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 37, Wed Jan 11 17:49:17 2006 UTC pkg/R/corpus.R revision 1315, Mon Mar 31 08:38:05 2014 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))  PCorpus <-
4  setMethod("textdoccol",  function(x,
5            c("character", "character", "logical", "logical"),           readerControl = list(reader = x$defaultreader, language = "en"),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {           dbControl = list(dbName = "", dbType = "DB1"))
7                # Add a new type for each unique input source format  {
8                type <- match.arg(inputType,c("CSV","RCV1","REUT21578"))      stopifnot(inherits(x, "Source"))
9                switch(type,  
10                       # Text in a special CSV format      readerControl <- prepareReader(readerControl, x$defaultreader)
11                       # For details on the file format see the R documentation file  
12                       # The first argument is a directory with .csv files      if (is.function(readerControl$init))
13                       "CSV" = {          readerControl$init()
14                           tdl <- sapply(dir(object,  
15                                             pattern = ".csv",      if (is.function(readerControl$exit))
16                                             full.names = TRUE),          on.exit(readerControl$exit())
17                                         function(file) {  
18                                             m <- as.matrix(read.csv(file, header = FALSE))      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19                                             l <- vector("list", dim(m)[1])          stop("error in creating database")
20                                             for (i in 1:dim(m)[1]) {      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21                                                 author <- ""  
22                                                 timestamp <- date()      # Allocate memory in advance if length is known
23                                                 description <- ""      tdl <- if (x$length > 0) vector("list", as.integer(x$length)) else list()
24                                                 id <- as.integer(m[i,1])  
25                                                 corpus <- as.character(m[i,2:dim(m)[2]])      counter <- 1
26                                                 if (stripWhiteSpace)      while (!eoi(x)) {
27                                                     corpus <- gsub("[[:space:]]+", " ", corpus)          x <- stepNext(x)
28                                                 if (toLower)          elem <- getElem(x)
29                                                     corpus <- tolower(corpus)          id <- if (is.null(x$names) || is.na(x$names))
30                                                 origin <- "CSV"              as.character(counter)
                                                heading <- ""  
   
                                                l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  
                                                              description = description, id = id, origin = origin, heading = heading)  
                                            }  
                                            l  
                                        })  
                          tdcl <- new("textdoccol", .Data = tdl)  
                      },  
                      # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format  
                      # The first argument is a directory with the RCV1 XML files  
                      "RCV1" = {  
                          tdl <- sapply(dir(object,  
                                            pattern = ".xml",  
                                            full.names = TRUE),  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)  
                                        })  
                          tdcl <- new("textdoccol", .Data = tdl)  
                      },  
                      # 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  
           })  
   
