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 trunk/tm/R/textdoccol.R revision 730, Wed Apr 11 02:15:10 2007 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, ...) standardGeneric("textdoccol"))  # The "..." are additional arguments for the FunctionGenerator reader
4  setMethod("textdoccol",  setGeneric("TextDocCol", function(object,
5            c("character", "character", "logical", "logical"),                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE, ...),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "SQLite")) standardGeneric("TextDocCol"))
7                # Add a new type for each unique input source format  setMethod("TextDocCol",
8                type <- match.arg(inputType,c("CSV","RCV1","REUT21578"))            signature(object = "Source"),
9                switch(type,            function(object,
10                       # Text in a special CSV format                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE, ...),
11                       # For details on the file format see the R documentation file                     dbControl = list(useDb = FALSE, dbName = "", dbType = "SQLite")) {
12                       # The first argument is a directory with .csv files                if (attr(readerControl$reader, "FunctionGenerator"))
13                       "CSV" = {                    readerControl$reader <- readerControl$reader(...)
14                           tdl <- sapply(dir(object,  
15                                             pattern = ".csv",                if (dbControl$useDb) {
16                                             full.names = TRUE),                    if (!dbCreate(dbControl$dbName, dbControl$dbType))
17                                         function(file) {                        stop("error in creating database")
18                                             m <- as.matrix(read.csv(file, header = FALSE))                    db <- dbInit(dbControl$dbName, dbControl$dbType)
19                                             l <- vector("list", dim(m)[1])                }
20                                             for (i in 1:dim(m)[1]) {  
21                                                 author <- ""                tdl <- list()
22                                                 timestamp <- date()                counter <- 1
23                                                 description <- ""                while (!eoi(object)) {
24                                                 id <- as.integer(m[i,1])                    object <- stepNext(object)
25                                                 corpus <- as.character(m[i,2:dim(m)[2]])                    elem <- getElem(object)
26                                                 if (stripWhiteSpace)                    # If there is no Load on Demand support
27                                                     corpus <- gsub("[[:space:]]+", " ", corpus)                    # we need to load the corpus into memory at startup
28                                                 if (toLower)                    if (!object@LoDSupport)
29                                                     corpus <- tolower(corpus)                        readerControl$load <- TRUE
30                                                 origin <- "CSV"                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
31                                                 heading <- ""                    if (dbControl$useDb) {
32                          dbInsert(db, ID(doc), doc)
33                                                 l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,                        tdl <- c(tdl, ID(doc))
34                                                               description = description, id = id, origin = origin, heading = heading)                    }
35                                             }                    else
36                                             l                        tdl <- c(tdl, list(doc))
37                                         })                    counter <- counter + 1
38                           tdcl <- new("textdoccol", .Data = tdl)                }
39                       },  
40                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
41                       # The first argument is a directory with the RCV1 XML files                if (dbControl$useDb) {
42                       "RCV1" = {                    dbInsert(db, "DMetaData", df)
43                           tdl <- sapply(dir(object,                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
44                                             pattern = ".xml",                    dbDisconnect(db)
45                                             full.names = TRUE),                }
46                                         function(file) {                else
47                                             tree <- xmlTreeParse(file)                    dmeta.df <- df
48                                             xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)  
49                                         })                cmeta.node <- new("MetaDataNode",
50                           tdcl <- new("textdoccol", .Data = tdl)                              NodeID = 0,
51                       },                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
52                       # Read in text documents in Reuters-21578 XML (not SGML) format                              children = list())
53                       # Typically the first argument will be a directory where we can  
54                       # find the files reut2-000.xml ... reut2-021.xml                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
55                       "REUT21578" = {            })
56                           tdl <- sapply(dir(object,  
57                                             pattern = ".xml",  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
58                                             full.names = TRUE),  setMethod("loadDoc",
59                                         function(file) {            signature(object = "PlainTextDocument"),
60                                             tree <- xmlTreeParse(file)            function(object, ...) {
61                                             xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)                if (!Cached(object)) {
62                                         })                    con <- eval(URI(object))
