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 817, Wed Jan 30 11:25:20 2008 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("Corpus", function(object,
5            c("character", "character", "logical", "logical"),                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                # Add a new type for each unique input source format                                    ...) standardGeneric("Corpus"))
8                type <- match.arg(inputType,c("CSV","RCV1","REUT21578"))  setMethod("Corpus",
9                switch(type,            signature(object = "Source"),
10                       # Text in a special CSV format            function(object,
11                       # For details on the file format see the R documentation file                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12                       # The first argument is a directory with .csv files                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                       "CSV" = {                     ...) {
14                           tdl <- sapply(dir(object,                if (is.null(readerControl$reader))
15                                             pattern = ".csv",                    readerControl$reader <- object@DefaultReader
16                                             full.names = TRUE),                if (is(readerControl$reader, "FunctionGenerator"))
17                                         function(file) {                    readerControl$reader <- readerControl$reader(...)
18                                             m <- as.matrix(read.csv(file, header = FALSE))                if (is.null(readerControl$language))
19                                             l <- vector("list", dim(m)[1])                    readerControl$language = "en_US"
20                                             for (i in 1:dim(m)[1]) {                if (is.null(readerControl$load))
21                                                 author <- ""                    readerControl$load = TRUE
22                                                 timestamp <- date()  
23                                                 description <- ""                if (dbControl$useDb) {
24                                                 id <- as.integer(m[i,1])                    if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                                                 corpus <- as.character(m[i,2:dim(m)[2]])                        stop("error in creating database")
26                                                 if (stripWhiteSpace)                    db <- dbInit(dbControl$dbName, dbControl$dbType)
27                                                     corpus <- gsub("[[:space:]]+", " ", corpus)                }
28                                                 if (toLower)  
29                                                     corpus <- tolower(corpus)                tdl <- list()
30                                                 origin <- "CSV"                counter <- 1
31                                                 heading <- ""                while (!eoi(object)) {
32                      object <- stepNext(object)
33                                                 l[[i]] <- new("textdocument", .Data = corpus, author = author, timestamp = timestamp,                    elem <- getElem(object)
34                                                               description = description, id = id, origin = origin, heading = heading)                    # If there is no Load on Demand support
35                                             }                    # we need to load the corpus into memory at startup
36                                             l                    if (!object@LoDSupport)
37                                         })                        readerControl$load <- TRUE
38                           tdcl <- new("textdoccol", .Data = tdl)                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
39                       },                    if (dbControl$useDb) {
40                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format                        dbInsert(db, ID(doc), doc)
41                       # The first argument is a directory with the RCV1 XML files                        tdl <- c(tdl, ID(doc))
42                       "RCV1" = {                    }
43                           tdl <- sapply(dir(object,                    else
44                                             pattern = ".xml",                        tdl <- c(tdl, list(doc))
45                                             full.names = TRUE),                    counter <- counter + 1
46                                         function(file) {                }
47                                             tree <- xmlTreeParse(file)  
48                                             xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
49                                         })                if (dbControl$useDb) {
50                           tdcl <- new("textdoccol", .Data = tdl)                    dbInsert(db, "DMetaData", df)
51                       },                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
52                       # 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"]])  
     else  
         author <- ""  
   
     timestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
   
     origin <- "Reuters-21578 XML"  
   
     # 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"]])  
53      else      else
54          heading <- ""                    dmeta.df <- df
55    
56                  cmeta.node <- new("MetaDataNode",
57                                NodeID = 0,
58                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
59                                children = list())
60    
