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 1481, Sat May 20 10:28:00 2017 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))  Corpus <-
4  setMethod("textdoccol",  function(x, readerControl = list(reader = reader(x), language = "en"))
5            c("character", "character", "logical", "logical"),  {
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {      stopifnot(inherits(x, "Source"))
7                # Add a new type for each unique input source format  
8                type <- match.arg(inputType,c("CSV","RCV1","REUT21578"))      readerControl <- prepareReader(readerControl, reader(x))
9                switch(type,  
10                       # Text in a special CSV format      if ( (inherits(x, "DataframeSource") || inherits(x, "DirSource") ||
11                       # For details on the file format see the R documentation file            inherits(x, "VectorSource") ) &&
12                       # The first argument is a directory with .csv files          identical(readerControl$reader, reader(x)))
13                       "CSV" = {          SimpleCorpus(x, readerControl)
                          tdl <- sapply(dir(object,  
                                            pattern = ".csv",  
                                            full.names = TRUE),  
                                        function(file) {  
                                            m <- as.matrix(read.csv(file, header = FALSE))  
                                            l <- vector("list", dim(m)[1])  
                                            for (i in 1:dim(m)[1]) {  
                                                author <- ""  
                                                timestamp <- date()  
                                                description <- ""  
                                                id <- as.integer(m[i,1])  
                                                corpus <- as.character(m[i,2:dim(m)[2]])  
                                                if (stripWhiteSpace)  
                                                    corpus <- gsub("[[:space:]]+", " ", corpus)  
                                                if (toLower)  
                                                    corpus <- tolower(corpus)  
                                                origin <- "CSV"  
                                                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"]])  
14      else      else
15          author <- ""          VCorpus(x, readerControl)
16    }
17    
18    PCorpus <-
19    function(x,
20             readerControl = list(reader = reader(x), language = "en"),
21             dbControl = list(dbName = "", dbType = "DB1"))
22    {
23        stopifnot(inherits(x, "Source"))
24    
25        readerControl <- prepareReader(readerControl, reader(x))
26    
27        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
28            stop("error in creating database")
29        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
30    
31        x <- open(x)
32        tdl <- vector("list", length(x))
33        counter <- 1
34        while (!eoi(x)) {
35            x <- stepNext(x)
36            elem <- getElem(x)
37            doc <- readerControl$reader(elem,
38                                        readerControl$language,
39                                        as.character(counter))
40            filehash::dbInsert(db, meta(doc, "id"), doc)
41            tdl[[counter]] <- meta(doc, "id")
42            counter <- counter + 1
43        }
44        x <- close(x)
45    
46      timestamp <- xmlValue(node[["DATE"]])      cmeta <- CorpusMeta()
47      description <- ""      dmeta <- data.frame(row.names = seq_along(tdl))
48      id <- as.integer(xmlAttrs(node)[["NEWID"]])      # Check if metadata retrieval is supported
49        if (is.function(getS3method("getMeta", class(x), TRUE))) {
50            m <- getMeta(x)
51            if (!is.null(m$cmeta)) cmeta <- m$cmeta
52            if (!is.null(m$dmeta)) dmeta <- m$dmeta
53        }
54    
55        p <- list(content = tdl, meta = cmeta, dmeta = dmeta, dbcontrol = dbControl)
56        class(p) <- c("PCorpus", "Corpus")
57        p
58    }
59    
60      origin <- "Reuters-21578 XML"  SimpleCorpus <-
61    function(x, control = list(language = "en"))
62    {
63        stopifnot(inherits(x, "Source"))
64    
65        if (!is.null(control$reader) && !identical(control$reader, reader(x)))
66            warning("custom reader is ignored")
67    
68        content <- if (inherits(x, "VectorSource")) {
69            if (is.character(x$content)) x$content else as.character(x$content)
70        } else if (inherits(x, "DirSource")) {
71            setNames(as.character(
72                       lapply(x$filelist,
73                              function(f) paste(readContent(f, x$encoding, "text"),