63                           tdcl <- new("textdoccol", .Data = tdl)                    corpus <- readLines(con)
64                       })                    close(con)
65                tdcl                    Corpus(object) <- corpus
66            })                    Cached(object) <- TRUE
67                      return(object)
68  # TODO: Implement lacking fields as soon I have access to the original RCV1                } else {
69  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file                    return(object)
70  parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {                }
71      author <- "Not yet implemented"            })
72      timestamp <- xmlAttrs(node)[["date"]]  setMethod("loadDoc",
73      description <- "Not yet implemented"            signature(object =  "XMLTextDocument"),
74      id <- as.integer(xmlAttrs(node)[["itemid"]])            function(object, ...) {
75      origin <- "Reuters Corpus Volume 1 XML"                if (!Cached(object)) {
76      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)                    con <- eval(URI(object))
77                      corpus <- paste(readLines(con), "\n", collapse = "")
78      if (stripWhiteSpace)                    close(con)
79          corpus <- gsub("[[:space:]]+", " ", corpus)                    doc <- xmlTreeParse(corpus, asText = TRUE)
80      if (toLower)                    class(doc) <- "list"
81          corpus <- tolower(corpus)                    Corpus(object) <- doc
82                      Cached(object) <- TRUE
83      heading <- xmlValue(node[["title"]])                    return(object)
84                  } else {
85      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,                    return(object)
86          description = description, id = id, origin = origin, heading = heading)                }
87  }            })
88    setMethod("loadDoc",
89  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file            signature(object = "NewsgroupDocument"),
90  parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {            function(object, ...) {
91      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!                if (!Cached(object)) {
92      if (!is.null(node[["TEXT"]][["AUTHOR"]]))                    con <- eval(URI(object))
93          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])                    mail <- readLines(con)
94      else                    close(con)
95          author <- ""                    Cached(object) <- TRUE
96                      for (index in seq(along = mail)) {
97      timestamp <- xmlValue(node[["DATE"]])                        if (mail[index] == "")
98      description <- ""                            break
99      id <- as.integer(xmlAttrs(node)[["NEWID"]])                    }
100                      Corpus(object) <- mail[(index + 1):length(mail)]
101      origin <- "Reuters-21578 XML"                    return(object)
102                  } else {
103      # The <BODY></BODY> tag is unfortunately NOT obligatory!                    return(object)
104      if (!is.null(node[["TEXT"]][["BODY"]]))                }
105          corpus <- xmlValue(node[["TEXT"]][["BODY"]])            })
106      else  
107          corpus <- ""  setGeneric("tmUpdate", function(object,
108                                    origin,
109      if (stripWhiteSpace)                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),
110          corpus <- gsub("[[:space:]]+", " ", corpus)                                  ...) standardGeneric("tmUpdate"))
111      if (toLower)  # Update is only supported for directories
112          corpus <- tolower(corpus)  # At the moment no other LoD devices are available anyway
113    setMethod("tmUpdate",
114      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!            signature(object = "TextDocCol", origin = "DirSource"),
115      if (!is.null(node[["TEXT"]][["TITLE"]]))            function(object, origin,
116          heading <- xmlValue(node[["TEXT"]][["TITLE"]])                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),
117                       ...) {
118                  if (inherits(readerControl$reader, "FunctionGenerator"))
119                      readerControl$reader <- readerControl$reader(...)
120    
121                  object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))
122                  new.files <- setdiff(origin@FileList, object.filelist)
123    
124                  for (filename in new.files) {
125                      elem <- list(content = readLines(filename),
126                                   uri = substitute(file(filename)))
127                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
128                  }
129    
130                  return(object)
131              })
132    
133    setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))
134    setMethod("tmMap",
135              signature(object = "TextDocCol", FUN = "function"),
136              function(object, FUN, ...) {
137                  result <- object
138                  # Note that text corpora are automatically loaded into memory via \code{[[}
139                  if (DBControl(object)[["useDb"]]) {
140                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
141                      i <- 1
142                      for (id in unlist(object)) {
143                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
144                          i <- i + 1
145                      }
146                      dbDisconnect(db)
147                  }
148                  else
149                      result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
150                  return(result)
151              })
152    
153    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
154    setMethod("asPlain",
155              signature(object = "PlainTextDocument"),
156              function(object, FUN, ...) {
157                  return(object)
158              })
159    setMethod("asPlain",
160              signature(object = "XMLTextDocument", FUN = "function"),
161              function(object, FUN, ...) {
162                  corpus <- Corpus(object)
163    
164                  # As XMLDocument is no native S4 class, restore valid information
165                  class(corpus) <- "XMLDocument"
166                  names(corpus) <- c("doc","dtd")
167    
168                  return(FUN(xmlRoot(corpus), ...))