61                  return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
62              })
63    
64    setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
65    setMethod("loadDoc",
66              signature(object = "PlainTextDocument"),
67              function(object, ...) {
68                  if (!Cached(object)) {
69                      con <- eval(URI(object))
70                      corpus <- readLines(con)
71                      close(con)
72                      Content(object) <- corpus
73                      Cached(object) <- TRUE
74                      return(object)
75                  } else {
76                      return(object)
77                  }
78              })
79    setMethod("loadDoc",
80              signature(object =  "XMLTextDocument"),
81              function(object, ...) {
82                  if (!Cached(object)) {
83                      con <- eval(URI(object))
84                      corpus <- paste(readLines(con), "\n", collapse = "")
85                      close(con)
86                      doc <- xmlTreeParse(corpus, asText = TRUE)
87                      class(doc) <- "list"
88                      Content(object) <- doc
89                      Cached(object) <- TRUE
90                      return(object)
91                  } else {
92                      return(object)
93                  }
94              })
95    setMethod("loadDoc",
96              signature(object = "NewsgroupDocument"),
97              function(object, ...) {
98                  if (!Cached(object)) {
99                      con <- eval(URI(object))
100                      mail <- readLines(con)
101                      close(con)
102                      Cached(object) <- TRUE
103                      for (index in seq_along(mail)) {
104                          if (mail[index] == "")
105                              break
106                      }
107                      Content(object) <- mail[(index + 1):length(mail)]
108                      return(object)
109                  } else {
110                      return(object)
111                  }
112              })
113    setMethod("loadDoc",
114              signature(object = "StructuredTextDocument"),
115              function(object, ...) {
116                  if (!Cached(object)) {
117                      warning("load on demand not (yet) supported for StructuredTextDocuments")
118                      return(object)
119                  } else
120                      return(object)
121              })
122    
123    setGeneric("tmUpdate", function(object,
124                                    origin,
125                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
126                                    ...) standardGeneric("tmUpdate"))
127    # Update is only supported for directories
128    # At the moment no other LoD devices are available anyway
129    setMethod("tmUpdate",
130              signature(object = "Corpus", origin = "DirSource"),
131              function(object, origin,
132                       readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
133                       ...) {
134                  if (is.null(readerControl$reader))
135                      readerControl$reader <- origin@DefaultReader
136                  if (is(readerControl$reader, "FunctionGenerator"))
137                      readerControl$reader <- readerControl$reader(...)
138                  if (is.null(readerControl$language))
139                      readerControl$language = "en_US"
140                  if (is.null(readerControl$load))
141                      readerControl$load = TRUE
142    
143                  object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))
144                  new.files <- setdiff(origin@FileList, object.filelist)
145    
146                  for (filename in new.files) {
147                      encoding <- origin@Encoding
148                      elem <- list(content = readLines(filename, encoding = encoding),
149                                   uri = substitute(file(filename, encoding = encoding)))
150                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
151                  }
152    
153                  return(object)
154              })
155    
156      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))
157          description = description, id = id, origin = origin, heading = heading)  setMethod("tmMap",
158              signature(object = "Corpus", FUN = "function"),
159              function(object, FUN, ...) {
160                  result <- object
161                  # Note that text corpora are automatically loaded into memory via \code{[[}
162                  if (DBControl(object)[["useDb"]]) {
163                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
164                      i <- 1
165                      for (id in unlist(object)) {
166                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
167                          i <- i + 1
168                      }
169  }  }
170                  else
171                      result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
172                  return(result)
173              })
174    
175    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
176    setMethod("asPlain",
177              signature(object = "PlainTextDocument"),
178              function(object, FUN, ...) {
179                  return(object)
180              })
181    setMethod("asPlain",
182              signature(object = "XMLTextDocument", FUN = "function"),
183              function(object, FUN, ...) {
184                  corpus <- Content(object)
185    
186                  # As XMLDocument is no native S4 class, restore valid information
187                  class(corpus) <- "XMLDocument"
188                  names(corpus) <- c("doc","dtd")
189    
190                  return(FUN(xmlRoot(corpus), ...))
