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 946, Wed May 13 18:07:35 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # S4 class definition  PCorpus <- function(object,
4  # Text document collection                      readerControl = list(reader = object@DefaultReader, language = "eng"),
5  setClass("textdoccol",                      dbControl = list(dbName = "", dbType = "DB1"),
6           contains = c("list"))                      ...) {
7        if (is.null(readerControl$reader))
8  # Constructors          readerControl$reader <- object@DefaultReader
9        if (is(readerControl$reader, "FunctionGenerator"))
10  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))          readerControl$reader <- readerControl$reader(...)
11  setMethod("textdoccol",      if (is.null(readerControl$language))
12            c("character", "character", "logical", "logical"),          readerControl$language <- "eng"
13            function(object, inputType = "RCV1", stripWhiteSpace = FALSE, toLower = FALSE) {  
14        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
15                # Add a new type for each unique input source format          stop("error in creating database")
16                type <- match.arg(inputType,c("RCV1","CSV","REUT21578"))      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
17                switch(type,  
18                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format      # Allocate memory in advance if length is known
19                       # For the moment the first argument is still a single file      tdl <- if (object@Length > 0)
20                       # This will be changed to a directory as soon as we have the full RCV1 data set          vector("list", as.integer(object@Length))
                      "RCV1" = {  
                          tree <- xmlTreeParse(object)  
                          tdcl <- new("textdoccol", .Data = xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower))  
                      },  
                      # Text in a special CSV format (as e.g. exported from an Excel sheet)  
                      # For details on the file format see data/Umfrage.csv  
                      # The first argument has to be a single file  
                      "CSV" = {  
                          m <- as.matrix(read.csv(object))  
                          l <- vector("list", dim(m)[1])  
                          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"]])  
     else  
         corpus <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
21      else      else
22          heading <- ""          list()
23    
24      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      counter <- 1
25          description = description, id = id, origin = origin, heading = heading)      while (!eoi(object)) {
26            object <- stepNext(object)
27            elem <- getElem(object)
28            doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
29            filehash::dbInsert(db, ID(doc), doc)
30            if (object@Length > 0) tdl[[counter]] <- ID(doc)
31            else tdl <- c(tdl, ID(doc))
32            counter <- counter + 1
33  }  }
34    
35        df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
36        filehash::dbInsert(db, "DMetaData", df)
37        dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
38    
39        cmeta.node <- new("MetaDataNode",
40                          NodeID = 0,
41                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
42                          children = list())
43    
44        new("PCorpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl)
45    }
46    
47    # The "..." are additional arguments for the FunctionGenerator reader
48    SCorpus <- Corpus <- function(object,
49                        readerControl = list(reader = object@DefaultReader, language = "eng"),
50                        ...) {
51        if (is.null(readerControl$reader))
52            readerControl$reader <- object@DefaultReader
53        if (is(readerControl$reader, "FunctionGenerator"))
54            readerControl$reader <- readerControl$reader(...)
55        if (is.null(readerControl$language))
56            readerControl$language <- "eng"
57    
58        # Allocate memory in advance if length is known
59        tdl <- if (object@Length > 0)
60            vector("list", as.integer(object@Length))
61        else
62            list()
63    
64        if (object@Vectorized)
65            tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
66                          function(x) readerControl$reader(x[c("content", "uri")],
67                                                           readerControl$language,
68                                                           as.character(x$id)))
69        else {
70            counter <- 1
71            while (!eoi(object)) {
72                object <- stepNext(object)
73                elem <- getElem(object)
74                doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
75                if (object@Length > 0)
76                    tdl[[counter]] <- doc
77                else
78                    tdl <- c(tdl, list(doc))
79                counter <- counter + 1
80            }
81        }
82    
83        df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
84        cmeta.node <- new("MetaDataNode",
85                          NodeID = 0,
86                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
87                          children = list())
88    
89        new("SCorpus", .Data = tdl, DMetaData = df, CMetaData = cmeta.node)
90    }
91    
92    setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
93    setMethod("tmMap",
94              signature(object = "SCorpus", FUN = "function"),
95              function(object, FUN, ..., lazy = FALSE) {
96                  result <- object
97                  # Lazy mapping
98                  if (lazy) {
99                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
100                      if (is.null(lazyTmMap)) {
101                          meta(result, tag = "lazyTmMap", type = "corpus") <-
102                              list(index = rep(TRUE, length(result)),
103                                   maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
104                      }
105                      else {
106                          lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
107                          meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
108                      }
109                  }
110                  else {
111                      result@.Data <- if (clusterAvailable())
112                          snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
113                      else
114                          lapply(object, FUN, ..., DMetaData = DMetaData(object))
115                  }
116                  result
117              })
118    setMethod("tmMap",
119              signature(object = "PCorpus", FUN = "function"),
120              function(object, FUN, ..., lazy = FALSE) {
121                  # TODO: When should lazy mapping be conceptually available?