169              })
170    setMethod("asPlain",
171              signature(object = "NewsgroupDocument"),
172              function(object, FUN, ...) {
173                  new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),
174                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
175                      Origin = Origin(object), Heading = Heading(object), Language = Language(object))
176              })
177    
178    setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))
179    setMethod("tmTolower",
180              signature(object = "PlainTextDocument"),
181              function(object, ...) {
182                  Corpus(object) <- tolower(object)
183                  return(object)
184              })
185    
186    setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))
187    setMethod("stripWhitespace",
188              signature(object = "PlainTextDocument"),
189              function(object, ...) {
190                  Corpus(object) <- gsub("[[:space:]]+", " ", object)
191                  return(object)
192              })
193    
194    setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))
195    setMethod("stemDoc",
196              signature(object = "PlainTextDocument"),
197              function(object, language = "english", ...) {
198                  splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))
199                  stemmedCorpus <- if (require("Rstem"))
200                      Rstem::wordStem(splittedCorpus, language)
201                  else
202                      SnowballStemmer(splittedCorpus, Weka_control(S = language))
203                  Corpus(object) <- paste(stemmedCorpus, collapse = " ")
204                  return(object)
205              })
206    
207    setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))
208    setMethod("removePunctuation",
209              signature(object = "PlainTextDocument"),
210              function(object, ...) {
211                  Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))
212                  return(object)
213              })
214    
215    setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))
216    setMethod("removeWords",
217              signature(object = "PlainTextDocument", stopwords = "character"),
218              function(object, stopwords, ...) {
219                  splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))
220                  noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]
221                  Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")
222                  return(object)
223              })
224    
225    setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))
226    setMethod("tmFilter",
227              signature(object = "TextDocCol"),
228              function(object, ..., FUN = sFilter, doclevel = FALSE) {
229                  if (doclevel)
230                      return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
231                  else
232                      return(object[FUN(object, ...)])
233              })
234    
235    setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))
236    setMethod("tmIndex",
237              signature(object = "TextDocCol"),
238              function(object, ..., FUN = sFilter, doclevel = FALSE) {
239                  if (doclevel)
240                      return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
241                  else
242                      return(FUN(object, ...))
243              })
244    
245    sFilter <- function(object, s, ...) {
246        con <- textConnection(s)
247        tokens <- scan(con, "character")
248        close(con)
249        localMetaNames <- unique(names(sapply(object, LocalMetaData)))
250        localMetaTokens <- localMetaNames[localMetaNames %in% tokens]
251        n <- names(DMetaData(object))
252        tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)
253        query.df <- DMetaData(prescindMeta(object, tags))
254        if (DBControl(object)[["useDb"]])
255            DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]
256        # Rename to avoid name conflicts
257        names(query.df)[names(query.df) == "Author"] <- "author"
258        names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"
259        names(query.df)[names(query.df) == "Description"] <- "description"
260        names(query.df)[names(query.df) == "ID"] <- "identifier"
261        names(query.df)[names(query.df) == "Origin"] <- "origin"
262        names(query.df)[names(query.df) == "Heading"] <- "heading"
263        names(query.df)[names(query.df) == "Language"] <- "language"
264        attach(query.df)
265        try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))
266        detach(query.df)
267        return(result)
268    }
269    
270    setGeneric("searchFullText", function(object, pattern, ...) standardGeneric("searchFullText"))
271    setMethod("searchFullText",
272              signature(object = "PlainTextDocument", pattern = "character"),
273              function(object, pattern, ...) {
274                  return(any(grep(pattern, Corpus(object))))
275              })
276    
277    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
278    setMethod("appendElem",
279              signature(object = "TextDocCol", data = "TextDocument"),
280              function(object, data, meta = NULL) {
281                  if (DBControl(object)[["useDb"]]) {
282                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
283                      if (dbExists(db, ID(data)))
284                          warning("document with identical ID already exists")
285                      dbInsert(db, ID(data), data)
286                      dbDisconnect(db)
287                      object@.Data[[length(object)+1]] <- ID(data)
288                  }
289                  else
290                      object@.Data[[length(object)+1]] <- data
291                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
292                  return(object)
293              })
294    
295    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
296    setMethod("appendMeta",
297              signature(object = "TextDocCol"),
298              function(object, cmeta = NULL, dmeta = NULL) {