191              })
192    setMethod("asPlain",
193              signature(object = "Reuters21578Document"),
194              function(object, FUN, ...) {
195                  FUN <- convertReut21578XMLPlain
196                  corpus <- Content(object)
197    
198                  # As XMLDocument is no native S4 class, restore valid information
199                  class(corpus) <- "XMLDocument"
200                  names(corpus) <- c("doc","dtd")
201    
202                  return(FUN(xmlRoot(corpus), ...))
203              })
204    setMethod("asPlain",
205              signature(object = "RCV1Document"),
206              function(object, FUN, ...) {
207                  FUN <- convertRCV1Plain
208                  corpus <- Content(object)
209    
210                  # As XMLDocument is no native S4 class, restore valid information
211                  class(corpus) <- "XMLDocument"
212                  names(corpus) <- c("doc","dtd")
213    
214                  return(FUN(xmlRoot(corpus), ...))
215              })
216    setMethod("asPlain",
217              signature(object = "NewsgroupDocument"),
218              function(object, FUN, ...) {
219                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),
220                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
221                      Origin = Origin(object), Heading = Heading(object), Language = Language(object))
222              })
223    setMethod("asPlain",
224              signature(object = "StructuredTextDocument"),
225              function(object, FUN, ...) {
226                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
227                      URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),
228                      Description = Description(object), ID = ID(object), Origin = Origin(object),
229                      Heading = Heading(object), Language = Language(object))
230              })
231    
232    setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))
233    setMethod("tmFilter",
234              signature(object = "Corpus"),
235              function(object, ..., FUN = sFilter, doclevel = FALSE) {
236                  if (doclevel)
237                      return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
238                  else
239                      return(object[FUN(object, ...)])
240              })
241    
242    setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))
243    setMethod("tmIndex",
244              signature(object = "Corpus"),
245              function(object, ..., FUN = sFilter, doclevel = FALSE) {
246                  if (doclevel)
247                      return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
248                  else
249                      return(FUN(object, ...))
250              })
251    
252    sFilter <- function(object, s, ...) {
253        con <- textConnection(s)
254        tokens <- scan(con, "character", quiet = TRUE)
255        close(con)
256        localMetaNames <- unique(names(sapply(object, LocalMetaData)))
257        localMetaTokens <- localMetaNames[localMetaNames %in% tokens]
258        n <- names(DMetaData(object))
259        tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)
260        query.df <- DMetaData(prescindMeta(object, tags))
261        if (DBControl(object)[["useDb"]])
262            DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]
263        # Rename to avoid name conflicts
264        names(query.df)[names(query.df) == "Author"] <- "author"
265        names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"
266        names(query.df)[names(query.df) == "Description"] <- "description"
267        names(query.df)[names(query.df) == "ID"] <- "identifier"
268        names(query.df)[names(query.df) == "Origin"] <- "origin"
269        names(query.df)[names(query.df) == "Heading"] <- "heading"
270        names(query.df)[names(query.df) == "Language"] <- "language"
271        attach(query.df)
272        try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))
273        detach(query.df)
274        return(result)
275    }
276    
277    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
278    setMethod("appendElem",
279              signature(object = "Corpus", 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                      object@.Data[[length(object)+1]] <- ID(data)
287                  }
288                  else
289                      object@.Data[[length(object)+1]] <- data
290                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
291                  return(object)
292              })
293    
294    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
295    setMethod("appendMeta",
296              signature(object = "Corpus"),
297              function(object, cmeta = NULL, dmeta = NULL) {
298                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
299                  if (!is.null(dmeta)) {
300                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
301                  }
302                  return(object)
303              })
304    
305    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
306    setMethod("removeMeta",
307              signature(object = "Corpus"),
308              function(object, cname = NULL, dname = NULL) {
309                  if (!is.null(cname))
310                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
311                  if (!is.null(dname))
312                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