74                                                collapse = "\n"))
75                       ),
76                     basename(x$filelist))
77        } else if (inherits(x, "DataframeSource")) {
78            setNames(as.character(x$content[, "text"]), x$content[, "doc_id"])
79        } else
80            stop("unsupported source type")
81    
82      # The <BODY></BODY> tag is unfortunately NOT obligatory!      dmeta <- if (inherits(x, "DataframeSource"))
83      if (!is.null(node[["TEXT"]][["BODY"]]))          x$content[, !names(x$content) %in% c("doc_id", "text")]
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
84      else      else
85          corpus <- ""          data.frame(row.names = seq_along(x))
86    
87        s <- list(content = content,
88                  meta = CorpusMeta(language = control$language),
89                  dmeta = dmeta)
90        class(s) <- c("SimpleCorpus", "Corpus")
91        s
92    }
93    
94    VCorpus <-
95    function(x, readerControl = list(reader = reader(x), language = "en"))
96    {
97        stopifnot(inherits(x, "Source"))
98    
99        readerControl <- prepareReader(readerControl, reader(x))
100    
101        x <- open(x)
102        tdl <- vector("list", length(x))
103        # Check for parallel element access
104        if (is.function(getS3method("pGetElem", class(x), TRUE)))
105            tdl <- mapply(function(elem, id)
106                            readerControl$reader(elem, readerControl$language, id),
107                          pGetElem(x),
108                          id = as.character(seq_along(x)),
109                          SIMPLIFY = FALSE)
110        else {
111            counter <- 1
112            while (!eoi(x)) {
113                x <- stepNext(x)
114                elem <- getElem(x)
115                doc <- readerControl$reader(elem,
116                                            readerControl$language,
117                                            as.character(counter))
118                tdl[[counter]] <- doc
119                counter <- counter + 1
120            }
121        }
122        x <- close(x)
123    
124        cmeta <- CorpusMeta()
125        dmeta <- data.frame(row.names = seq_along(tdl))
126        # Check if metadata retrieval is supported
127        if (is.function(getS3method("getMeta", class(x), TRUE))) {
128            m <- getMeta(x)
129            if (!is.null(m$cmeta)) cmeta <- m$cmeta
130            if (!is.null(m$dmeta)) dmeta <- m$dmeta
131        }
132    
133        v <- as.VCorpus(tdl)
134        v$meta <- cmeta
135        v$dmeta <- dmeta
136    
137        v
138    }
139    
140    `[.PCorpus` <-
141    `[.SimpleCorpus` <-
142    function(x, i)
143    {
144        if (!missing(i)) {
145            x$content <- x$content[i]
146            x$dmeta <- x$dmeta[i, , drop = FALSE]
147        }
148        x
149    }
150    `[.VCorpus` <-
151    function(x, i)
152    {
153        if (!missing(i)) {
154            x$content <- x$content[i]
155            x$dmeta <- x$dmeta[i, , drop = FALSE]
156            if (!is.null(x$lazy))
157                x$lazy$index <- x$lazy$index[i]
158        }
159        x
160    }
161    
162      if (stripWhiteSpace)  .map_name_index <-
163          corpus <- gsub("[[:space:]]+", " ", corpus)  function(x, i)
164      if (toLower)  {
165          corpus <- tolower(corpus)      if (is.character(i))
166            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"]])  
167      else      else
168          heading <- ""          i
169    }
170    
171    `[[.PCorpus` <-
172    function(x, i)
173    {
174        i <- .map_name_index(x, i)
175        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
176        filehash::dbFetch(db, x$content[[i]])
177    }
178    `[[.SimpleCorpus` <-
179    function(x, i)
180    {
181        i <- .map_name_index(x, i)
182        n <- names(x$content)
183        PlainTextDocument(x$content[[i]],
184                          id = if (is.null(n)) i else n[i],
185                          language = meta(x, "language"))
186    }
187    `[[.VCorpus` <-
188    function(x, i)
189    {
190        i <- .map_name_index(x, i)
191        if (!is.null(x$lazy))
192            .Call(tm_copyCorpus, x, materialize(x, i))
193        x$content[[i]]
194    }
195    
196    `[[<-.PCorpus` <-
197    function(x, i, value)
198    {
199        i <- .map_name_index(x, i)
200        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
201        db[[x$content[[i]]]] <- value
202        x
203    }
204    `[[<-.VCorpus` <-
205    function(x, i, value)
206    {
207        i <- .map_name_index(x, i)
208        # Mark new objects as inactive for lazy mapping
209        if (!is.null(x$lazy))
210            x$lazy$index[i] <- FALSE
211        x$content[[i]] <- value
212        x
213    }
214    
215    as.list.PCorpus <- as.list.VCorpus <-
216    function(x, ...)
