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 32, Thu Dec 15 13:13:54 2005 UTC pkg/R/corpus.R revision 1328, Tue Apr 15 09:46:28 2014 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # S4 class definition  PCorpus <-
4  # Text document collection  function(x,
5  setClass("textdoccol",           readerControl = list(reader = x$defaultreader, language = "en"),
6           contains = c("list"))           dbControl = list(dbName = "", dbType = "DB1"))
7    {
8  # Constructors      stopifnot(inherits(x, "Source"))
9    
10  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))      readerControl <- prepareReader(readerControl, x$defaultreader)
11  setMethod("textdoccol",  
12            c("character", "character", "logical", "logical"),      if (is.function(readerControl$init))
13            function(object, inputType = "RCV1", stripWhiteSpace = FALSE, toLower = FALSE) {          readerControl$init()
14    
15                # Add a new type for each unique input source format      if (is.function(readerControl$exit))
16                type <- match.arg(inputType,c("RCV1","CSV","REUT21578"))          on.exit(readerControl$exit())
17                switch(type,  
18                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19                       # For the moment the first argument is still a single file          stop("error in creating database")
20                       # This will be changed to a directory as soon as we have the full RCV1 data set      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21                       "RCV1" = {  
22                           tree <- xmlTreeParse(object)      # Allocate memory in advance if length is known
23                           tdcl <- new("textdoccol", .Data = xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower))      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
24                       },  
25                       # Text in a special CSV format (as e.g. exported from an Excel sheet)      counter <- 1
26                       # For details on the file format see data/Umfrage.csv      while (!eoi(x)) {
27                       # The first argument has to be a single file          x <- stepNext(x)
28                       "CSV" = {          elem <- getElem(x)
29                           m <- as.matrix(read.csv(object))          id <- if (is.null(x$names) || is.na(x$names))
30                           l <- vector("list", dim(m)[1])              as.character(counter)
                          for (i in 1:dim(m)[1]) {  
                              author <- "Not yet implemented"  
                              timestamp <- date()  
                              description <- "Not yet implemented"  
                              id <- i  
                              corpus <- as.character(m[i,2:dim(m)[2]])  
                              if (stripWhiteSpace)  
                                  corpus <- gsub("[[:space:]]+", " ", corpus)  
                              if (toLower)  
                                  corpus <- tolower(corpus)  
                              origin <- "Not yet implemented"  
                              heading <- "Not yet implemented"  
   
                              l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
                                  description = description, id = id, origin = origin, heading = heading)  
                          }  
                          tdcl <- new("textdoccol", .Data = l)  
                      },  
                      # Read in text documents in Reuters-21578 XML (not SGML) format  
                      # Typically the first argument will be a directory where we can  
                      # find the files reut2-000.xml ... reut2-021.xml  
                      "REUT21578" = {  
                          tdl <- sapply(dir(object,  
                                            pattern = ".xml",  
                                            full.names = TRUE),  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)  
                                        })  
   
                          tdcl <- new("textdoccol", .Data = tdl)  
                      })  
               tdcl  
           })  
   
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     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)  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- xmlValue(node[["title"]])  
   
     new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
         description = description, id = id, origin = origin, heading = heading)  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- "Not yet implemented"  
     timestamp <- xmlValue(node[["DATE"]])  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
   
