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 859, Wed Jul 9 13:39:52 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" = {                    }
                          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"]])  
     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"]])  
43      else      else
44          heading <- ""                        tdl <- c(tdl, list(doc))
45                      counter <- counter + 1
46                  }
47    
48                  df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
49                  if (dbControl$useDb) {
50                      dbInsert(db, "DMetaData", df)
51                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
52                  }
53                  else
54                      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      new("textdocument", .Data = corpus, author = author, timestamp = timestamp,  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
65          description = description, id = id, origin = origin, heading = heading)  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$language, filename))
151                  }
152    
153                  return(object)
154              })
155    
156    setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
157    setMethod("tmMap",
158              signature(object = "Corpus", FUN = "function"),
159              function(object, FUN, ..., lazy = FALSE) {
160                  result <- object
161                  # Note that text corpora are automatically loaded into memory via \code{[[}
162                  if (DBControl(object)[["useDb"]]) {
163                      if (lazy)
164                          warning("lazy mapping is deactived when using database backend")
165                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
166                      i <- 1
167                      for (id in unlist(object)) {
168                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
169                          i <- i + 1
170                      }
171                      # Suggested by Christian Buchta
172                      dbReorganize(db)
173                  }
174                  else {
175                      # Lazy mapping
176                      if (lazy) {
177                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
178                          if (is.null(lazyTmMap)) {
179                              meta(result, tag = "lazyTmMap", type = "corpus") <-
180                                  list(index = rep(TRUE, length(result)),
181                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
182                          }
183                          else {
184                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
185                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
186                          }
187                      }
188                      else
189                          result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
190                  }
191                  return(result)
192              })
193    
194    # Materialize lazy mappings
195    # Improvements by Christian Buchta
196    materialize <- function(corpus, range = seq_along(corpus)) {
197        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
198        if (!is.null(lazyTmMap)) {
199           # Make valid and lazy index
200           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
201           if (any(idx)) {
202               res <- lapply(corpus@.Data[idx], loadDoc)
203               for (m in lazyTmMap$maps)
204                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
205               corpus@.Data[idx] <- res
206               lazyTmMap$index[idx] <- FALSE
207           }
208        }
209        # Clean up if everything is materialized
210        if (!any(lazyTmMap$index))
211            lazyTmMap <- NULL
212        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
213        return(corpus)
214    }
215    
216    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
217    setMethod("asPlain",
218              signature(object = "PlainTextDocument"),
219              function(object, FUN, ...) {
220                  return(object)
221              })
222    setMethod("asPlain",
223              signature(object = "XMLTextDocument"),
224              function(object, FUN, ...) {
225                  corpus <- Content(object)
226    
227                  # As XMLDocument is no native S4 class, restore valid information
228                  class(corpus) <- "XMLDocument"
229                  names(corpus) <- c("doc","dtd")
230    
231                  return(FUN(xmlRoot(corpus), ...))
232              })
233    setMethod("asPlain",
234              signature(object = "Reuters21578Document"),
235              function(object, FUN, ...) {
236                  FUN <- convertReut21578XMLPlain
237                  corpus <- Content(object)
238    
239                  # As XMLDocument is no native S4 class, restore valid information
240                  class(corpus) <- "XMLDocument"
241                  names(corpus) <- c("doc","dtd")
242    
243                  return(FUN(xmlRoot(corpus), ...))
244              })
245    setMethod("asPlain",
246              signature(object = "RCV1Document"),
247              function(object, FUN, ...) {
248                  return(convertRCV1Plain(object, ...))