313                  return(object)
314              })
315    
316    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
317    setMethod("prescindMeta",
318              signature(object = "Corpus", meta = "character"),
319              function(object, meta) {
320                  for (m in meta) {
321                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
322                          local.m <- lapply(object, m)
323                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
324                          local.m <- unlist(local.m)
325                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
326                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
327                      }
328                      else {
329                          local.meta <- lapply(object, LocalMetaData)
330                          local.m <- lapply(local.meta, "[[", m)
331                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
332                          if (length(local.m) == length(unlist(local.m)))
333                              local.m <- unlist(local.m)
334                          else
335                              local.m <- I(local.m)
336                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
337                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
338                      }
339                  }
340                  return(object)
341              })
342    
343    setMethod("[",
344              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
345              function(x, i, j, ... , drop) {
346                  if(missing(i))
347                      return(x)
348    
349                  object <- x
350                  object@.Data <- x@.Data[i, ..., drop = FALSE]
351                  if (DBControl(object)[["useDb"]]) {
352                      index <- object@DMetaData[[1 , "subset"]]
353                      if (any(is.na(index)))
354                          object@DMetaData[[1 , "subset"]] <- i
355                      else
356                          object@DMetaData[[1 , "subset"]] <- index[i]
357                  }
358                  else
359                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
360                  return(object)
361              })
362    
363    setMethod("[<-",
364              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
365              function(x, i, j, ... , value) {
366                  object <- x
367                  if (DBControl(object)[["useDb"]]) {
368                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
369                      counter <- 1
370                      for (id in object@.Data[i, ...]) {
371                          if (length(value) == 1)
372                              db[[id]] <- value
373                          else {
374                              db[[id]] <- value[[counter]]
375                          }
376                          counter <- counter + 1
377                      }
378                  }
379                  else
380                      object@.Data[i, ...] <- value
381                  return(object)
382              })
383    
384    setMethod("[[",
385              signature(x = "Corpus", i = "ANY", j = "ANY"),
386              function(x, i, j, ...) {
387                  if (DBControl(x)[["useDb"]]) {
388                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
389                      result <- dbFetch(db, x@.Data[[i]])
390                      return(loadDoc(result))
391                  }
392                  else
393                      return(loadDoc(x@.Data[[i]]))
394              })
395    
396    setMethod("[[<-",
397              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
398              function(x, i, j, ..., value) {
399                  object <- x
400                  if (DBControl(object)[["useDb"]]) {
401                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
402                      index <- object@.Data[[i]]
403                      db[[index]] <- value
404                  }
405                  else
406                      object@.Data[[i, ...]] <- value
407                  return(object)
408              })
409    
410    # Update \code{NodeID}s of a CMetaData tree
411    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
412        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
413        set_id <- function(object) {
414            object@NodeID <- id
415            id <<- id + 1
416            level <<- level + 1
417    
418            if (length(object@children) > 0) {
419                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
420                left <- set_id(object@children[[1]])
421                if (level == 1) {
422                    left.mapping <<- mapping
423                    mapping <<- NULL
424                }
425                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
426                right <- set_id(object@children[[2]])
427    
428                object@children <- list(left, right)
429            }
430            level <<- level - 1
431    
432            return(object)
433        }
434    
435        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
436    }
437    
438    setMethod("c",
439              signature(x = "Corpus"),
440              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
441                  args <- list(...)
