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 1311, Thu Mar 27 14:15:08 2014 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, meta, dmeta, dbcontrol)
5  setMethod("TextDocCol",      structure(list(content = as.list(x), meta = meta, dmeta = dmeta,
6            signature(object = "Source"),                     dbcontrol = dbcontrol),
7            function(object, parser = plaintext_parser) {                class = c("PCorpus", "Corpus"))
8                if (inherits(parser, "function_generator"))  
9                    parser <- parser(...)  PCorpus <-
10    function(x,
11             readerControl = list(reader = x$defaultreader, language = "en"),
12             dbControl = list(dbName = "", dbType = "DB1"))
13    {
14        stopifnot(inherits(x, "Source"))
15    
16        readerControl <- prepareReader(readerControl, x$defaultreader)
17    
18        if (is.function(readerControl$init))
19            readerControl$init()
20    
21        if (is.function(readerControl$exit))
22            on.exit(readerControl$exit())
23    
24        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
25            stop("error in creating database")
26        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
27    
28        # Allocate memory in advance if length is known
29        tdl <- if (x$length > 0)
30            vector("list", as.integer(x$length))
31        else
32            list()
33    
               tdl <- list()  
34                counter <- 1                counter <- 1
35                while (!eoi(object)) {      while (!eoi(x)) {
36                    object <- step_next(object)          x <- stepNext(x)
37                    elem <- get_elem(object)          elem <- getElem(x)
38                    # If there is no Load on Demand support          id <- if (is.null(x$names) || is.na(x$names))
39                    # we need to load the corpus into memory at startup              as.character(counter)
40                    if (object@LoDSupport)          else
41                        load <- object@Load              x$names[counter]
42                    else          doc <- readerControl$reader(elem, readerControl$language, id)
43                        load <- TRUE          filehash::dbInsert(db, meta(doc, "id"), doc)
44                    tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
45            else tdl <- c(tdl, meta(doc, "id"))
46                    counter <- counter + 1                    counter <- counter + 1
47                }                }
48        if (!is.null(x$names) && !is.na(x$names))
49            names(tdl) <- x$names
50    
51                return(new("TextDocCol", .Data = tdl))      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
52            })      filehash::dbInsert(db, "CorpusDMeta", df)
53        dmeta.df <- data.frame(key = "CorpusDMeta", 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)  
           })  
   
 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 = "")  
         }  
         else {  
             doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,  
                        Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")  
         }  
54    
55          return(doc)      .PCorpus(tdl, CorpusMeta(), dmeta.df, dbControl)
     }  
56  }  }
 class(plaintext_parser) <- "function_generator"  
57    
58  reut21578xml_parser <- function(...) {  .VCorpus <-
59      function(elem, lodsupport, load, id) {  function(x, meta, dmeta)
60          corpus <- paste(elem$content, "\n", collapse = "")      structure(list(content = as.list(x), meta = meta, dmeta = dmeta),
61          tree <- xmlTreeParse(corpus, asText = TRUE)                class = c("VCorpus", "Corpus"))
         node <- xmlRoot(tree)  
62    
63          # Mask as list to bypass S4 checks  VCorpus <-
64          class(tree) <- "list"  Corpus <-
65    function(x, readerControl = list(reader = x$defaultreader, language = "en"))
66    {
67        stopifnot(inherits(x, "Source"))
68    
69          # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!      readerControl <- prepareReader(readerControl, x$defaultreader)
         if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
             author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
         else  
             author <- ""  
70    
71          datetimestamp <- xmlValue(node[["DATE"]])      if (is.function(readerControl$init))
72          description <- ""          readerControl$init()
         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 <- ""  
73    
74          topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (is.function(readerControl$exit))
75            on.exit(readerControl$exit())
76    
77          if (!lodsupport || (lodsupport && load)) {      # Allocate memory in advance if length is known
78              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,      tdl <- if (x$length > 0)
79                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",          vector("list", as.integer(x$length))
80                         Heading = heading, LocalMetaData = list(Topics = topics))      else
81          } else {          list()
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         }  
82    
83          return(doc)      if (x$vectorized)
84            tdl <- mapply(function(elem, id)
85                              readerControl$reader(elem, readerControl$language, id),
86                          pGetElem(x),
87                          id = if (is.null(x$names) || is.na(x$names))
88                              as.character(seq_len(x$length))
89                          else x$names,
90                          SIMPLIFY = FALSE)
91        else {
92            counter <- 1
93            while (!eoi(x)) {
94                x <- stepNext(x)
95                elem <- getElem(x)
96                id <- if (is.null(x$names) || is.na(x$names))
97                    as.character(counter)
98                else
99                    x$names[counter]
100                doc <- readerControl$reader(elem, readerControl$language, id)
101                if (x$length > 0)
102                    tdl[[counter]] <- doc
103                else
104                    tdl <- c(tdl, list(doc))
105                counter <- counter + 1
106      }      }
107  }  }
108  class(reut21578xml_parser) <- "function_generator"      if (!is.null(x$names) && !is.na(x$names))
109            names(tdl) <- x$names
110  rcv1_parser <- function(...) {      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
111      function(elem, lodsupport, load, id) {      .VCorpus(tdl, CorpusMeta(), df)
         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    
114          return(doc)  `[.PCorpus` <-
115    function(x, i)
116    {
117        if (!missing(i)) {
118            x$content <- x$content[i]
119            index <- x$dmeta[[1 , "subset"]]
120            x$dmeta[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
121      }      }
122        x
123  }  }
 class(rcv1_parser) <- "function_generator"  
   