122                  if (lazy)
123                      warning("lazy mapping is deactived when using database backend")
124                  db <- filehash::dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
125                  i <- 1
126                  for (id in unlist(object)) {
127                      db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
128                      i <- i + 1
129                  }
130                  # Suggested by Christian Buchta
131                  filehash::dbReorganize(db)
132    
133                  object
134              })
135    
136    # Materialize lazy mappings
137    # Improvements by Christian Buchta
138    materialize <- function(corpus, range = seq_along(corpus)) {
139        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
140        if (!is.null(lazyTmMap)) {
141           # Make valid and lazy index
142           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
143           if (any(idx)) {
144               res <- corpus@.Data[idx]
145               for (m in lazyTmMap$maps)
146                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
147               corpus@.Data[idx] <- res
148               lazyTmMap$index[idx] <- FALSE
149           }
150        }
151        # Clean up if everything is materialized
152        if (!any(lazyTmMap$index))
153            lazyTmMap <- NULL
154        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
155        corpus
156    }
157    
158    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
159    setMethod("asPlain", signature(object = "PlainTextDocument"),
160              function(object, FUN, ...) object)
161    setMethod("asPlain",
162              signature(object = "XMLTextDocument"),
163              function(object, FUN, ...) {
164                  require("XML")
165    
166                  corpus <- Content(object)
167    
168                  # As XMLDocument is no native S4 class, restore valid information
169                  class(corpus) <- "XMLDocument"
170                  names(corpus) <- c("doc","dtd")
171    
172                  return(FUN(xmlRoot(corpus), ...))
173              })
174    setMethod("asPlain",
175              signature(object = "Reuters21578Document"),
176              function(object, FUN, ...) {
177                  require("XML")
178    
179                  FUN <- convertReut21578XMLPlain
180                  corpus <- Content(object)
181    
182                  # As XMLDocument is no native S4 class, restore valid information
183                  class(corpus) <- "XMLDocument"
184                  names(corpus) <- c("doc","dtd")
185    
186                  return(FUN(xmlRoot(corpus), ...))
187              })
188    setMethod("asPlain", signature(object = "RCV1Document"),
189              function(object, FUN, ...) convertRCV1Plain(object, ...))
190    setMethod("asPlain",
191              signature(object = "NewsgroupDocument"),
192              function(object, FUN, ...) {
193                  new("PlainTextDocument", .Data = Content(object), Author = Author(object),
194                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
195                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
196                      LocalMetaData = LocalMetaData(object))
197              })
198    setMethod("asPlain",
199              signature(object = "StructuredTextDocument"),
200              function(object, FUN, ...) {
201                  new("PlainTextDocument", .Data = unlist(Content(object)),
202                      Author = Author(object), DateTimeStamp = DateTimeStamp(object),
203                      Description = Description(object), ID = ID(object), Origin = Origin(object),
204                      Heading = Heading(object), Language = Language(object),
205                      LocalMetaData = LocalMetaData(object))
206              })
207    
208    setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
209    setMethod("tmFilter", signature(object = "Corpus"),
210              function(object, ..., FUN = searchFullText, doclevel = TRUE)
211                  object[tmIndex(object, ..., FUN = FUN, doclevel = doclevel)])
212    
213    setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
214    setMethod("tmIndex",
215              signature(object = "Corpus"),
216              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
217                  if (!is.null(attr(FUN, "doclevel")))
218                      doclevel <- attr(FUN, "doclevel")
219                  if (doclevel) {
220                      if (clusterAvailable())
221                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
222                      else
223                          return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
224                  }
225                  else
226                      return(FUN(object, ...))
227              })
228    
229    # TODO: Replace with c(Corpus, TextDocument)?
