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 1261, Fri Sep 27 09:37:35 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$DefaultReader, language = "en"),
20             dbControl = list(dbName = "", dbType = "DB1"))
21    {
22        readerControl <- prepareReader(readerControl, x$DefaultReader)
23    
24        if (is.function(readerControl$init))
25            readerControl$init()
26    
27        if (is.function(readerControl$exit))
28            on.exit(readerControl$exit())
29    
30        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
31            stop("error in creating database")
32        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
33    
34        # Allocate memory in advance if length is known
35        tdl <- if (x$Length > 0)
36            vector("list", as.integer(x$Length))
37        else
38            list()
39    
               tdl <- list()  
40                counter <- 1                counter <- 1
41                while (!eoi(object)) {      while (!eoi(x)) {
42                    object <- step_next(object)          x <- stepNext(x)
43                    elem <- get_elem(object)          elem <- getElem(x)
44                    # If there is no Load on Demand support          id <- if (is.null(x$Names) || is.na(x$Names))
45                    # we need to load the corpus into memory at startup                  as.character(counter)
46                    if (object@LoDSupport)              else
47                        load <- object@Load                  x$Names[counter]
48                    else          doc <- readerControl$reader(elem, readerControl$language, id)
49                        load <- TRUE          filehash::dbInsert(db, ID(doc), doc)
50                    tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))          if (x$Length > 0) tdl[[counter]] <- ID(doc)
51            else tdl <- c(tdl, ID(doc))
52                    counter <- counter + 1                    counter <- counter + 1
53                }                }
54        if (!is.null(x$Names) && !is.na(x$Names))
55            names(tdl) <- x$Names
56    
57                return(new("TextDocCol", .Data = tdl))      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
58            })      filehash::dbInsert(db, "DMetaData", df)
59        dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
 setGeneric("DirSource", function(directory, load = FALSE) standardGeneric("DirSource"))  
 setMethod("DirSource",  
           signature(directory = "character"),  
           function(directory, load = FALSE) {  
               new("DirSource", LoDSupport = TRUE, FileList = dir(directory, full.names = TRUE),  
                   Position = 0, Load = load)  
           })  
   
 setGeneric("CSVSource", function(object, isConCall = FALSE) standardGeneric("CSVSource"))  
 setMethod("CSVSource",  
           signature(object = "character"),  
           function(object, isConCall = FALSE) {  
               if (!isConCall)  
                   object <- paste('file("', object, '")', sep = "")  
               con <- eval(parse(text = object))  
               content <- scan(con, what = "character")  
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("ReutersSource", function(object, isConCall = FALSE) standardGeneric("ReutersSource"))  
 setMethod("ReutersSource",  
           signature(object = "character"),  
           function(object, isConCall = FALSE) {  
               if (!isConCall)  
                  object <- paste('file("', object, '")', sep = "")  
               con <- eval(parse(text = object))  
               corpus <- paste(readLines(con), "\n", collapse = "")  
               close(con)  
               tree <- xmlTreeParse(corpus, asText = TRUE)  
               content <- xmlRoot(tree)$children  
   