299                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
300                  if (!is.null(dmeta)) {
301                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
302                  }
303                  return(object)
304              })
305    
306    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
307    setMethod("removeMeta",
308              signature(object = "TextDocCol"),
309              function(object, cname = NULL, dname = NULL) {
310                  if (!is.null(cname))
311                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
312                  if (!is.null(dname))
313                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
314                  return(object)
315              })
316    
317    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
318    setMethod("prescindMeta",
319              signature(object = "TextDocCol", meta = "character"),
320              function(object, meta) {
321                  for (m in meta) {
322                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
323                          local.m <- lapply(object, m)
324                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
325                          local.m <- unlist(local.m)
326                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
327                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
328                      }
329                      else {
330                          local.meta <- lapply(object, LocalMetaData)
331                          local.m <- lapply(local.meta, "[[", m)
332                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
333                          if (length(local.m) == length(unlist(local.m)))
334                              local.m <- unlist(local.m)
335                          else
336                              local.m <- I(local.m)
337                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
338                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
339                      }
340                  }
341                  return(object)
342              })
343    
344    setMethod("[",
345              signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),
346              function(x, i, j, ... , drop) {
347                  if(missing(i))
348                      return(x)
349    
350                  object <- x
351                  object@.Data <- x@.Data[i, ..., drop = FALSE]
352                  if (DBControl(object)[["useDb"]]) {
353                      index <- object@DMetaData[[1 , "subset"]]
354                      if (any(is.na(index)))
355                          object@DMetaData[[1 , "subset"]] <- i
356                      else
357                          object@DMetaData[[1 , "subset"]] <- index[i]
358                  }
359                  else
360                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
361                  return(object)
362              })
363    
364    setMethod("[<-",
365              signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),
366              function(x, i, j, ... , value) {
367                  object <- x
368                  if (DBControl(object)[["useDb"]]) {
369                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
370                      counter <- 1
371                      for (id in object@.Data[i, ...]) {
372                          if (length(value) == 1)
373                              db[[id]] <- value
374                          else {
375                              db[[id]] <- value[[counter]]
376                          }
377                          counter <- counter + 1
378                      }
379                      dbDisconnect(db)
380                  }
381                  else
382                      object@.Data[i, ...] <- value
383                  return(object)
384              })
385    
386    setMethod("[[",
387              signature(x = "TextDocCol", i = "ANY", j = "ANY"),
388              function(x, i, j, ...) {
389                  if (DBControl(x)[["useDb"]]) {
390                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
391                      result <- dbFetch(db, x@.Data[[i]])
392                      dbDisconnect(db)
393                      return(loadDoc(result))
394                  }
395                  else
396                      return(loadDoc(x@.Data[[i]]))
397              })
398    
399    setMethod("[[<-",
400              signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),
401              function(x, i, j, ..., value) {
402                  object <- x
403                  if (DBControl(object)[["useDb"]]) {
404                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
405                      index <- object@.Data[[i]]
406                      db[[index]] <- value
407                      dbDisconnect(db)
408                  }
409                  else
410                      object@.Data[[i, ...]] <- value
411                  return(object)
412              })
413    
414    # Update \code{NodeID}s of a CMetaData tree
415    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
416        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
417        set_id <- function(object) {
418            object@NodeID <- id
419            id <<- id + 1
420            level <<- level + 1
421    
422            if (length(object@children) > 0) {
423                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
424                left <- set_id(object@children[[1]])
425                if (level == 1) {
426                    left.mapping <<- mapping
427                    mapping <<- NULL
428                }
429                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
430                right <- set_id(object@children[[2]])
431    
432                object@children <- list(left, right)
433            }
434            level <<- level - 1
435    
436            return(object)
437        }
438    
439        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
440    }
441    
442    setMethod("c",
443              signature(x = "TextDocCol"),
444              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
445                  args <- list(...)