230    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
231    setMethod("appendElem",
232              signature(object = "Corpus", data = "TextDocument"),
233              function(object, data, meta = NULL) {
234                  if (DBControl(object)[["useDb"]] && require("filehash")) {
235                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
236                      if (dbExists(db, ID(data)))
237                          warning("document with identical ID already exists")
238                      dbInsert(db, ID(data), data)
239                      object@.Data[[length(object)+1]] <- ID(data)
240                  }
241                  else
242                      object@.Data[[length(object)+1]] <- data
243                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
244                  return(object)
245              })
246    
247    prescindMeta <- function(object, meta) {
248        df <- DMetaData(object)
249    
250        for (m in meta)
251            df <- cbind(df, structure(data.frame(I(meta(object, tag = m, type = "local"))), names = m))
252    
253        df
254    }
255    
256    setMethod("[",
257              signature(x = "PCorpus", i = "ANY", j = "ANY", drop = "ANY"),
258              function(x, i, j, ... , drop) {
259                  if (missing(i)) return(x)
260    
261                  x@.Data <- x@.Data[i, ..., drop = FALSE]
262                  index <- x@DMetaData[[1 , "subset"]]
263                  if (any(is.na(index))) x@DMetaData[[1 , "subset"]] <- i
264                  else x@DMetaData[[1 , "subset"]] <- index[i]
265                  x
266              })
267    
268    setMethod("[",
269              signature(x = "SCorpus", i = "ANY", j = "ANY", drop = "ANY"),
270              function(x, i, j, ... , drop) {
271                  if (missing(i)) return(x)
272    
273                  x@.Data <- x@.Data[i, ..., drop = FALSE]
274                  DMetaData(x) <- DMetaData(x)[i, , drop = FALSE]
275                  x
276              })
277    
278    setMethod("[<-",
279              signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
280              function(x, i, j, ... , value) {
281                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
282                  counter <- 1
283                  for (id in x@.Data[i, ...]) {
284                      if (identical(length(value), 1)) db[[id]] <- value
285                      else db[[id]] <- value[[counter]]
286                      counter <- counter + 1
287                  }
288                  x
289              })
290    setMethod("[<-",
291              signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
292              function(x, i, j, ... , value) {
293                  x@.Data[i, ...] <- value
294                  x
295              })
296    
297    setMethod("[[",
298              signature(x = "PCorpus", i = "ANY", j = "ANY"),
299              function(x, i, j, ...) {
300                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
301                  filehash::dbFetch(db, x@.Data[[i]])
302              })
303    setMethod("[[",
304              signature(x = "SCorpus", i = "ANY", j = "ANY"),
305              function(x, i, j, ...) {
306                  # TODO: For which corpora should lazy mapping be available?
307                  lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
308                  if (!is.null(lazyTmMap))
309                      .Call("copyCorpus", x, materialize(x, i))
310                  x@.Data[[i]]
311              })
312    
313    setMethod("[[<-",
314              signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
315              function(x, i, j, ..., value) {
316                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
317                  index <- x@.Data[[i]]
318                  db[[index]] <- value
319                  x
320              })
321    setMethod("[[<-",
322              signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
323              function(x, i, j, ..., value) {
324                  # Mark new objects as not active for lazy mapping
325                  lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
326                  if (!is.null(lazyTmMap)) {
327                      lazyTmMap$index[i] <- FALSE
328                      meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
329                  }
330                  # Set the value
331                  x@.Data[[i, ...]] <- value
332    
333                  x
334              })
335    
336    # Update \code{NodeID}s of a CMetaData tree
337    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
338        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
339        set_id <- function(object) {
340            object@NodeID <- id
341            id <<- id + 1
342            level <<- level + 1
343    
344            if (length(object@children) > 0) {
345                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
346                left <- set_id(object@children[[1]])
347                if (level == 1) {
348                    left.mapping <<- mapping
349                    mapping <<- NULL
350                }
351                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
352                right <- set_id(object@children[[2]])
353    
354                object@children <- list(left, right)
355            }
356            level <<- level - 1
357    
358            return(object)
359        }
360    
361        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
362    }
363    
364    # TODO: Implement concatenation for PCorpus
365    setMethod("c",
366              signature(x = "Corpus"),
367              function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
368                  args <- list(...)
369                  if (length(args) == 0)
370                      return(x)
371    
372                  if (!all(sapply(args, inherits, "SCorpus")))
373                      stop("not all arguments are standard corpora")
374    
375                  Reduce(c2, base::c(list(x), args))
376              })
377    
378    setGeneric("c2", function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
379    setMethod("c2",
380              signature(x = "SCorpus", y = "SCorpus"),
381              function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
382                  object <- x
383                  # Concatenate data slots
384                  object@.Data <- c(as(x, "list"), as(y, "list"))
385    
386                  # Update the CMetaData tree
387                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
388                  update.struct <- update_id(cmeta)
389                  object@CMetaData <- update.struct$root
390    
391                  # Find indices to be updated for the left tree
392                  indices.mapping <- NULL
393                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
394                      indices <- (DMetaData(x)$MetaID == m)
395                      indices.mapping <- c(indices.mapping, list(m = indices))
396                      names(indices.mapping)[length(indices.mapping)] <- m
397                  }
398    
399                  # Update the DMetaData data frames for the left tree
400                  for (i in 1:ncol(update.struct$left.mapping)) {
401                      map <- update.struct$left.mapping[,i]
402                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
403                  }
404    
405                  # Find indices to be updated for the right tree
406                  indices.mapping <- NULL
407                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
408                      indices <- (DMetaData(y)$MetaID == m)
409                      indices.mapping <- c(indices.mapping, list(m = indices))
410                      names(indices.mapping)[length(indices.mapping)] <- m
411                  }
412    
413                  # Update the DMetaData data frames for the right tree
414                  for (i in 1:ncol(update.struct$right.mapping)) {
415                      map <- update.struct$right.mapping[,i]
416                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
417                  }
418    
419                  # Merge the DMetaData data frames
420                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
421                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
422                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
423                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
424                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
425                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
426                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
427    
428                  return(object)
429              })
430    
431    setMethod("c",
432              signature(x = "TextDocument"),
433              function(x, ..., recursive = TRUE){
434                  args <- list(...)