               new("ReutersSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("step_next", function(object) standardGeneric("step_next"))  
 setMethod("step_next",  
           signature(object = "DirSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           signature(object = "CSVSource"),  
           function(object) {  
               object@Position <- object@Position + 1  
               object  
           })  
 setMethod("step_next",  
           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)  
               else  
                   return(FALSE)  
           })  
60    
61  plaintext_parser <- function(...) {      .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
     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 = "")  
         }  
         else {  
             doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
62          }          }
63    
64          return(doc)  .VCorpus <-
65    function(x, cmeta, dmeta)
66    {
67        attr(x, "CMetaData") <- cmeta
68        attr(x, "DMetaData") <- dmeta
69        class(x) <- c("VCorpus", "Corpus", "list")
70        x
71      }      }
 }  
 class(plaintext_parser) <- "function_generator"  
72    
73  reut21578xml_parser <- function(...) {  VCorpus <-
74      function(elem, lodsupport, load, id) {  Corpus <-
75          corpus <- paste(elem$content, "\n", collapse = "")  function(x, readerControl = list(reader = x$DefaultReader, language = "en"))
76          tree <- xmlTreeParse(corpus, asText = TRUE)  {
77          node <- xmlRoot(tree)      readerControl <- prepareReader(readerControl, x$DefaultReader)
78    
79          # Mask as list to bypass S4 checks      if (is.function(readerControl$init))
80          class(tree) <- "list"          readerControl$init()
81    
82          # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!      if (is.function(readerControl$exit))
83          if (!is.null(node[["TEXT"]][["AUTHOR"]]))          on.exit(readerControl$exit())
             author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
         else  
             author <- ""  
84    
85          datetimestamp <- xmlValue(node[["DATE"]])      # Allocate memory in advance if length is known
86          description <- ""      tdl <- if (x$Length > 0)
87          id <- xmlAttrs(node)[["NEWID"]]          vector("list", as.integer(x$Length))
   
         # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["TITLE"]]))  
             heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
88          else          else
89              heading <- ""          list()
90    
91          topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (x$Vectorized)
92            tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
93          if (!lodsupport || (lodsupport && load)) {                        pGetElem(x),
94              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,                        id = if (is.null(x$Names) || is.na(x$Names)) as.character(seq_len(x$Length)) else x$Names,
95                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",                        SIMPLIFY = FALSE)
96                         Heading = heading, LocalMetaData = list(Topics = topics))      else {
97          } else {          counter <- 1
98              doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,          while (!eoi(x)) {
99                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",              x <- stepNext(x)
100                         Heading = heading, LocalMetaData = list(Topics = topics))              elem <- getElem(x)
101          }              id <- if (is.null(x$Names) || is.na(x$Names))
102                    as.character(counter)
103          return(doc)              else
104      }                  x$Names[counter]
105                doc <- readerControl$reader(elem, readerControl$language, id)
106                if (x$Length > 0)
107                    tdl[[counter]] <- doc
108                else
109                    tdl <- c(tdl, list(doc))
110                counter <- counter + 1
111  }  }
 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"]])  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
112          }          }
113        if (!is.null(x$Names) && !is.na(x$Names))
114          return(doc)          names(tdl) <- x$Names
115        df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
116        .VCorpus(tdl, .MetaDataNode(), df)
117    }
118    
119    `[.PCorpus` <-
120    function(x, i)
121    {
122        if (missing(i)) return(x)
123        index <- attr(x, "DMetaData")[[1 , "subset"]]
124        attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
125        dmeta <- attr(x, "DMetaData")
126        .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
127    }
128    
129    `[.VCorpus` <-
130    function(x, i)
131    {
132        if (missing(i)) return(x)
133        .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
134    }
135    
136    `[<-.PCorpus` <-
137    function(x, i, value)
138    {
139        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
140        counter <- 1
141        for (id in unclass(x)[i]) {
142            if (identical(length(value), 1L)) db[[id]] <- value
143            else db[[id]] <- value[[counter]]
144            counter <- counter + 1
145      }      }
146        x
147  }  }
 class(rcv1_parser) <- "function_generator"  
   
