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 1383, Thu May 29 07:32:14 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 (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
13            function(object, inputType = "RCV1", stripWhiteSpace = FALSE, toLower = FALSE) {          stop("error in creating database")
14        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
15                # Add a new type for each unique input source format  
16                type <- match.arg(inputType,c("RCV1","CSV","REUT21578"))      tdl <- vector("list", length(x))
17                switch(type,      counter <- 1
18                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format      while (!eoi(x)) {
19                       # For the moment the first argument is still a single file          x <- stepNext(x)
20                       # This will be changed to a directory as soon as we have the full RCV1 data set          elem <- getElem(x)
21                       "RCV1" = {          doc <- readerControl$reader(elem,
22                           tree <- xmlTreeParse(object)                                      readerControl$language,
23                           tdcl <- new("textdoccol", .Data = xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower))                                      as.character(counter))
24                       },          filehash::dbInsert(db, meta(doc, "id"), doc)
25                       # Text in a special CSV format (as e.g. exported from an Excel sheet)          tdl[[counter]] <- meta(doc, "id")
26                       # For details on the file format see data/Umfrage.csv          counter <- counter + 1
27                       # The first argument has to be a single file      }
28                       "CSV" = {  
29                           m <- as.matrix(read.csv(object))      structure(list(content = tdl,
30                           l <- vector("list", dim(m)[1])                     meta = CorpusMeta(),
31                           for (i in 1:dim(m)[1]) {                     dmeta = data.frame(row.names = seq_along(tdl)),
32                               author <- "Not yet implemented"                     dbcontrol = dbControl),
33                               timestamp <- date()                class = c("PCorpus", "Corpus"))
34                               description <- "Not yet implemented"  }
35                               id <- i  
36                               corpus <- as.character(m[i,2:dim(m)[2]])  Corpus <-
37                               if (stripWhiteSpace)  VCorpus <-
38                                   corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, readerControl = list(reader = reader(x), language = "en"))
39                               if (toLower)  {
40                                   corpus <- tolower(corpus)      stopifnot(inherits(x, "Source"))
41                               origin <- "Not yet implemented"  
42                               heading <- "Not yet implemented"      readerControl <- prepareReader(readerControl, reader(x))
43    
44                               l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      tdl <- vector("list", length(x))
45                                   description = description, id = id, origin = origin, heading = heading)      # Check for parallel element access
46                           }      if (is.function(getS3method("pGetElem", class(x), TRUE)))
47                           tdcl <- new("textdoccol", .Data = l)          tdl <- mapply(function(elem, id)
48                       },                            readerControl$reader(elem, readerControl$language, id),
49                       # Read in text documents in Reuters-21578 XML (not SGML) format                        pGetElem(x),
50                       # Typically the first argument will be a directory where we can                        id = as.character(seq_along(x)),
51                       # find the files reut2-000.xml ... reut2-021.xml                        SIMPLIFY = FALSE)
52                       "REUT21578" = {      else {
53                           tdl <- sapply(dir(object,          counter <- 1
54                                             pattern = ".xml",          while (!eoi(x)) {
55                                             full.names = TRUE),              x <- stepNext(x)
56                                         function(file) {              elem <- getElem(x)
57                                             tree <- xmlTreeParse(file)              doc <- readerControl$reader(elem,
58                                             xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)                                          readerControl$language,
59                                         })                                          as.character(counter))
60                tdl[[counter]] <- doc
61                           tdcl <- new("textdoccol", .Data = tdl)              counter <- counter + 1
62                       })          }
63                tdcl      }
64            })  
65        structure(list(content = tdl,
66  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file                     meta = CorpusMeta(),
67  parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {                     dmeta = data.frame(row.names = seq_along(tdl))),
68      author <- "Not yet implemented"                class = c("VCorpus", "Corpus"))
69      timestamp <- xmlAttrs(node)[["date"]]  }
70      description <- "Not yet implemented"  
71      id <- as.integer(xmlAttrs(node)[["itemid"]])  `[.PCorpus` <-
72      origin <- "Not yet implemented"  function(x, i)
73      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  {