 # TODO: Implement lacking fields as soon I have access to the original RCV1  
 # 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 <- "Reuters Corpus Volume 1 XML"  
     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) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
31      else      else
32          author <- ""              x$names[counter]
33            doc <- readerControl$reader(elem, readerControl$language, id)
34      timestamp <- xmlValue(node[["DATE"]])          filehash::dbInsert(db, meta(doc, "id"), doc)
35      description <- ""          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
36      id <- as.integer(xmlAttrs(node)[["NEWID"]])          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$names
41    
42      origin <- "Reuters-21578 XML"      structure(list(content = tdl,
43                       meta = CorpusMeta(),
44                       dmeta = data.frame(row.names = seq_along(tdl)),
45                       dbcontrol = dbControl),
46                  class = c("PCorpus", "Corpus"))
47    }
48    
49      # The <BODY></BODY> tag is unfortunately NOT obligatory!  VCorpus <- Corpus <-
50      if (!is.null(node[["TEXT"]][["BODY"]]))  function(x, readerControl = list(reader = x$defaultreader, language = "en"))
51          corpus <- xmlValue(node[["TEXT"]][["BODY"]])  {
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      else
81          corpus <- ""                  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    #c2 <-
166    #function(x, y, ...)
167    #{
168    #    # Update the CMetaData tree
169    #    cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
170    #    update.struct <- .update_id(cmeta)
171    #
172    #    new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
173    #
174    #    # Find indices to be updated for the left tree
175    #    indices.mapping <- .find_indices(x)
176    #
177    #    # Update the CorpusDMeta data frames for the left tree
178    #    for (i in 1:ncol(update.struct$left.mapping)) {
179    #        map <- update.struct$left.mapping[,i]
180    #        DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
181    #    }
182    #
183    #    # Find indices to be updated for the right tree
184    #    indices.mapping <- .find_indices(y)
185    #
186    #    # Update the CorpusDMeta data frames for the right tree
187    #    for (i in 1:ncol(update.struct$right.mapping)) {
188    #        map <- update.struct$right.mapping[,i]
189    #        DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
190    #    }
191    #
192    #    # Merge the CorpusDMeta data frames
193    #    labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
194    #    na.matrix <- matrix(NA,
195    #                        nrow = nrow(DMetaData(x)),
196    #                        ncol = length(labels),
197    #                        dimnames = list(row.names(DMetaData(x)), labels))
198    #    x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
199    #    labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
200    #    na.matrix <- matrix(NA,
201    #                        nrow = nrow(DMetaData(y)),
202    #                        ncol = length(labels),
203    #                        dimnames = list(row.names(DMetaData(y)), labels))
204    #    y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
205    #    DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
206    #
207    #    new
208    #}
209    
210    c.VCorpus <-
211    function(..., recursive = FALSE)
212    {
213        args <- list(...)
214        x <- args[[1L]]
215    
216        if (length(args) == 1L)
217            return(x)
218    
219        if (!all(unlist(lapply(args, inherits, class(x)))))
220            stop("not all arguments are of the same corpus type")
221    
222        if (recursive)
223            Reduce(c2, args)
224        else {
225            args <- do.call("c", lapply(args, content))
226            structure(list(content = args,
227                           meta = CorpusMeta(),
228                           dmeta = data.frame(row.names = seq_along(args))),
229                      class = c("VCorpus", "Corpus"))
230        }
231    }
232    
233    c.TextDocument <-
234    function(..., recursive = FALSE)
235    {
236        args <- list(...)
237        x <- args[[1L]]
238    
239        if (length(args) == 1L)
240            return(x)
241    
242        if (!all(unlist(lapply(args, inherits, class(x)))))
243            stop("not all arguments are text documents")
244    
245        structure(list(content = args,
246                       meta = CorpusMeta(),
247                       dmeta = data.frame(row.names = seq_along(args))),
248                  class = c("VCorpus", "Corpus"))
249    }
250    
251    as.list.PCorpus <- as.list.VCorpus <-
252    function(x, ...)
253        content(x)
254    
255    content.VCorpus <-
256    function(x)
257    {
258        if (!is.null(x$lazy))
259            .Call(copyCorpus, x, materialize(x))
260        x$content
261    }
262    
263    content.PCorpus <-
264    function(x)
265    {
266        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
267        filehash::dbMultiFetch(db, unlist(x$content))
268    }
269    
270    length.PCorpus <- length.VCorpus <-
271    function(x)
272        length(x$content)
273    
274    print.PCorpus <- print.VCorpus <-
275    function(x, ...)
276    {
277        cat(sprintf(ngettext(length(x),
278                             "A corpus with %d text document\n\n",
279                             "A corpus with %d text documents\n\n"),
280                    length(x)))
281    
282        meta <- meta(x, type = "corpus")
283        dmeta <- meta(x, type = "indexed")
284    
285        cat("Metadata:\n")
286        cat(sprintf("  Tag-value pairs. Tags: %s\n",
287                    paste(names(meta), collapse = " ")))
288        cat("  Data frame. Variables:", colnames(dmeta), "\n")
289    
290        invisible(x)
291    }
292    
293    inspect <-
294    function(x)
295        UseMethod("inspect", x)
296    inspect.PCorpus <- inspect.VCorpus <-
297    function(x)
298    {
299        print(x)
300        cat("\n")
301        print(noquote(content(x)))
302        invisible(x)
303    }
304    
305    writeCorpus <-
306    function(x, path = ".", filenames = NULL)
307    {
308        filenames <- file.path(path,
309          if (is.null(filenames))
310              sprintf("%s.txt", as.character(meta(x, "id", "local")))
311          else filenames)
312    
313        stopifnot(length(x) == length(filenames))
314    
315        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
316    
317      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
318  }  }

Legend:
Removed from v.37  
changed lines
  Added in v.1315

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