217        setNames(content(x), as.character(lapply(content(x), meta, "id")))
218    
219    as.list.SimpleCorpus <-
220    function(x, ...)
221        as.list(content(x))
222    
223    as.VCorpus <-
224    function(x)
225        UseMethod("as.VCorpus")
226    as.VCorpus.VCorpus <- identity
227    as.VCorpus.list <-
228    function(x)
229    {
230        v <- list(content = x,
231                  meta = CorpusMeta(),
232                  dmeta = data.frame(row.names = seq_along(x)))
233        class(v) <- c("VCorpus", "Corpus")
234        v
235    }
236    
237    outer_union <-
238    function(x, y, ...)
239    {
240        if (nrow(x) > 0L)
241            x[, setdiff(names(y), names(x))] <- NA
242        if (nrow(y) > 0L)
243            y[, setdiff(names(x), names(y))] <- NA
244        res <- rbind(x, y)
245        if (ncol(res) == 0L)
246            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
247        res
248    }
249    
250    c.VCorpus <-
251    function(..., recursive = FALSE)
252    {
253        args <- list(...)
254        x <- args[[1L]]
255    
256        if (length(args) == 1L)
257            return(x)
258    
259        if (!all(unlist(lapply(args, inherits, class(x)))))
260            stop("not all arguments are of the same corpus type")
261    
262        v <- list(content = do.call("c", lapply(args, content)),
263                  meta = CorpusMeta(meta = do.call("c",
264                    lapply(args, function(a) meta(a, type = "corpus")))),
265                  dmeta = Reduce(outer_union, lapply(args, meta)))
266        class(v) <- c("VCorpus", "Corpus")
267        v
268    }
269    
270    content.VCorpus <-
271    function(x)
272    {
273        if (!is.null(x$lazy))
274            .Call(tm_copyCorpus, x, materialize(x))
275        x$content
276    }
277    
278    content.SimpleCorpus <-
279    function(x)
280        x$content
281    
282    content.PCorpus <-
283    function(x)
284    {
285        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
286        filehash::dbMultiFetch(db, unlist(x$content))
287    }
288    
289    inspect <-
290    function(x)
291        UseMethod("inspect", x)
292    inspect.PCorpus <-
293    inspect.SimpleCorpus <-
294    inspect.VCorpus <-
295    function(x)
296    {
297        print(x)
298        cat("\n")
299        print(noquote(content(x)))
300        invisible(x)
301    }
302    
303    length.PCorpus <-
304    length.SimpleCorpus <-
305    length.VCorpus <-
306    function(x)
307        length(x$content)
308    
309    names.PCorpus <-
310    names.SimpleCorpus <-
311    names.VCorpus <-
312    function(x)
313        as.character(meta(x, "id", "local"))
314    
315    `names<-.PCorpus` <- `names<-.VCorpus` <-
316    function(x, value)
317    {
318        meta(x, "id", "local") <- as.character(value)
319        x
320    }
321    
322    format.PCorpus <-
323    format.SimpleCorpus <-
324    format.VCorpus <-
325    function(x, ...)
326    {
327        c(sprintf("<<%s>>", class(x)[1L]),
328          sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
329                  length(meta(x, type = "corpus")),
330                  ncol(meta(x, type = "indexed"))),
331          sprintf("Content:  documents: %d", length(x)))
332    }
333    
334    writeCorpus <-
335    function(x, path = ".", filenames = NULL)
336    {
337        filenames <- file.path(path,
338          if (is.null(filenames))
339              sprintf("%s.txt", as.character(meta(x, "id", "local")))
340          else filenames)
341    
342        stopifnot(length(x) == length(filenames))
343    
344        mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
345    
346      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,      invisible(x)
         description = description, id = id, origin = origin, heading = heading)  
347  }  }

Legend:
Removed from v.37  
changed lines
  Added in v.1481

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