446                  if (length(args) == 0)
447                      return(x)
448    
449                  if (!all(sapply(args, inherits, "TextDocCol")))
450                      stop("not all arguments are text document collections")
451                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
452                      stop("concatenating text document collections with activated database is not supported")
453    
454                  result <- x
455                  for (c in args) {
456                      result <- c2(result, c)
457                  }
458                  return(result)
459              })
460    
461    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
462    setMethod("c2",
463              signature(x = "TextDocCol", y = "TextDocCol"),
464              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
465                  object <- x
466                  # Concatenate data slots
467                  object@.Data <- c(as(x, "list"), as(y, "list"))
468    
469                  # Set the DBControl slot
470                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "SQLite")
471    
472                  # Update the CMetaData tree
473                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
474                  update.struct <- update_id(cmeta)
475                  object@CMetaData <- update.struct$root
476    
477                  # Find indices to be updated for the left tree
478                  indices.mapping <- NULL
479                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
480                      indices <- (DMetaData(x)$MetaID == m)
481                      indices.mapping <- c(indices.mapping, list(m = indices))
482                      names(indices.mapping)[length(indices.mapping)] <- m
483                  }
484    
485                  # Update the DMetaData data frames for the left tree
486                  for (i in 1:ncol(update.struct$left.mapping)) {
487                      map <- update.struct$left.mapping[,i]
488                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
489                  }
490    
491                  # Find indices to be updated for the right tree
492                  indices.mapping <- NULL
493                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
494                      indices <- (DMetaData(y)$MetaID == m)
495                      indices.mapping <- c(indices.mapping, list(m = indices))
496                      names(indices.mapping)[length(indices.mapping)] <- m
497                  }
498    
499                  # Update the DMetaData data frames for the right tree
500                  for (i in 1:ncol(update.struct$right.mapping)) {
501                      map <- update.struct$right.mapping[,i]
502                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
503                  }
504    
505                  # Merge the DMetaData data frames
506                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
507                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
508                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
509                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
510                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
511                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
512                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
513    
514                  return(object)
515              })
516    
517    setMethod("c",
518              signature(x = "TextDocument"),
519              function(x, ..., recursive = TRUE){
520                  args <- list(...)
521                  if(length(args) == 0)
522                      return(x)
523    
524                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
525                  cmeta.node <- new("MetaDataNode",
526                                NodeID = 0,
527                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
528                                children = list())
529    
530                  return(new("TextDocCol",
531                             .Data = list(x, ...),
532                             DMetaData = dmeta.df,
533                             CMetaData = cmeta.node,
534                             DBControl = list(useDb = FALSE, dbName = "", dbType = "SQLite")))
535              })
536    
537    setMethod("length",
538              signature(x = "TextDocCol"),
539              function(x){
540                  return(length(as(x, "list")))
541        })
542    
543    setMethod("show",
544              signature(object = "TextDocCol"),
545              function(object){
546                  cat(sprintf(ngettext(length(object),
547                                       "A text document collection with %d text document\n",
548                                       "A text document collection with %d text documents\n"),
549                              length(object)))
550        })
551    
552    setMethod("summary",
553              signature(object = "TextDocCol"),
554              function(object){
555                  show(object)
556                  if (length(DMetaData(object)) > 0) {
557                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
558                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
559                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
560                                           length(CMetaData(object)@MetaData)))
561                      cat("Available tags are:\n")
562                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
563                      cat("Available variables in the data frame are:\n")
564                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
565                  }
566        })
567    
568    setGeneric("inspect", function(object) standardGeneric("inspect"))
569    setMethod("inspect",
570              signature("TextDocCol"),
571              function(object) {
572                  summary(object)
573                  cat("\n")
574                  if (DBControl(object)[["useDb"]]) {
575                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
576                      show(dbMultiFetch(db, unlist(object)))
577                      dbDisconnect(db)
578                  }
579                  else
580                      show(object@.Data)
581              })
582    
583    # No metadata is checked
584    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
585    setMethod("%IN%",
586              signature(x = "TextDocument", y = "TextDocCol"),
587              function(x, y) {
588                  if (DBControl(y)[["useDb"]]) {
589                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
590                      result <- any(sapply(y, function(x, z) {x %in% Corpus(z)}, x))
591                      dbDisconnect(db)
592                  }
593                  else
594                      result <- x %in% y
595                  return(result)
596              })
597    
598    setMethod("lapply",
599              signature(X = "TextDocCol"),
600              function(X, FUN, ...) {
601                  if (DBControl(X)[["useDb"]]) {
602                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
603                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
604                      dbDisconnect(db)
605                  }
606      else      else
607          heading <- ""                    result <- base::lapply(X, FUN, ...)
608                  return(result)
609              })
610    
611      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  setMethod("sapply",
612          description = description, id = id, origin = origin, heading = heading)            signature(X = "TextDocCol"),
613              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
614                  if (DBControl(X)[["useDb"]]) {
615                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
616                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
617                      dbDisconnect(db)
618  }  }
619                  else
620                      result <- base::sapply(X, FUN, ...)
621                  return(result)
622              })

Legend:
Removed from v.37  
changed lines
  Added in v.730

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