249              })
250    setMethod("asPlain",
251              signature(object = "NewsgroupDocument"),
252              function(object, FUN, ...) {
253                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),
254                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
255                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
256                      LocalMetaData = LocalMetaData(object))
257              })
258    setMethod("asPlain",
259              signature(object = "StructuredTextDocument"),
260              function(object, FUN, ...) {
261                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
262                      URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),
263                      Description = Description(object), ID = ID(object), Origin = Origin(object),
264                      Heading = Heading(object), Language = Language(object),
265                      LocalMetaData = LocalMetaData(object))
266              })
267    
268    setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
269    setMethod("tmFilter",
270              signature(object = "Corpus"),
271              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
272                  if (!is.null(attr(FUN, "doclevel")))
273                      doclevel <- attr(FUN, "doclevel")
274                  if (doclevel)
275                      return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
276                  else
277                      return(object[FUN(object, ...)])
278              })
279    
280    setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
281    setMethod("tmIndex",
282              signature(object = "Corpus"),
283              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
284                  if (!is.null(attr(FUN, "doclevel")))
285                      doclevel <- attr(FUN, "doclevel")
286                  if (doclevel)
287                      return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
288                  else
289                      return(FUN(object, ...))
290              })
291    
292    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
293    setMethod("appendElem",
294              signature(object = "Corpus", data = "TextDocument"),
295              function(object, data, meta = NULL) {
296                  if (DBControl(object)[["useDb"]]) {
297                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
298                      if (dbExists(db, ID(data)))
299                          warning("document with identical ID already exists")
300                      dbInsert(db, ID(data), data)
301                      object@.Data[[length(object)+1]] <- ID(data)
302                  }
303                  else
304                      object@.Data[[length(object)+1]] <- data
305                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
306                  return(object)
307              })
308    
309    setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
310    setMethod("appendMeta",
311              signature(object = "Corpus"),
312              function(object, cmeta = NULL, dmeta = NULL) {
313                  object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
314                  if (!is.null(dmeta)) {
315                      DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
316                  }
317                  return(object)
318              })
319    
320    setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
321    setMethod("removeMeta",
322              signature(object = "Corpus"),
323              function(object, cname = NULL, dname = NULL) {
324                  if (!is.null(cname))
325                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
326                  if (!is.null(dname))
327                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
328                  return(object)
329              })
330    
331    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
332    setMethod("prescindMeta",
333              signature(object = "Corpus", meta = "character"),
334              function(object, meta) {
335                  for (m in meta) {
336                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
337                          local.m <- lapply(object, m)
338                          local.m <- sapply(local.m, paste, collapse = " ")
339                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
340                          local.m <- unlist(local.m)
341                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
342                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
343                      }
344                      else {
345                          local.meta <- lapply(object, LocalMetaData)
346                          local.m <- lapply(local.meta, "[[", m)
347                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
348                          if (length(local.m) == length(unlist(local.m)))
349                              local.m <- unlist(local.m)
350                          else
351                              local.m <- I(local.m)
352                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
353                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
354                      }
355                  }
356                  return(object)
357              })
358    
359    setMethod("[",
360              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
361              function(x, i, j, ... , drop) {
362                  if(missing(i))
363                      return(x)
364    
365                  object <- x
366                  object@.Data <- x@.Data[i, ..., drop = FALSE]
367                  if (DBControl(object)[["useDb"]]) {
368                      index <- object@DMetaData[[1 , "subset"]]
369                      if (any(is.na(index)))
370                          object@DMetaData[[1 , "subset"]] <- i
371                      else
372                          object@DMetaData[[1 , "subset"]] <- index[i]
373                  }
374                  else
375                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
376                  return(object)
377              })
378    
379    setMethod("[<-",
380              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
381              function(x, i, j, ... , value) {
382                  object <- x
383                  if (DBControl(object)[["useDb"]]) {
384                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
385                      counter <- 1
386                      for (id in object@.Data[i, ...]) {
387                          if (length(value) == 1)
388                              db[[id]] <- value
389                          else {
390                              db[[id]] <- value[[counter]]