 newsgroup_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         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))  
148    
149          if (!lodsupport || (lodsupport && load)) {  .map_name_index <-
150              # The header is separated from the body by a blank line.  function(x, i)
151              # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}  {
152              for (index in seq(along = mail)) {      if (is.character(i)) {
153                  if (mail[index] == "")          if (is.null(names(x)))
154                      break              match(i, meta(x, "ID", type = "local"))
155              }          else
156              content <- mail[(index + 1):length(mail)]              match(i, names(x))
157        }
158        i
159    }
160    
161    `[[.PCorpus` <-
162    function(x, i)
163    {
164        i <- .map_name_index(x, i)
165        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
166        filehash::dbFetch(db, NextMethod("[["))
167    }
168    `[[.VCorpus` <-
169    function(x, i)
170    {
171        i <- .map_name_index(x, i)
172        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
173        if (!is.null(lazyTmMap))
174            .Call("copyCorpus", x, materialize(x, i))
175        NextMethod("[[")
176    }
177    
178    `[[<-.PCorpus` <-
179    function(x, i, value)
180    {
181        i <- .map_name_index(x, i)
182        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
183        index <- unclass(x)[[i]]
184        db[[index]] <- value
185        x
186    }
187    `[[<-.VCorpus` <-
188    function(x, i, value)
189    {
190        i <- .map_name_index(x, i)
191        # Mark new objects as not active for lazy mapping
192        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
193        if (!is.null(lazyTmMap)) {
194            lazyTmMap$index[i] <- FALSE
195            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
196        }
197        # Set the value
198        cl <- class(x)
199        y <- NextMethod("[[<-")
200        class(y) <- cl
201        y
202    }
203    
204    # Update NodeIDs of a CMetaData tree
205    .update_id <-
206    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
207    {
208        # Traversal of (binary) CMetaData tree with setup of NodeIDs
209        set_id <- function(x) {
210            x$NodeID <- id
211            id <<- id + 1
212            level <<- level + 1
213            if (length(x$Children) > 0) {
214                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
215                left <- set_id(x$Children[[1]])
216                if (level == 1) {
217                    left.mapping <<- mapping
218                    mapping <<- NULL
219                }
220                mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
221                right <- set_id(x$Children[[2]])
222    
223                x$Children <- list(left, right)
224            }
225            level <<- level - 1
226            x
227        }
228        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
229    }
230    
231    # Find indices to be updated for a CMetaData tree
232    .find_indices <-
233    function(x)
234    {
235        indices.mapping <- NULL
236        for (m in levels(as.factor(DMetaData(x)$MetaID))) {
237            indices <- (DMetaData(x)$MetaID == m)
238            indices.mapping <- c(indices.mapping, list(m = indices))
239            names(indices.mapping)[length(indices.mapping)] <- m
240        }
241        indices.mapping
242    }
243    
244    c2 <-
245    function(x, y, ...)
246    {
247        # Update the CMetaData tree
248        cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
249        update.struct <- .update_id(cmeta)
250    
251        new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
252    
253        # Find indices to be updated for the left tree
254        indices.mapping <- .find_indices(x)
255    
256        # Update the DMetaData data frames for the left tree
257        for (i in 1:ncol(update.struct$left.mapping)) {
258            map <- update.struct$left.mapping[,i]
259            DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
260        }
261    
262        # Find indices to be updated for the right tree
263        indices.mapping <- .find_indices(y)
264    
265        # Update the DMetaData data frames for the right tree
266        for (i in 1:ncol(update.struct$right.mapping)) {
267            map <- update.struct$right.mapping[,i]
268            DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
269        }
270    
271        # Merge the DMetaData data frames
272        labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
273        na.matrix <- matrix(NA,
274                            nrow = nrow(DMetaData(x)),
275                            ncol = length(labels),
276                            dimnames = list(row.names(DMetaData(x)), labels))
277        x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
278        labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
279        na.matrix <- matrix(NA,
280                            nrow = nrow(DMetaData(y)),
281                            ncol = length(labels),
282                            dimnames = list(row.names(DMetaData(y)), labels))
283        y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
284        DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
285    
286        new
287    }
288    
289    c.Corpus <-
290    function(..., recursive = FALSE)
291    {
292        args <- list(...)
293        x <- args[[1L]]
294    
295              doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,      if(length(args) == 1L)
296                         Author = author, DateTimeStamp = datetimestamp,          return(x)
                        Description = "", ID = id, Origin = origin,  
                        Heading = heading, Newsgroup = newsgroup)  
         } else {  
             doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
         }  
297    
298          return(doc)      if (!all(unlist(lapply(args, inherits, class(x)))))
299      }          stop("not all arguments are of the same corpus type")
 }  
 class(newsgroup_parser) <- "function_generator"  
300    
301  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file      if (inherits(x, "PCorpus"))
302  rcv1_to_plain <- function(node, ...) {          stop("concatenation of corpora with underlying databases is not supported")
     datetimestamp <- xmlAttrs(node)[["date"]]  
     id <- xmlAttrs(node)[["itemid"]]  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
     heading <- xmlValue(node[["title"]])  
303    
304      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,      if (recursive)
305          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)          Reduce(c2, args)
306        else {
307            args <- do.call("c", lapply(args, unclass))
308            .VCorpus(args,
309                     cmeta = .MetaDataNode(),
310                     dmeta = data.frame(MetaID = rep(0, length(args)),
311                                        stringsAsFactors = FALSE))
312  }  }
   
