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 1350, Tue Apr 22 07:41:14 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 = reader(x), 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, reader(x))
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 (length(x) > 0) vector("list", as.integer(length(x))) 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(names(x)) || is.na(names(x)))
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 <- ""              names(x)[counter]
33            doc <- readerControl$reader(elem, readerControl$language, id)
34            filehash::dbInsert(db, meta(doc, "id"), doc)
35            tdl[[counter]] <- meta(doc, "id")
36            counter <- counter + 1
37        }
38        if (!is.null(names(x)) && !is.na(names(x)))
39            names(tdl) <- names(x)
40    
41        structure(list(content = tdl,
42                       meta = CorpusMeta(),
43                       dmeta = data.frame(row.names = seq_along(tdl)),
44                       dbcontrol = dbControl),
45                  class = c("PCorpus", "Corpus"))
46    }
47    
48      if (stripWhiteSpace)  VCorpus <-
49          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, readerControl = list(reader = reader(x), language = "en"))
50      if (toLower)  {
51          corpus <- tolower(corpus)      stopifnot(inherits(x, "Source"))
52    
53      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      readerControl <- prepareReader(readerControl, reader(x))
54      if (!is.null(node[["TEXT"]][["TITLE"]]))  
55          heading <- xmlValue(node[["TEXT"]][["TITLE"]])      if (is.function(readerControl$init))
56            readerControl$init()
57    
58        if (is.function(readerControl$exit))
59            on.exit(readerControl$exit())
60    
61        # Allocate memory in advance if length is known
62        tdl <- if (length(x) > 0) vector("list", as.integer(length(x))) else list()
63    
64        # Check for parallel element access
65        if (is.function(getS3method("pGetElem", class(x), TRUE)))
66            tdl <- mapply(function(elem, id)
67                              readerControl$reader(elem, readerControl$language, id),
68                          pGetElem(x),
69                          id = if (is.null(names(x)) || is.na(names(x)))
70                              as.character(seq_len(length(x)))
71                          else names(x),
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(names(x)) || is.na(names(x)))
79                    as.character(counter)
80      else      else
81          heading <- ""                  names(x)[counter]
82                doc <- readerControl$reader(elem, readerControl$language, id)
83                tdl[[counter]] <- doc
84                counter <- counter + 1
85            }
86        }
87        if (!is.null(names(x)) && !is.na(names(x)))
88            names(tdl) <- names(x)
89    
90        structure(list(content = tdl,
91                       meta = CorpusMeta(),
92                       dmeta = data.frame(row.names = seq_along(tdl))),
93                  class = c("VCorpus", "Corpus"))
94    }
95    
96    `[.PCorpus` <-
97    function(x, i)
98    {
99        if (!missing(i)) {
100            x$content <- x$content[i]
101            x$dmeta <- x$dmeta[i, , drop = FALSE]
102        }
103        x
104    }
105    
106    `[.VCorpus` <-
107    function(x, i)
108    {
109        if (!missing(i)) {
110            x$content <- x$content[i]
111            x$dmeta <- x$dmeta[i, , drop = FALSE]
112            if (!is.null(x$lazy))
113                x$lazy$index <- x$lazy$index[i]
114        }
115        x
116    }
117    
118    .map_name_index <-
119    function(x, i)
120    {
121        if (is.character(i)) {
122            n <- names(x$content)
123            match(i, if (is.null(n)) meta(x, "id", "local") else n)
124        } else
125            i
126    }
127    
128    `[[.PCorpus` <-
129    function(x, i)
130    {
131        i <- .map_name_index(x, i)
132        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
133        filehash::dbFetch(db, x$content[[i]])
134    }
135    `[[.VCorpus` <-
136    function(x, i)
137    {
138        i <- .map_name_index(x, i)
139        if (!is.null(x$lazy))
140            .Call(copyCorpus, x, materialize(x, i))
141        x$content[[i]]
142    }
143    
144    `[[<-.PCorpus` <-
145    function(x, i, value)
146    {
147        i <- .map_name_index(x, i)
148        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
149        db[[x$content[[i]]]] <- value
150        x
151    }
152    `[[<-.VCorpus` <-
153    function(x, i, value)
154    {
155        i <- .map_name_index(x, i)
156        # Mark new objects as inactive for lazy mapping
157        if (!is.null(x$lazy))
158            x$lazy$index[i] <- FALSE
159        x$content[[i]] <- value
160        x
161    }
162    
163    as.list.PCorpus <- as.list.VCorpus <-
164    function(x, ...)
165        content(x)
166    
167    as.VCorpus <-
168    function(x)
169        UseMethod("as.VCorpus")
170    as.VCorpus.VCorpus <- identity
171    
172    outer_union <-
173    function(x, y, ...)
174    {
175        if (nrow(x) > 0L)
176            x[, setdiff(names(y), names(x))] <- NA
177        if (nrow(y) > 0L)
178            y[, setdiff(names(x), names(y))] <- NA
179        res <- rbind(x, y)
180        if (ncol(res) == 0L)
181            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
182        res
183    }
184    
185    c.VCorpus <-
186    function(..., recursive = FALSE)
187    {
188        args <- list(...)
189        x <- args[[1L]]
190    
191        if (length(args) == 1L)
192            return(x)
193    
194        if (!all(unlist(lapply(args, inherits, class(x)))))
195            stop("not all arguments are of the same corpus type")
196    
197        structure(list(content = do.call("c", lapply(args, content)),
198                       meta = structure(do.call("c",
199                         lapply(args, function(a) meta(a, type = "corpus"))),
200                                        class = "CorpusMeta"),
201                       dmeta = Reduce(outer_union, lapply(args, meta))),
202                  class = c("VCorpus", "Corpus"))
203    }
204    
205    content.VCorpus <-
206    function(x)
207    {
208        if (!is.null(x$lazy))
209            .Call(copyCorpus, x, materialize(x))
210        x$content
211    }
212    
213    content.PCorpus <-
214    function(x)
215    {
216        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
217        filehash::dbMultiFetch(db, unlist(x$content))
218    }
219    
220    length.PCorpus <- length.VCorpus <-
221    function(x)
222        length(x$content)
223    
224    print.PCorpus <- print.VCorpus <-
225    function(x, ...)
226    {
227        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
228                           class(x)[1],
229                           length(x),
230                           length(meta(x, type = "corpus")),
231                           ncol(meta(x, type = "indexed"))))
232        invisible(x)
233    }
234    
235    inspect <-
236    function(x)
237        UseMethod("inspect", x)
238    inspect.PCorpus <- inspect.VCorpus <-
239    function(x)
240    {
241        print(x)
242        cat("\n")
243        print(noquote(content(x)))
244        invisible(x)
245    }
246    
247    writeCorpus <-
248    function(x, path = ".", filenames = NULL)
249    {
250        filenames <- file.path(path,
251          if (is.null(filenames))
252              sprintf("%s.txt", as.character(meta(x, "id", "local")))
253          else filenames)
254    
255        stopifnot(length(x) == length(filenames))
256    
257        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
258    
259      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
260  }  }

Legend:
Removed from v.32  
changed lines
  Added in v.1350

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