391                          }
392                          counter <- counter + 1
393                      }
394                  }
395                  else
396                      object@.Data[i, ...] <- value
397                  return(object)
398              })
399    
400    setMethod("[[",
401              signature(x = "Corpus", i = "ANY", j = "ANY"),
402              function(x, i, j, ...) {
403                  if (DBControl(x)[["useDb"]]) {
404                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
405                      result <- dbFetch(db, x@.Data[[i]])
406                      return(loadDoc(result))
407                  }
408                  else {
409                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
410                      if (!is.null(lazyTmMap))
411                          .Call("copyCorpus", x, materialize(x, i))
412                      return(loadDoc(x@.Data[[i]]))
413                  }
414              })
415    
416    setMethod("[[<-",
417              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
418              function(x, i, j, ..., value) {
419                  object <- x
420                  if (DBControl(object)[["useDb"]]) {
421                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
422                      index <- object@.Data[[i]]
423                      db[[index]] <- value
424                  }
425                  else {
426                      # Mark new objects as not active for lazy mapping
427                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
428                      if (!is.null(lazyTmMap)) {
429                          lazyTmMap$index[i] <- FALSE
430                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
431                      }
432                      # Set the value
433                      object@.Data[[i, ...]] <- value
434                  }
435                  return(object)
436              })
437    
438    # Update \code{NodeID}s of a CMetaData tree
439    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
440        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
441        set_id <- function(object) {
442            object@NodeID <- id
443            id <<- id + 1
444            level <<- level + 1
445    
446            if (length(object@children) > 0) {
447                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
448                left <- set_id(object@children[[1]])
449                if (level == 1) {
450                    left.mapping <<- mapping
451                    mapping <<- NULL
452                }
453                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
454                right <- set_id(object@children[[2]])
455    
456                object@children <- list(left, right)
457            }
458            level <<- level - 1
459    
460            return(object)
461        }
462    
463        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
464    }
465    
466    setMethod("c",
467              signature(x = "Corpus"),
468              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
469                  args <- list(...)
470                  if (length(args) == 0)
471                      return(x)
472    
473                  if (!all(sapply(args, inherits, "Corpus")))
474                      stop("not all arguments are text document collections")
475                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
476                      stop("concatenating text document collections with activated database is not supported")
477    
478                  result <- x
479                  for (c in args) {
480                      result <- c2(result, c)
481                  }
482                  return(result)
483              })
484    
485    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
486    setMethod("c2",
487              signature(x = "Corpus", y = "Corpus"),
488              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
489                  object <- x
490                  # Concatenate data slots
491                  object@.Data <- c(as(x, "list"), as(y, "list"))
492    
493                  # Set the DBControl slot
494                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
495    
496                  # Update the CMetaData tree
497                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
498                  update.struct <- update_id(cmeta)
499                  object@CMetaData <- update.struct$root
500    
501                  # Find indices to be updated for the left tree
502                  indices.mapping <- NULL
503                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
504                      indices <- (DMetaData(x)$MetaID == m)
505                      indices.mapping <- c(indices.mapping, list(m = indices))
506                      names(indices.mapping)[length(indices.mapping)] <- m
507                  }
508    
509                  # Update the DMetaData data frames for the left tree
510                  for (i in 1:ncol(update.struct$left.mapping)) {
511                      map <- update.struct$left.mapping[,i]
512                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
513                  }
514    
515                  # Find indices to be updated for the right tree
516                  indices.mapping <- NULL
517                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
518                      indices <- (DMetaData(y)$MetaID == m)
519                      indices.mapping <- c(indices.mapping, list(m = indices))
520                      names(indices.mapping)[length(indices.mapping)] <- m
521                  }
522    
523                  # Update the DMetaData data frames for the right tree
524                  for (i in 1:ncol(update.struct$right.mapping)) {
525                      map <- update.struct$right.mapping[,i]
526                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
527                  }
528    
529                  # Merge the DMetaData data frames
530                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
531                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
532                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
533                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
534                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
535                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
536                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
537    
538                  return(object)
539              })
540    
541    setMethod("c",
542              signature(x = "TextDocument"),
543              function(x, ..., recursive = TRUE){
544                  args <- list(...)
