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 1379, Tue May 27 17:55:29 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)      tdl <- vector("list", length(x))
23                           tdcl <- new("textdoccol", .Data = xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower))      counter <- 1
24                       },      while (!eoi(x)) {
25                       # Text in a special CSV format (as e.g. exported from an Excel sheet)          x <- stepNext(x)
26                       # For details on the file format see data/Umfrage.csv          elem <- getElem(x)
27                       # The first argument has to be a single file          doc <- readerControl$reader(elem,
28                       "CSV" = {                                      readerControl$language,
29                           m <- as.matrix(read.csv(object))                                      as.character(counter))
30                           l <- vector("list", dim(m)[1])          filehash::dbInsert(db, meta(doc, "id"), doc)
31                           for (i in 1:dim(m)[1]) {          tdl[[counter]] <- meta(doc, "id")
32                               author <- "Not yet implemented"          counter <- counter + 1
33                               timestamp <- date()      }
34                               description <- "Not yet implemented"  
35                               id <- i      structure(list(content = tdl,
36                               corpus <- as.character(m[i,2:dim(m)[2]])                     meta = CorpusMeta(),
37                               if (stripWhiteSpace)                     dmeta = data.frame(row.names = seq_along(tdl)),
38                                   corpus <- gsub("[[:space:]]+", " ", corpus)                     dbcontrol = dbControl),
39                               if (toLower)                class = c("PCorpus", "Corpus"))
40                                   corpus <- tolower(corpus)  }
41                               origin <- "Not yet implemented"  
42                               heading <- "Not yet implemented"  Corpus <-
43    VCorpus <-
44                               l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  function(x, readerControl = list(reader = reader(x), language = "en"))
45                                   description = description, id = id, origin = origin, heading = heading)  {
46                           }      stopifnot(inherits(x, "Source"))
47                           tdcl <- new("textdoccol", .Data = l)  
48                       },      readerControl <- prepareReader(readerControl, reader(x))
49                       # Read in text documents in Reuters-21578 XML (not SGML) format  
50                       # Typically the first argument will be a directory where we can      if (is.function(readerControl$init))
51                       # find the files reut2-000.xml ... reut2-021.xml          readerControl$init()
52                       "REUT21578" = {  
53                           tdl <- sapply(dir(object,      if (is.function(readerControl$exit))
54                                             pattern = ".xml",          on.exit(readerControl$exit())
55                                             full.names = TRUE),  
56                                         function(file) {      tdl <- vector("list", length(x))
57                                             tree <- xmlTreeParse(file)      # Check for parallel element access
58                                             xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)      if (is.function(getS3method("pGetElem", class(x), TRUE)))
59                                         })          tdl <- mapply(function(elem, id)
60                              readerControl$reader(elem, readerControl$language, id),
61                           tdcl <- new("textdoccol", .Data = tdl)                        pGetElem(x),
62                       })                        id = as.character(seq_along(x)),
63                tdcl                        SIMPLIFY = FALSE)
64            })      else {
65            counter <- 1
66  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file          while (!eoi(x)) {
67  parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {              x <- stepNext(x)
68      author <- "Not yet implemented"              elem <- getElem(x)
69      timestamp <- xmlAttrs(node)[["date"]]              doc <- readerControl$reader(elem,
70      description <- "Not yet implemented"                                          readerControl$language,
71      id <- as.integer(xmlAttrs(node)[["itemid"]])                                          as.character(counter))
72      origin <- "Not yet implemented"              tdl[[counter]] <- doc
73      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)              counter <- counter + 1
74            }
75      if (stripWhiteSpace)      }
76          corpus <- gsub("[[:space:]]+", " ", corpus)  
77      if (toLower)      structure(list(content = tdl,
78          corpus <- tolower(corpus)                     meta = CorpusMeta(),
79                       dmeta = data.frame(row.names = seq_along(tdl))),
80      heading <- xmlValue(node[["title"]])                class = c("VCorpus", "Corpus"))
81    }
82      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
83          description = description, id = id, origin = origin, heading = heading)  `[.PCorpus` <-
84  }  function(x, i)
85    {
86  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file      if (!missing(i)) {
