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/textmin/R/textdoccol.R revision 66, Tue Oct 31 22:03:33 2006 UTC pkg/R/corpus.R revision 1258, Fri Sep 20 12:15:42 2013 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the function_generator parser  .PCorpus <-
4  setGeneric("TextDocCol", function(object, parser = plaintext_parser, ...) standardGeneric("TextDocCol"))  function(x, cmeta, dmeta, dbcontrol)
5  setMethod("TextDocCol",  {
6            signature(object = "Source"),      attr(x, "CMetaData") <- cmeta
7            function(object, parser = plaintext_parser) {      attr(x, "DMetaData") <- dmeta
8                if (inherits(parser, "function_generator"))      attr(x, "DBControl") <- dbcontrol
9                    parser <- parser(...)      class(x) <- c("PCorpus", "Corpus", "list")
10        x
11    }
12    
13    DBControl <-
14    function(x)
15        attr(x, "DBControl")
16    
17    PCorpus <-
18    function(x,
19             readerControl = list(reader = x$DefaultReader, language = "en"),
20             dbControl = list(dbName = "", dbType = "DB1"),
21             ...)
22    {
23        readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
24    
25        if (is.function(readerControl$init))
26            readerControl$init()
27    
28        if (is.function(readerControl$exit))
29            on.exit(readerControl$exit())
30    
31        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
32            stop("error in creating database")
33        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
34    
35        # Allocate memory in advance if length is known
36        tdl <- if (x$Length > 0)
37            vector("list", as.integer(x$Length))
38        else
39            list()
40    
               tdl <- list()  
41                counter <- 1                counter <- 1
42                while (!eoi(object)) {      while (!eoi(x)) {
43                    object <- step_next(object)          x <- stepNext(x)
44                    elem <- get_elem(object)          elem <- getElem(x)
45                    # If there is no Load on Demand support          doc <- readerControl$reader(elem, readerControl$language, if (is.null(x$Names)) as.character(counter) else x$Names[counter])
46                    # we need to load the corpus into memory at startup          filehash::dbInsert(db, ID(doc), doc)
47                    if (object@LoDSupport)          if (x$Length > 0) tdl[[counter]] <- ID(doc)
48                        load <- object@Load          else tdl <- c(tdl, ID(doc))
                   else  
                       load <- TRUE  
                   tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))  
49                    counter <- counter + 1                    counter <- counter + 1
50                }                }
51        names(tdl) <- x$Names
52    
53                return(new("TextDocCol", .Data = tdl))      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
54            })      filehash::dbInsert(db, "DMetaData", df)
55        dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
56  setGeneric("DirSource", function(directory, load = FALSE) standardGeneric("DirSource"))  
57  setMethod("DirSource",      .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
58            signature(directory = "character"),  }
59            function(directory, load = FALSE) {  
60                new("DirSource", LoDSupport = TRUE, FileList = dir(directory, full.names = TRUE),  .VCorpus <-
61                    Position = 0, Load = load)  function(x, cmeta, dmeta)
62            })  {
63        attr(x, "CMetaData") <- cmeta
64  setGeneric("CSVSource", function(object, isConCall = FALSE) standardGeneric("CSVSource"))      attr(x, "DMetaData") <- dmeta
65  setMethod("CSVSource",      class(x) <- c("VCorpus", "Corpus", "list")
66            signature(object = "character"),      x
67            function(object, isConCall = FALSE) {  }
68                if (!isConCall)  
69                    object <- paste('file("', object, '")', sep = "")  # The "..." are additional arguments for the FunctionGenerator reader
70                con <- eval(parse(text = object))  VCorpus <-
71                content <- scan(con, what = "character")  Corpus <-
72                close(con)  function(x,
73                new("CSVSource", LoDSupport = FALSE, URI = object,           readerControl = list(reader = x$DefaultReader, language = "en"),
74                    Content = content, Position = 0)           ...)
75            })  {
76        readerControl <- prepareReader(readerControl, x$DefaultReader, ...)
77  setGeneric("ReutersSource", function(object, isConCall = FALSE) standardGeneric("ReutersSource"))  
78  setMethod("ReutersSource",      if (is.function(readerControl$init))
79            signature(object = "character"),          readerControl$init()
80            function(object, isConCall = FALSE) {  
81                if (!isConCall)      if (is.function(readerControl$exit))
82                   object <- paste('file("', object, '")', sep = "")          on.exit(readerControl$exit())
83                con <- eval(parse(text = object))  
84                corpus <- paste(readLines(con), "\n", collapse = "")      # Allocate memory in advance if length is known
85                close(con)      tdl <- if (x$Length > 0)
86                tree <- xmlTreeParse(corpus, asText = TRUE)          vector("list", as.integer(x$Length))
87                content <- xmlRoot(tree)$children      else
88            list()
89                new("ReutersSource", LoDSupport = FALSE, URI = object,  
90                    Content = content, Position = 0)      if (x$Vectorized)
91            })          tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
92                          pGetElem(x),
93  setGeneric("step_next", function(object) standardGeneric("step_next"))                        id = if (is.null(x$Names) || is.na(x$Names)) as.character(seq_len(x$Length)) else x$Names,
94  setMethod("step_next",                        SIMPLIFY = FALSE)
95            signature(object = "DirSource"),      else {
96            function(object) {          counter <- 1
97                object@Position <- object@Position + 1          while (!eoi(x)) {
98                object              x <- stepNext(x)
99            })              elem <- getElem(x)
100  setMethod("step_next",              id <- if (is.null(x$Names) || is.na(x$Names))
101            signature(object = "CSVSource"),                  as.character(counter)
102            function(object) {              else
103                object@Position <- object@Position + 1                  x$Names[counter]
104                object              doc <- readerControl$reader(elem, readerControl$language, id)
105            })              if (x$Length > 0)
106  setMethod("step_next",                  tdl[[counter]] <- doc
           signature(object = "ReutersSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
   