     origin <- "Not yet implemented"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
31      else      else
32          corpus <- ""              x$names[counter]
33            doc <- readerControl$reader(elem, readerControl$language, id)
34            filehash::dbInsert(db, meta(doc, "id"), doc)
35            if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
36            else tdl <- c(tdl, meta(doc, "id"))
37            counter <- counter + 1
38        }
39        if (!is.null(x$names) && !is.na(x$names))
40            names(tdl) <- x$names
41    
42        structure(list(content = tdl,
43                       meta = CorpusMeta(),
44                       dmeta = data.frame(row.names = seq_along(tdl)),
45                       dbcontrol = dbControl),
46                  class = c("PCorpus", "Corpus"))
47    }
48    
49    VCorpus <- Corpus <-
50    function(x, readerControl = list(reader = x$defaultreader, language = "en"))
51    {
52        stopifnot(inherits(x, "Source"))
53    
54        readerControl <- prepareReader(readerControl, x$defaultreader)
55    
56        if (is.function(readerControl$init))
57            readerControl$init()
58    
59        if (is.function(readerControl$exit))
60            on.exit(readerControl$exit())
61    
62        # Allocate memory in advance if length is known
63        tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
64    
65        if (x$vectorized)
66            tdl <- mapply(function(elem, id)
67                              readerControl$reader(elem, readerControl$language, id),
68                          pGetElem(x),
69                          id = if (is.null(x$names) || is.na(x$names))
70                              as.character(seq_len(x$length))
71                          else x$names,
72                          SIMPLIFY = FALSE)
73        else {
74            counter <- 1
75            while (!eoi(x)) {
76                x <- stepNext(x)
77                elem <- getElem(x)
78                id <- if (is.null(x$names) || is.na(x$names))
79                    as.character(counter)
80                else
81                    x$names[counter]
82                doc <- readerControl$reader(elem, readerControl$language, id)
83                if (x$length > 0)
84                    tdl[[counter]] <- doc
85                else
86                    tdl <- c(tdl, list(doc))
87                counter <- counter + 1
88            }
89        }
90        if (!is.null(x$names) && !is.na(x$names))
91            names(tdl) <- x$names
92    
93        structure(list(content = tdl,
94                       meta = CorpusMeta(),
95                       dmeta = data.frame(row.names = seq_along(tdl))),
96                  class = c("VCorpus", "Corpus"))
97    }
98    
99      if (stripWhiteSpace)  `[.PCorpus` <-
100          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
101      if (toLower)  {
102          corpus <- tolower(corpus)      if (!missing(i)) {
103            x$content <- x$content[i]
104      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!          x$dmeta <- x$dmeta[i, , drop = FALSE]
105      if (!is.null(node[["TEXT"]][["TITLE"]]))      }
106          heading <- xmlValue(node[["TEXT"]][["TITLE"]])      x
107    }
108    
109    `[.VCorpus` <-
110    function(x, i)
111    {
112        if (!missing(i)) {
113            x$content <- x$content[i]
114            x$dmeta <- x$dmeta[i, , drop = FALSE]
115            if (!is.null(x$lazy))
116                x$lazy$index <- x$lazy$index[i]
117        }
118        x
119    }
120    
121    .map_name_index <-
122    function(x, i)
123    {
124        if (is.character(i))
125            match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
126      else      else
127          heading <- ""          i
128    }
129    
130    `[[.PCorpus` <-
131    function(x, i)
132    {
133        i <- .map_name_index(x, i)
134        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
135        filehash::dbFetch(db, x$content[[i]])
136    }
137    `[[.VCorpus` <-
138    function(x, i)
139    {
140        i <- .map_name_index(x, i)
141        if (!is.null(x$lazy))
142            .Call(copyCorpus, x, materialize(x, i))
143        x$content[[i]]
144    }
145    
146    `[[<-.PCorpus` <-
147    function(x, i, value)
148    {
149        i <- .map_name_index(x, i)
150        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
151        db[[x$content[[i]]]] <- value
152        x
153    }
154    `[[<-.VCorpus` <-
155    function(x, i, value)
156    {
157        i <- .map_name_index(x, i)
158        # Mark new objects as inactive for lazy mapping
159        if (!is.null(x$lazy))
160            x$lazy$index[i] <- FALSE
161        x$content[[i]] <- value
162        x
163    }
164    
165    outer_union <-
166    function(x, y, ...)
167    {
168        if (nrow(x) > 0L)
169            x[, setdiff(names(y), names(x))] <- NA
170        if (nrow(y) > 0L)
171            y[, setdiff(names(x), names(y))] <- NA
172        res <- rbind(x, y)
173        if (ncol(res) == 0L)
174            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
175        res
176    }
177    
178    c.VCorpus <-
179    function(..., recursive = FALSE)
180    {
181        args <- list(...)
182        x <- args[[1L]]
183    
184        if (length(args) == 1L)
185            return(x)
186    
187        if (!all(unlist(lapply(args, inherits, class(x)))))
188            stop("not all arguments are of the same corpus type")
189    
190        structure(list(content = do.call("c", lapply(args, content)),
191                       meta = structure(do.call("c",
192                         lapply(args, function(a) meta(a, type = "corpus"))),
193                                        class = "CorpusMeta"),
194                       dmeta = Reduce(outer_union, lapply(args, meta))),
195                  class = c("VCorpus", "Corpus"))
196    }
197    
198    as.list.PCorpus <- as.list.VCorpus <-
199    function(x, ...)
200        content(x)
201    
202    content.VCorpus <-
203    function(x)
204    {
205        if (!is.null(x$lazy))
206            .Call(copyCorpus, x, materialize(x))
207        x$content
208    }
209    
210    content.PCorpus <-
211    function(x)
212    {
213        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
214        filehash::dbMultiFetch(db, unlist(x$content))
215    }
216    
217    length.PCorpus <- length.VCorpus <-
218    function(x)
219        length(x$content)
220    
221    print.PCorpus <- print.VCorpus <-
222    function(x, ...)
223    {
224        cat(sprintf(ngettext(length(x),
225                             "A corpus with %d text document\n\n",
226                             "A corpus with %d text documents\n\n"),
227                    length(x)))
228    
229        meta <- meta(x, type = "corpus")
230        dmeta <- meta(x, type = "indexed")
231    
232        cat("Metadata:\n")
233        cat(sprintf("  Tag-value pairs. Tags: %s\n",
234                    paste(names(meta), collapse = " ")))
235        cat("  Data frame. Variables:", colnames(dmeta), "\n")
236    
237        invisible(x)
238    }
239    
240    inspect <-
241    function(x)
242        UseMethod("inspect", x)
243    inspect.PCorpus <- inspect.VCorpus <-
244    function(x)
245    {
246        print(x)
247        cat("\n")
248        print(noquote(content(x)))
249        invisible(x)
250    }
251    
252    writeCorpus <-
253    function(x, path = ".", filenames = NULL)
254    {
255        filenames <- file.path(path,
256          if (is.null(filenames))
257              sprintf("%s.txt", as.character(meta(x, "id", "local")))
258          else filenames)
259    
260        stopifnot(length(x) == length(filenames))
261    
262        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
263    
264      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
265  }  }

Legend:
Removed from v.32  
changed lines
  Added in v.1328

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