87  parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {          x$content <- x$content[i]
88      author <- "Not yet implemented"          x$dmeta <- x$dmeta[i, , drop = FALSE]
89      timestamp <- xmlValue(node[["DATE"]])      }
90      description <- "Not yet implemented"      x
91      id <- as.integer(xmlAttrs(node)[["NEWID"]])  }
92    
93      origin <- "Not yet implemented"  `[.VCorpus` <-
94    function(x, i)
95      # The <BODY></BODY> tag is unfortunately NOT obligatory!  {
96      if (!is.null(node[["TEXT"]][["BODY"]]))      if (!missing(i)) {
97          corpus <- xmlValue(node[["TEXT"]][["BODY"]])          x$content <- x$content[i]
98      else          x$dmeta <- x$dmeta[i, , drop = FALSE]
99          corpus <- ""          if (!is.null(x$lazy))
100                x$lazy$index <- x$lazy$index[i]
101        }
102        x
103    }
104    
105      if (stripWhiteSpace)  .map_name_index <-
106          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
107      if (toLower)  {
108          corpus <- tolower(corpus)      if (is.character(i))
109            match(i, meta(x, "id", "local"))
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
110      else      else
111          heading <- ""          i
112    }
113    
114    `[[.PCorpus` <-
115    function(x, i)
116    {
117        i <- .map_name_index(x, i)
118        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
119        filehash::dbFetch(db, x$content[[i]])
120    }
121    `[[.VCorpus` <-
122    function(x, i)
123    {
124        i <- .map_name_index(x, i)
125        if (!is.null(x$lazy))
126            .Call(copyCorpus, x, materialize(x, i))
127        x$content[[i]]
128    }
129    
130    `[[<-.PCorpus` <-
131    function(x, i, value)
132    {
133        i <- .map_name_index(x, i)
134        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
135        db[[x$content[[i]]]] <- value
136        x
137    }
138    `[[<-.VCorpus` <-
139    function(x, i, value)
140    {
141        i <- .map_name_index(x, i)
142        # Mark new objects as inactive for lazy mapping
143        if (!is.null(x$lazy))
144            x$lazy$index[i] <- FALSE
145        x$content[[i]] <- value
146        x
147    }
148    
149    as.list.PCorpus <- as.list.VCorpus <-
150    function(x, ...)
151        content(x)
152    
153    as.VCorpus <-
154    function(x)
155        UseMethod("as.VCorpus")
156    as.VCorpus.VCorpus <- identity
157    
158    outer_union <-
159    function(x, y, ...)
160    {
161        if (nrow(x) > 0L)
162            x[, setdiff(names(y), names(x))] <- NA
163        if (nrow(y) > 0L)
164            y[, setdiff(names(x), names(y))] <- NA
165        res <- rbind(x, y)
166        if (ncol(res) == 0L)
167            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
168        res
169    }
170    
171    c.VCorpus <-
172    function(..., recursive = FALSE)
173    {
174        args <- list(...)
175        x <- args[[1L]]
176    
177        if (length(args) == 1L)
178            return(x)
179    
180        if (!all(unlist(lapply(args, inherits, class(x)))))
181            stop("not all arguments are of the same corpus type")
182    
183        structure(list(content = do.call("c", lapply(args, content)),
184                       meta = CorpusMeta(meta = do.call("c",
185                         lapply(args, function(a) meta(a, type = "corpus")))),
186                       dmeta = Reduce(outer_union, lapply(args, meta))),
187                  class = c("VCorpus", "Corpus"))
188    }
189    
190    content.VCorpus <-
191    function(x)
192    {
193        if (!is.null(x$lazy))
194            .Call(copyCorpus, x, materialize(x))
195        x$content
196    }
197    
198    content.PCorpus <-
199    function(x)
200    {
201        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
202        filehash::dbMultiFetch(db, unlist(x$content))
203    }
204    
205    inspect <-
206    function(x)
207        UseMethod("inspect", x)
208    inspect.PCorpus <- inspect.VCorpus <-
209    function(x)
210    {
211        print(x)
212        cat("\n")
213        print(noquote(content(x)))
214        invisible(x)
215    }
216    
217    length.PCorpus <- length.VCorpus <-
218    function(x)
219        length(x$content)
220    
221    names.PCorpus <- names.VCorpus <-
222    function(x)
223        as.character(meta(x, "id", "local"))
224    
225    `names<-.PCorpus` <- `names<-.VCorpus` <-
226    function(x, value)
227    {
228        meta(x, "id", "local") <- as.character(value)
229        x
230    }
231    
232    print.PCorpus <- print.VCorpus <-
233    function(x, ...)
234    {
235        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
236                           class(x)[1],
237                           length(x),
238                           length(meta(x, type = "corpus")),
239                           ncol(meta(x, type = "indexed"))))
240        invisible(x)
241    }
242    
243    writeCorpus <-
244    function(x, path = ".", filenames = NULL)
245    {
246        filenames <- file.path(path,
247          if (is.null(filenames))
248              sprintf("%s.txt", as.character(meta(x, "id", "local")))
249          else filenames)
250    
251        stopifnot(length(x) == length(filenames))
252    
253        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
254    
255      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
256  }  }

Legend:
Removed from v.32  
changed lines
  Added in v.1379

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