442                  if (length(args) == 0)
443                      return(x)
444    
445                  if (!all(sapply(args, inherits, "Corpus")))
446                      stop("not all arguments are text document collections")
447                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
448                      stop("concatenating text document collections with activated database is not supported")
449    
450                  result <- x
451                  for (c in args) {
452                      result <- c2(result, c)
453                  }
454                  return(result)
455              })
456    
457    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
458    setMethod("c2",
459              signature(x = "Corpus", y = "Corpus"),
460              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
461                  object <- x
462                  # Concatenate data slots
463                  object@.Data <- c(as(x, "list"), as(y, "list"))
464    
465                  # Set the DBControl slot
466                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
467    
468                  # Update the CMetaData tree
469                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
470                  update.struct <- update_id(cmeta)
471                  object@CMetaData <- update.struct$root
472    
473                  # Find indices to be updated for the left tree
474                  indices.mapping <- NULL
475                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
476                      indices <- (DMetaData(x)$MetaID == m)
477                      indices.mapping <- c(indices.mapping, list(m = indices))
478                      names(indices.mapping)[length(indices.mapping)] <- m
479                  }
480    
481                  # Update the DMetaData data frames for the left tree
482                  for (i in 1:ncol(update.struct$left.mapping)) {
483                      map <- update.struct$left.mapping[,i]
484                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
485                  }
486    
487                  # Find indices to be updated for the right tree
488                  indices.mapping <- NULL
489                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
490                      indices <- (DMetaData(y)$MetaID == m)
491                      indices.mapping <- c(indices.mapping, list(m = indices))
492                      names(indices.mapping)[length(indices.mapping)] <- m
493                  }
494    
495                  # Update the DMetaData data frames for the right tree
496                  for (i in 1:ncol(update.struct$right.mapping)) {
497                      map <- update.struct$right.mapping[,i]
498                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
499                  }
500    
501                  # Merge the DMetaData data frames
502                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
503                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
504                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
505                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
506                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
507                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
508                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
509    
510                  return(object)
511              })
512    
513    setMethod("c",
514              signature(x = "TextDocument"),
515              function(x, ..., recursive = TRUE){
516                  args <- list(...)
517                  if(length(args) == 0)
518                      return(x)
519    
520                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
521                  cmeta.node <- new("MetaDataNode",
522                                NodeID = 0,
523                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
524                                children = list())
525    
526                  return(new("Corpus",
527                             .Data = list(x, ...),
528                             DMetaData = dmeta.df,
529                             CMetaData = cmeta.node,
530                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
531              })
532    
533    setMethod("length",
534              signature(x = "Corpus"),
535              function(x){
536                  return(length(as(x, "list")))
537        })
538    
539    setMethod("show",
540              signature(object = "Corpus"),
541              function(object){
542                  cat(sprintf(ngettext(length(object),
543                                       "A text document collection with %d text document\n",
544                                       "A text document collection with %d text documents\n"),
545                              length(object)))
546        })
547    
548    setMethod("summary",
549              signature(object = "Corpus"),
550              function(object){
551                  show(object)
552                  if (length(DMetaData(object)) > 0) {
553                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
554                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
555                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
556                                           length(CMetaData(object)@MetaData)))
557                      cat("Available tags are:\n")
558                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
559                      cat("Available variables in the data frame are:\n")
560                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
561                  }
562        })
563    
564    setGeneric("inspect", function(object) standardGeneric("inspect"))
565    setMethod("inspect",
566              signature("Corpus"),
567              function(object) {
568                  summary(object)
569                  cat("\n")
570                  if (DBControl(object)[["useDb"]]) {
571                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
572                      show(dbMultiFetch(db, unlist(object)))
573                  }
574                  else
575                      show(object@.Data)
576              })
577    
578    # No metadata is checked
579    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
580    setMethod("%IN%",
581              signature(x = "TextDocument", y = "Corpus"),
582              function(x, y) {
583                  if (DBControl(y)[["useDb"]]) {
584                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
585                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
586                  }
587                  else
588                      result <- x %in% y
589                  return(result)
590              })
591    
592    setMethod("lapply",
593              signature(X = "Corpus"),
594              function(X, FUN, ...) {
595                  if (DBControl(X)[["useDb"]]) {
596                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
597                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
598                  }
599                  else
600                      result <- base::lapply(X, FUN, ...)
601                  return(result)
602              })
603    
604    setMethod("sapply",
605              signature(X = "Corpus"),
606              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
607                  if (DBControl(X)[["useDb"]]) {
608                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
609                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
610                  }
611                  else
612                      result <- base::sapply(X, FUN, ...)
613                  return(result)
614              })

Legend:
Removed from v.37  
changed lines
  Added in v.817

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