435                  if (identical(length(args), 0)) return(x)
436    
437                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
438                  cmeta.node <- new("MetaDataNode",
439                                NodeID = 0,
440                                MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
441                                children = list())
442    
443                  new("SCorpus", .Data = list(x, ...), DMetaData = dmeta.df, CMetaData = cmeta.node)
444              })
445    
446    setMethod("show",
447              signature(object = "Corpus"),
448              function(object){
449                  cat(sprintf(ngettext(length(object),
450                                       "A corpus with %d text document\n",
451                                       "A corpus with %d text documents\n"),
452                              length(object)))
453        })
454    
455    setMethod("summary",
456              signature(object = "Corpus"),
457              function(object){
458                  show(object)
459                  if (length(DMetaData(object)) > 0) {
460                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
461                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
462                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
463                                           length(CMetaData(object)@MetaData)))
464                      cat("Available tags are:\n")
465                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
466                      cat("Available variables in the data frame are:\n")
467                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
468                  }
469        })
470    
471    inspect <- function(x) UseMethod("inspect", x)
472    inspect.PCorpus <- function(x) {
473        summary(x)
474        cat("\n")
475        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
476        show(filehash::dbMultiFetch(db, unlist(x)))
477    }
478    inspect.SCorpus <- function(x) {
479        summary(x)
480        cat("\n")
481        print(noquote(lapply(x, identity)))
482    }
483    
484    # No metadata is checked
485    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
486    setMethod("%IN%", signature(x = "TextDocument", y = "PCorpus"),
487              function(x, y) {
488                  db <- filehash::dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
489                  any(sapply(y, function(x, z) {x %in% Content(z)}, x))
490              })
491    setMethod("%IN%", signature(x = "TextDocument", y = "SCorpus"),
492              function(x, y) x %in% y)
493    
494    setMethod("lapply",
495              signature(X = "SCorpus"),
496              function(X, FUN, ...) {
497                  lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
498                  if (!is.null(lazyTmMap))
499                      .Call("copyCorpus", X, materialize(X))
500                  base::lapply(X, FUN, ...)
501              })
502    setMethod("lapply",
503              signature(X = "PCorpus"),
504              function(X, FUN, ...) {
505                  db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
506                  lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
507              })
508    
509    setMethod("sapply",
510              signature(X = "SCorpus"),
511              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
512                  lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
513                  if (!is.null(lazyTmMap))
514                      .Call("copyCorpus", X, materialize(X))
515                  base::sapply(X, FUN, ...)
516              })
517    setMethod("sapply",
518              signature(X = "PCorpus"),
519              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
520                  db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
521                  sapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
522              })
523    
524    setAs("list", "SCorpus", function(from) {
525        cmeta.node <- new("MetaDataNode",
526                          NodeID = 0,
527                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
528                          children = list())
529        data <- list()
530        counter <- 1
531        for (f in from) {
532            doc <- new("PlainTextDocument",
533                       .Data = f,
534                       Author = "", DateTimeStamp = as.POSIXlt(Sys.time(), tz = "GMT"),
535                       Description = "", ID = as.character(counter),
536                       Origin = "", Heading = "", Language = "eng")
537            data <- c(data, list(doc))
538            counter <- counter + 1
539        }
540        new("SCorpus", .Data = data,
541            DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
542            CMetaData = cmeta.node)
543    })
544    
545    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
546    setMethod("writeCorpus",
547              signature(object = "Corpus"),
548              function(object, path = ".", filenames = NULL) {
549                  filenames <- file.path(path,
550                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
551                                         else filenames)
552                  i <- 1
553                  for (o in object) {
554                      writeLines(asPlain(o), filenames[i])
555                      i <- i + 1
556                  }
557              })

Legend:
Removed from v.32  
changed lines
  Added in v.946

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