 # 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))  
313  }  }
314    
315  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  c.TextDocument <-
316  setMethod("load_doc",  function(..., recursive = FALSE)
317            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){  
318                args <- list(...)                args <- list(...)
319                if(length(args) == 0)      x <- args[[1L]]
320    
321        if(length(args) == 1L)
322                    return(x)                    return(x)
               return(new("TextDocCol", .Data = list(x, ...)))  
     })  
323    
324  setMethod("length",      if (!all(unlist(lapply(args, inherits, class(x)))))
325            signature(x = "TextDocCol"),          stop("not all arguments are text documents")
           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")  
     })  
326    
327  setMethod("summary",      dmeta <- data.frame(MetaID = rep(0, length(args)),
328            signature(object = "TextDocCol"),                          stringsAsFactors = FALSE)
329            function(object){      .VCorpus(args, .MetaDataNode(), dmeta)
330                show(object)  }
331                if (length(GlobalMetaData(object)) > 0) {  
332                    cat("\nThe global metadata consists of", length(GlobalMetaData(object)), "tag-value pair")  print.Corpus <-
333                    if (length(GlobalMetaData(object)) == 1)  function(x, ...)
334                        cat(".\n")  {
335                    else      cat(sprintf(ngettext(length(x),
336                        cat("s.\n")                           "A corpus with %d text document\n",
337                             "A corpus with %d text documents\n"),
338                    length(x)))
339        invisible(x)
340    }
341    
342    summary.Corpus <-
343    function(object, ...)
344    {
345        print(object)
346        if (length(DMetaData(object)) > 0) {
347            cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
348                                 "\nThe metadata consists of %d tag-value pair and a data frame\n",
349                                 "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
350                        length(CMetaData(object)$MetaData)))
351                    cat("Available tags are:\n")                    cat("Available tags are:\n")
352                    cat(names(GlobalMetaData(object)), "\n")          cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
353            cat("Available variables in the data frame are:\n")
354            cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
355        }
356                }                }
     })  
357    
358  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <-
359  setMethod("inspect",  function(x)
360            signature("TextDocCol"),      UseMethod("inspect", x)
361            function(object) {  inspect.PCorpus <-
362                summary(object)  function(x)
363    {
364        summary(x)
365        cat("\n")
366        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
367        show(filehash::dbMultiFetch(db, unlist(x)))
368    }
369    inspect.VCorpus <-
370    function(x)
371    {
372        summary(x)
373                cat("\n")                cat("\n")
374                show(as(object, "list"))      print(noquote(lapply(x, identity)))
375            })  }
376    
377  # No metadata is checked  lapply.PCorpus <-
378  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  function(X, FUN, ...)
379  setMethod("%IN%",  {
380            signature(x = "TextDocument", y = "TextDocCol"),      db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
381            function(x, y) {      lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
382                x %in% y  }
383            })  lapply.VCorpus <-
384    function(X, FUN, ...)
385    {
386        lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
387        if (!is.null(lazyTmMap))
388            .Call("copyCorpus", X, materialize(X))
389        base::lapply(X, FUN, ...)
390    }
391    
392    writeCorpus <-
393    function(x, path = ".", filenames = NULL)
394    {
395        filenames <- file.path(path,
396                               if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
397                               else filenames)
398        i <- 1
399        for (o in x) {
400            writeLines(as.PlainTextDocument(o), filenames[i])
401            i <- i + 1
402        }
403    }

Legend:
Removed from v.66  
changed lines
  Added in v.1261

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