 setGeneric("get_elem", function(object) standardGeneric("get_elem"))  
 setMethod("get_elem",  
           signature(object = "DirSource"),  
           function(object) {  
               list(content = readLines(object@FileList[object@Position]),  
                    uri = paste('file("', object@FileList[object@Position], '")', sep = ""))  
           })  
 setMethod("get_elem",  
           signature(object = "CSVSource"),  
           function(object) {  
               list(content = object@Content[object@Position],  
                    uri = object@URI)  
           })  
 setMethod("get_elem",  
           signature(object = "ReutersSource"),  
           function(object) {  
               # Construct a character representation from the XMLNode  
               con <- textConnection("virtual.file", "w")  
               saveXML(object@Content[[object@Position]], con)  
               close(con)  
   
               list(content = virtual.file, uri = object@URI)  
           })  
   
 setGeneric("eoi", function(object) standardGeneric("eoi"))  
 setMethod("eoi",  
           signature(object = "DirSource"),  
           function(object) {  
               if (length(object@FileList) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
 setMethod("eoi",  
           signature(object = "CSVSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
               else  
                   return(FALSE)  
           })  
 setMethod("eoi",  
           signature(object = "ReutersSource"),  
           function(object) {  
               if (length(object@Content) <= object@Position)  
                   return(TRUE)  
107                else                else
108                    return(FALSE)                  tdl <- c(tdl, list(doc))
109            })              counter <- counter + 1
   
 plaintext_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("PlainTextDocument", .Data = elem$content, URI = elem$uri, Cached = TRUE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
110          }          }
         else {  
             doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
111          }          }
112        names(tdl) <- x$Names
113          return(doc)      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
114        .VCorpus(tdl, .MetaDataNode(), df)
115    }
116    
117    `[.PCorpus` <-
118    function(x, i)
119    {
120        if (missing(i)) return(x)
121        index <- attr(x, "DMetaData")[[1 , "subset"]]
122        attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
123        dmeta <- attr(x, "DMetaData")
124        .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
125    }
126    
127    `[.VCorpus` <-
128    function(x, i)
129    {
130        if (missing(i)) return(x)
131        .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
132    }
133    
134    `[<-.PCorpus` <-
135    function(x, i, value)
136    {
137        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
138        counter <- 1
139        for (id in unclass(x)[i]) {
140            if (identical(length(value), 1L)) db[[id]] <- value
141            else db[[id]] <- value[[counter]]
142            counter <- counter + 1
143      }      }
144        x
145  }  }
 class(plaintext_parser) <- "function_generator"  
   
