) {
609                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
610                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
611                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
612                                           length(CMetaData(object)@MetaData)))
613                      cat("Available tags are:\n")
614                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
615                      cat("Available variables in the data frame are:\n")
616                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
617                  }
618        })
619    
620    setGeneric("inspect", function(object) standardGeneric("inspect"))
621    setMethod("inspect",
622              signature("Corpus"),
623              function(object) {
624                  summary(object)
625                  cat("\n")
626                  if (DBControl(object)[["useDb"]] && require("filehash")) {
627                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
628                      show(dbMultiFetch(db, unlist(object)))
629                  }
630                  else
631                      print(noquote(lapply(object, identity)))
632              })
633    
634    # No metadata is checked
635    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
636    setMethod("%IN%",
637              signature(x = "TextDocument", y = "Corpus"),
638              function(x, y) {
639                  if (DBControl(y)[["useDb"]] && require("filehash")) {
640                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
641                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
642                  }
643                  else
644                      result <- x %in% y
645                  return(result)
646              })
647    
648    setMethod("lapply",
649              signature(X = "Corpus"),
650              function(X, FUN, ...) {
651                  if (DBControl(X)[["useDb"]] && require("filehash")) {
652                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
653                      result <- lapply(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::lapply(X, FUN, ...)
660                  }
661                  return(result)
662              })
663    
664    setMethod("sapply",
665              signature(X = "Corpus"),
666              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
667                  if (DBControl(X)[["useDb"]] && require("filehash")) {
668                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
669                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
670                  }
671                  else {
672                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
673                      if (!is.null(lazyTmMap))
674                          .Call("copyCorpus", X, materialize(X))
675                      result <- base::sapply(X, FUN, ...)
676                  }
677                  return(result)
678              })
679    
680    setAs("list", "Corpus", function(from) {
681        cmeta.node <- new("MetaDataNode",
682                          NodeID = 0,
683                          MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
684                          children = list())
685        data <- list()
686        counter <- 1
687        for (f in from) {
688            doc <- new("PlainTextDocument",
689                       .Data = f, URI = NULL, Cached = TRUE,
690                       Author = "", DateTimeStamp = Sys.time(),
691                       Description = "", ID = as.character(counter),
692                       Origin = "", Heading = "", Language = "en_US")
693            data <- c(data, list(doc))
694            counter <- counter + 1
695        }
696        return(new("Corpus", .Data = data,
697                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
698                   CMetaData = cmeta.node,
699                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
700    })
701    
702    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
703    setMethod("writeCorpus",
704              signature(object = "Corpus"),
705              function(object, path = ".", filenames = NULL) {
706                  filenames <- file.path(path,
707                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
708                                         else filenames)
709                  i <- 1
710                  for (o in object) {
711                      writeLines(asPlain(o), filenames[i])
712                      i <- i + 1
713                  }
714  })  })

Legend:
Removed from v.18  
changed lines
  Added in v.886

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