545                  if(length(args) == 0)
546                      return(x)
547    
548                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
549                  cmeta.node <- new("MetaDataNode",
550                                NodeID = 0,
551                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
552                                children = list())
553    
554                  return(new("Corpus",
555                             .Data = list(x, ...),
556                             DMetaData = dmeta.df,
557                             CMetaData = cmeta.node,
558                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
559              })
560    
561    setMethod("length",
562              signature(x = "Corpus"),
563              function(x){
564                  return(length(as(x, "list")))
565        })
566    
567    setMethod("show",
568              signature(object = "Corpus"),
569              function(object){
570                  cat(sprintf(ngettext(length(object),
571                                       "A text document collection with %d text document\n",
572                                       "A text document collection with %d text documents\n"),
573                              length(object)))
574        })
575    
576    setMethod("summary",
577              signature(object = "Corpus"),
578              function(object){
579                  show(object)
580                  if (length(DMetaData(object)) > 0) {
581                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
582                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
583                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
584                                           length(CMetaData(object)@MetaData)))
585                      cat("Available tags are:\n")
586                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
587                      cat("Available variables in the data frame are:\n")
588                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
589                  }
590        })
591    
592    setGeneric("inspect", function(object) standardGeneric("inspect"))
593    setMethod("inspect",
594              signature("Corpus"),
595              function(object) {
596                  summary(object)
597                  cat("\n")
598                  if (DBControl(object)[["useDb"]]) {
599                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
600                      show(dbMultiFetch(db, unlist(object)))
601                  }
602                  else
603                      print(noquote(lapply(object, identity)))
604              })
605    
606    # No metadata is checked
607    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
608    setMethod("%IN%",
609              signature(x = "TextDocument", y = "Corpus"),
610              function(x, y) {
611                  if (DBControl(y)[["useDb"]]) {
612                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
613                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
614                  }
615                  else
616                      result <- x %in% y
617                  return(result)
618              })
619    
620    setMethod("lapply",
621              signature(X = "Corpus"),
622              function(X, FUN, ...) {
623                  print("lapply")
624                  if (DBControl(X)[["useDb"]]) {
625                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
626                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
627                  }
628                  else {
629                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
630                      if (!is.null(lazyTmMap))
631                          .Call("copyCorpus", X, materialize(X))
632                      result <- base::lapply(X, FUN, ...)
633                  }
634                  return(result)
635              })
636    
637    setMethod("sapply",
638              signature(X = "Corpus"),
639              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
640                  if (DBControl(X)[["useDb"]]) {
641                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
642                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
643                  }
644                  else {
645                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
646                      if (!is.null(lazyTmMap))
647                          .Call("copyCorpus", X, materialize(X))
648                      result <- base::sapply(X, FUN, ...)
649                  }
650                  return(result)
651              })
652    
653    setAs("list", "Corpus", function(from) {
654        cmeta.node <- new("MetaDataNode",
655                          NodeID = 0,
656                          MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
657                          children = list())
658        data <- list()
659        counter <- 1
660        for (f in from) {
661            doc <- new("PlainTextDocument",
662                       .Data = f, URI = NULL, Cached = TRUE,
663                       Author = "", DateTimeStamp = Sys.time(),
664                       Description = "", ID = as.character(counter),
665                       Origin = "", Heading = "", Language = "en_US")
666            data <- c(data, list(doc))
667            counter <- counter + 1
668        }
669        return(new("Corpus", .Data = data,
670                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
671                   CMetaData = cmeta.node,
672                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
673    })
674    
675    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
676    setMethod("writeCorpus",
677              signature(object = "Corpus"),
678              function(object, path = ".", filenames = NULL) {
679                  filenames <- file.path(path,
680                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
681                                         else filenames)
682                  i <- 1
683                  for (o in object) {
684                      writeLines(asPlain(o), filenames[i])
685                      i <- i + 1
686                  }
687              })

Legend:
Removed from v.37  
changed lines
  Added in v.859

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