 reut21578xml_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
146    
147          # Mask as list to bypass S4 checks  .map_name_index <-
148          class(tree) <- "list"  function(x, i)
149    {
150          # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!      if (is.character(i)) {
151          if (!is.null(node[["TEXT"]][["AUTHOR"]]))          if (is.null(names(x)))
152              author <- xmlValue(node[["TEXT"]][["AUTHOR"]])              match(i, meta(x, "ID", type = "local"))
153          else          else
154              author <- ""              match(i, names(x))
155        }
156        i
157    }
158    
159    `[[.PCorpus` <-
160    function(x, i)
161    {
162        i <- .map_name_index(x, i)
163        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
164        filehash::dbFetch(db, NextMethod("[["))
165    }
166    `[[.VCorpus` <-
167    function(x, i)
168    {
169        i <- .map_name_index(x, i)
170        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
171        if (!is.null(lazyTmMap))
172            .Call("copyCorpus", x, materialize(x, i))
173        NextMethod("[[")
174    }
175    
176    `[[<-.PCorpus` <-
177    function(x, i, value)
178    {
179        i <- .map_name_index(x, i)
180        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
181        index <- unclass(x)[[i]]
182        db[[index]] <- value
183        x
184    }
185    `[[<-.VCorpus` <-
186    function(x, i, value)
187    {
188        i <- .map_name_index(x, i)
189        # Mark new objects as not active for lazy mapping
190        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
191        if (!is.null(lazyTmMap)) {
192            lazyTmMap$index[i] <- FALSE
193            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
194        }
195        # Set the value
196        cl <- class(x)
197        y <- NextMethod("[[<-")
198        class(y) <- cl
199        y
200    }
201    
202    # Update NodeIDs of a CMetaData tree
203    .update_id <-
204    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
205    {
206        # Traversal of (binary) CMetaData tree with setup of NodeIDs
207        set_id <- function(x) {
208            x$NodeID <- id
209            id <<- id + 1
210            level <<- level + 1
211            if (length(x$Children) > 0) {
212                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
213                left <- set_id(x$Children[[1]])
214                if (level == 1) {
215                    left.mapping <<- mapping
216                    mapping <<- NULL
217                }
218                mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
219                right <- set_id(x$Children[[2]])
220    
221                x$Children <- list(left, right)
222            }
223            level <<- level - 1
224            x
225        }
226        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
227    }
228    
229    # Find indices to be updated for a CMetaData tree
230    .find_indices <-
231    function(x)
232    {
233        indices.mapping <- NULL
234        for (m in levels(as.factor(DMetaData(x)$MetaID))) {
235            indices <- (DMetaData(x)$MetaID == m)
236            indices.mapping <- c(indices.mapping, list(m = indices))
237            names(indices.mapping)[length(indices.mapping)] <- m
238        }
239        indices.mapping
240    }
241    
242    c2 <-
243    function(x, y, ...)
244    {
245        # Update the CMetaData tree
246        cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
247        update.struct <- .update_id(cmeta)
248    
249        new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
250    
251        # Find indices to be updated for the left tree
252        indices.mapping <- .find_indices(x)
253    
254        # Update the DMetaData data frames for the left tree
255        for (i in 1:ncol(update.struct$left.mapping)) {
256            map <- update.struct$left.mapping[,i]
257            DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
258        }
259    
260        # Find indices to be updated for the right tree
261        indices.mapping <- .find_indices(y)
262    
263        # Update the DMetaData data frames for the right tree
264        for (i in 1:ncol(update.struct$right.mapping)) {
265            map <- update.struct$right.mapping[,i]
266            DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
267        }
268    
269        # Merge the DMetaData data frames
270        labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
271        na.matrix <- matrix(NA,
272                            nrow = nrow(DMetaData(x)),
273                            ncol = length(labels),
274                            dimnames = list(row.names(DMetaData(x)), labels))
275        x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
276        labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
277        na.matrix <- matrix(NA,
278                            nrow = nrow(DMetaData(y)),
279                            ncol = length(labels),
280                            dimnames = list(row.names(DMetaData(y)), labels))
281        y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
282        DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
283    
284        new
285    }
286    
287    c.Corpus <-
288    function(..., recursive = FALSE)
289    {
290        args <- list(...)
291        x <- args[[1L]]
292    
293          datetimestamp <- xmlValue(node[["DATE"]])      if(length(args) == 1L)
294          description <- ""          return(x)
         id <- xmlAttrs(node)[["NEWID"]]  
   
         # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["TITLE"]]))  
             heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
         else  
             heading <- ""  
295    
296          topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
297            stop("not all arguments are of the same corpus type")
298    
299          if (!lodsupport || (lodsupport && load)) {      if (inherits(x, "PCorpus"))
300              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,          stop("concatenation of corpora with underlying databases is not supported")
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         }  
301    
302          return(doc)      if (recursive)
303            Reduce(c2, args)
304        else {
305            args <- do.call("c", lapply(args, unclass))
306            .VCorpus(args,
307                     cmeta = .MetaDataNode(),
308                     dmeta = data.frame(MetaID = rep(0, length(args)),
309                                        stringsAsFactors = FALSE))
310      }      }
311  }  }
 class(reut21578xml_parser) <- "function_generator"  
   