74        if (!missing(i)) {
75      if (stripWhiteSpace)          x$content <- x$content[i]
76          corpus <- gsub("[[:space:]]+", " ", corpus)          x$dmeta <- x$dmeta[i, , drop = FALSE]
77      if (toLower)      }
78          corpus <- tolower(corpus)      x
79    }
80      heading <- xmlValue(node[["title"]])  
81    `[.VCorpus` <-
82      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  function(x, i)
83          description = description, id = id, origin = origin, heading = heading)  {
84  }      if (!missing(i)) {
85            x$content <- x$content[i]
86  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file          x$dmeta <- x$dmeta[i, , drop = FALSE]
87  parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {          if (!is.null(x$lazy))
88      author <- "Not yet implemented"              x$lazy$index <- x$lazy$index[i]
89      timestamp <- xmlValue(node[["DATE"]])      }
90      description <- "Not yet implemented"      x
91      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"]])  
     else  
         corpus <- ""  
92    
93      if (stripWhiteSpace)  .map_name_index <-
94          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
95      if (toLower)  {
96          corpus <- tolower(corpus)      if (is.character(i))
97            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"]])  
98      else      else
99          heading <- ""          i
100    }
101    
102    `[[.PCorpus` <-
103    function(x, i)
104    {
105        i <- .map_name_index(x, i)
106        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
107        filehash::dbFetch(db, x$content[[i]])
108    }
109    `[[.VCorpus` <-
110    function(x, i)
111    {
112        i <- .map_name_index(x, i)
113        if (!is.null(x$lazy))
114            .Call(copyCorpus, x, materialize(x, i))
115        x$content[[i]]
116    }
117    
118    `[[<-.PCorpus` <-
119    function(x, i, value)
120    {
121        i <- .map_name_index(x, i)
122        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
123        db[[x$content[[i]]]] <- value
124        x
125    }
126    `[[<-.VCorpus` <-
127    function(x, i, value)
128    {
129        i <- .map_name_index(x, i)
130        # Mark new objects as inactive for lazy mapping
131        if (!is.null(x$lazy))
132            x$lazy$index[i] <- FALSE
133        x$content[[i]] <- value
134        x
135    }
136    
137    as.list.PCorpus <- as.list.VCorpus <-
138    function(x, ...)
139        content(x)
140    
141    as.VCorpus <-
142    function(x)
143        UseMethod("as.VCorpus")
144    as.VCorpus.VCorpus <- identity
145    
146    outer_union <-
147    function(x, y, ...)
148    {
149        if (nrow(x) > 0L)
150            x[, setdiff(names(y), names(x))] <- NA
151        if (nrow(y) > 0L)
152            y[, setdiff(names(x), names(y))] <- NA
153        res <- rbind(x, y)
154        if (ncol(res) == 0L)
155            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
156        res
157    }
158    
159    c.VCorpus <-
160    function(..., recursive = FALSE)
161    {
162        args <- list(...)
163        x <- args[[1L]]
164    
165        if (length(args) == 1L)
166            return(x)
167    
168        if (!all(unlist(lapply(args, inherits, class(x)))))
169            stop("not all arguments are of the same corpus type")
170    
171        structure(list(content = do.call("c", lapply(args, content)),
172                       meta = CorpusMeta(meta = do.call("c",
173                         lapply(args, function(a) meta(a, type = "corpus")))),
174                       dmeta = Reduce(outer_union, lapply(args, meta))),
175                  class = c("VCorpus", "Corpus"))
176    }
177    
178    content.VCorpus <-
179    function(x)
180    {
181        if (!is.null(x$lazy))
182            .Call(copyCorpus, x, materialize(x))
183        x$content
184    }
185    
186    content.PCorpus <-
187    function(x)
188    {
189        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
190        filehash::dbMultiFetch(db, unlist(x$content))
191    }
192    
193    inspect <-
194    function(x)
195        UseMethod("inspect", x)
196    inspect.PCorpus <- inspect.VCorpus <-
197    function(x)
198    {
199        print(x)
200        cat("\n")
201        print(noquote(content(x)))
202        invisible(x)
203    }
204    
205    length.PCorpus <- length.VCorpus <-
206    function(x)
207        length(x$content)
208    
209    names.PCorpus <- names.VCorpus <-
210    function(x)
211        as.character(meta(x, "id", "local"))
212    
213    `names<-.PCorpus` <- `names<-.VCorpus` <-
214    function(x, value)
215    {
216        meta(x, "id", "local") <- as.character(value)
217        x
218    }
219    
220    print.PCorpus <- print.VCorpus <-
221    function(x, ...)
222    {
223        writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
224                           class(x)[1],
225                           length(x),
226                           length(meta(x, type = "corpus")),
227                           ncol(meta(x, type = "indexed"))))
228        invisible(x)
229    }
230    
231    writeCorpus <-
232    function(x, path = ".", filenames = NULL)
233    {
234        filenames <- file.path(path,
235          if (is.null(filenames))
236              sprintf("%s.txt", as.character(meta(x, "id", "local")))
237          else filenames)
238    
239        stopifnot(length(x) == length(filenames))
240    
241        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
242    
243      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
244  }  }

Legend:
Removed from v.32  
changed lines
  Added in v.1383

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