 rcv1_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         datetimestamp <- xmlAttrs(node)[["date"]]  
         id <- xmlAttrs(node)[["itemid"]]  
         heading <- xmlValue(node[["title"]])  
312    
313          if (!lodsupport || (lodsupport && load)) {  c.TextDocument <-
314              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",  function(..., recursive = FALSE)
315                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  {
316                         Heading = heading)      args <- list(...)
317          } else {      x <- args[[1L]]
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         }  
318    
319          return(doc)      if(length(args) == 1L)
320      }          return(x)
 }  
 class(rcv1_parser) <- "function_generator"  
321    
322  newsgroup_parser <- function(...) {      if (!all(unlist(lapply(args, inherits, class(x)))))
323      function(elem, lodsupport, load, id) {          stop("not all arguments are text documents")
         mail <- elem$content  
         author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  
         datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  
         origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  
         heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))  
         newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))  
324    
325          if (!lodsupport || (lodsupport && load)) {      dmeta <- data.frame(MetaID = rep(0, length(args)),
326              # The header is separated from the body by a blank line.                          stringsAsFactors = FALSE)
327              # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}      .VCorpus(args, .MetaDataNode(), dmeta)
328              for (index in seq(along = mail)) {  }
329                  if (mail[index] == "")  
330                      break  print.Corpus <-
331    function(x, ...)
332    {
333        cat(sprintf(ngettext(length(x),
334                             "A corpus with %d text document\n",
335                             "A corpus with %d text documents\n"),
336                    length(x)))
337        invisible(x)
338    }
339    
340    summary.Corpus <-
341    function(object, ...)
342    {
343        print(object)
344        if (length(DMetaData(object)) > 0) {
345            cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
346                                 "\nThe metadata consists of %d tag-value pair and a data frame\n",
347                                 "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
348                        length(CMetaData(object)$MetaData)))
349            cat("Available tags are:\n")
350            cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
351            cat("Available variables in the data frame are:\n")
352            cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
353              }              }
             content <- mail[(index + 1):length(mail)]  
   
             doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,  
                        Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin,  
                        Heading = heading, Newsgroup = newsgroup)  
         } else {  
             doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
354          }          }
355    
356          return(doc)  inspect <-
357    function(x)
358        UseMethod("inspect", x)
359    inspect.PCorpus <-
360    function(x)
361    {
362        summary(x)
363        cat("\n")
364        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
365        show(filehash::dbMultiFetch(db, unlist(x)))
366      }      }
367    inspect.VCorpus <-
368    function(x)
369    {
370        summary(x)
371        cat("\n")
372        print(noquote(lapply(x, identity)))
373  }  }
 class(newsgroup_parser) <- "function_generator"  
374    
375  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  lapply.PCorpus <-
376  rcv1_to_plain <- function(node, ...) {  function(X, FUN, ...)
377      datetimestamp <- xmlAttrs(node)[["date"]]  {
378      id <- xmlAttrs(node)[["itemid"]]      db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
379      origin <- "Reuters Corpus Volume 1 XML"      lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
380      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  }
381      heading <- xmlValue(node[["title"]])  lapply.VCorpus <-
382    function(X, FUN, ...)
383      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,  {
384          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
385        if (!is.null(lazyTmMap))
386            .Call("copyCorpus", X, materialize(X))
387        base::lapply(X, FUN, ...)
388    }
389    
390    writeCorpus <-
391    function(x, path = ".", filenames = NULL)
392    {
393        filenames <- file.path(path,
394                               if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
395                               else filenames)
396        i <- 1
397        for (o in x) {
398            writeLines(as.PlainTextDocument(o), filenames[i])
399            i <- i + 1
400  }  }
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 reut21578xml_to_plain <- function(node, ...) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
   
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- 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 <- ""  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
   
     topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
     new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
401  }  }
   
 setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  
 setMethod("load_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(parse(text = URI(object)))  
                   corpus <- readLines(con)  
                   close(con)  
                   Corpus(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("load_doc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(parse(text = URI(object)))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("load_doc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(parse(text = URI(object)))  
                   mail <- readLines(con)  
                   close(con)  
                   Cached(object) <- TRUE  
                   for (index in seq(along = mail)) {  
                       if (mail[index] == "")  
                           break  
                   }  
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
   
 setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  
 setMethod("tm_transform",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- as(lapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object)), "TextDocCol")  
               result@GlobalMetaData <- GlobalMetaData(object)  
               return(result)  
           })  
   
 setGeneric("as.plaintext_doc", function(object, FUN, ...) standardGeneric("as.plaintext_doc"))  
 setMethod("as.plaintext_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("as.plaintext_doc",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               corpus <- Corpus(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
   
 setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))  
 setMethod("stem_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus, ...)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))  
 setMethod("remove_words",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("tm_filter", function(object, ..., FUN = s_filter) standardGeneric("tm_filter"))  
 setMethod("tm_filter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter) {  
               object[tm_index(object, ..., FUN)]  
           })  
   
 setGeneric("tm_index", function(object, ..., FUN = s_filter) standardGeneric("tm_index"))  
 setMethod("tm_index",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter) {  
               sapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object))  
           })  
   
 s_filter <- function(object, s, ..., GlobalMetaData) {  
     b <- TRUE  
     for (tag in names(s)) {  
         if (tag %in% names(LocalMetaData(object))) {  
             b <- b && any(grep(s[[tag]], LocalMetaData(object)[[tag]]))  
         } else if (tag %in% names(GlobalMetaData)){  
             b <- b && any(grep(s[[tag]], GlobalMetaData[[tag]]))  
         } else {  
             b <- b && any(grep(s[[tag]], eval(call(tag, object))))  
         }  
     }  
     return(b)  
 }  
   
 setGeneric("fulltext_search_filter", function(object, pattern, ...) standardGeneric("fulltext_search_filter"))  
 setMethod("fulltext_search_filter",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("attach_data", function(object, data) standardGeneric("attach_data"))  
 setMethod("attach_data",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data) {  
               data <- as(list(data), "TextDocCol")  
               object@.Data <- as(c(object@.Data, data), "TextDocCol")  
               return(object)  
           })  
   
 setGeneric("attach_metadata", function(object, name, metadata) standardGeneric("attach_metadata"))  
 setMethod("attach_metadata",  
           signature(object = "TextDocCol"),  
           function(object, name, metadata) {  
               object@GlobalMetaData <- c(GlobalMetaData(object), new = list(metadata))  
               names(object@GlobalMetaData)[length(names(GlobalMetaData(object)))] <- name  
               return(object)  
           })  
   
 setGeneric("set_subscriptable", function(object, name) standardGeneric("set_subscriptable"))  
 setMethod("set_subscriptable",  
           signature(object = "TextDocCol"),  
           function(object, name) {  
               if (!is.character(GlobalMetaData(object)$subscriptable))  
                   object <- attach_metadata(object, "subscriptable", name)  
               else  
                   object@GlobalMetaData$subscriptable <- c(GlobalMetaData(object)$subscriptable, name)  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
   
               object <- x  
               object@.Data <- x@.Data[i, ..., drop = FALSE]  
               for (m in names(GlobalMetaData(object))) {  
                   if (m %in% GlobalMetaData(object)$subscriptable) {  
                       object@GlobalMetaData[[m]] <- GlobalMetaData(object)[[m]][i, ..., drop = FALSE]  
                   }  
               }  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               return(x@.Data[[i, ...]])  
           })  
   
 setMethod("[[<-",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               object@.Data[[i, ...]] <- value  
               return(object)  
           })  
   
 setMethod("c",  
           signature(x = "TextDocCol"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
                   return(x)  
               return(as(c(as(x, "list"), ...), "TextDocCol"))  
     })  
 setMethod("c",  
           signature(x = "TextDocument"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
                   return(x)  
               return(new("TextDocCol", .Data = list(x, ...)))  
     })  
   
 setMethod("length",  
           signature(x = "TextDocCol"),  
           function(x){  
               return(length(as(x, "list")))  
     })  
   
 setMethod("show",  
           signature(object = "TextDocCol"),  
           function(object){  
               cat("A text document collection with", length(object), "text document")  
               if (length(object) == 1)  
                   cat("\n")  
               else  
                   cat("s\n")  
     })  
   
 setMethod("summary",  
           signature(object = "TextDocCol"),  
           function(object){  
               show(object)  
               if (length(GlobalMetaData(object)) > 0) {  
                   cat("\nThe global metadata consists of", length(GlobalMetaData(object)), "tag-value pair")  
                   if (length(GlobalMetaData(object)) == 1)  
                       cat(".\n")  
                   else  
                       cat("s.\n")  
                   cat("Available tags are:\n")  
                   cat(names(GlobalMetaData(object)), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("TextDocCol"),  
           function(object) {  
               summary(object)  
               cat("\n")  
               show(as(object, "list"))  
           })  
   
 # No metadata is checked  
 setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  
 setMethod("%IN%",  
           signature(x = "TextDocument", y = "TextDocCol"),  
           function(x, y) {  
               x %in% y  
           })  

Legend:
Removed from v.66  
changed lines
  Added in v.1258

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