 newsgroup_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         mail <- elem$content  
         author <- gsub("From: ", "", grep("^From:", mail, value = TRUE))  
         datetimestamp <- gsub("Date: ", "", grep("^Date:", mail, value = TRUE))  
         origin <- gsub("Path: ", "", grep("^Path:", mail, value = TRUE))  
         heading <- gsub("Subject: ", "", grep("^Subject:", mail, value = TRUE))  
         newsgroup <- gsub("Newsgroups: ", "", grep("^Newsgroups:", mail, value = TRUE))  
124    
125          if (!lodsupport || (lodsupport && load)) {  `[.VCorpus` <-
126              # The header is separated from the body by a blank line.  function(x, i)
127              # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}  {
128              for (index in seq(along = mail)) {      if (!missing(i)) {
129                  if (mail[index] == "")          x$content <- x$content[i]
130                      break          x$dmeta <- x$dmeta[i, , drop = FALSE]
131              }              }
132              content <- mail[(index + 1):length(mail)]      x
   
             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)  
133          }          }
134    
135          return(doc)  `[<-.PCorpus` <-
136    function(x, i, value)
137    {
138        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
139        counter <- 1
140        for (id in x$content[i]) {
141            db[[id]] <- if (identical(length(value), 1L))
142                value
143            else
144                value[[counter]]
145            counter <- counter + 1
146      }      }
147        x
148  }  }
 class(newsgroup_parser) <- "function_generator"  
149    
150  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  .map_name_index <-
151  rcv1_to_plain <- function(node, ...) {  function(x, i)
152      datetimestamp <- xmlAttrs(node)[["date"]]  {
153      id <- xmlAttrs(node)[["itemid"]]      if (is.character(i))
154      origin <- "Reuters Corpus Volume 1 XML"          match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
155      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)      else
156      heading <- xmlValue(node[["title"]])          i
157    }
158    
159    `[[.PCorpus` <-
160    function(x, i)
161    {
162        i <- .map_name_index(x, i)
163        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
164        filehash::dbFetch(db, x$content[[i]])
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        x$content[[i]]
174    }
175    
176    `[[<-.PCorpus` <-
177    function(x, i, value)
178    {
179        i <- .map_name_index(x, i)
180        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
181        db[[x$content[[i]]]] <- value
182        x
183    }
184    `[[<-.VCorpus` <-
185    function(x, i, value)
186    {
187        i <- .map_name_index(x, i)
188        # Mark new objects as not active for lazy mapping
189        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
190        if (!is.null(lazyTmMap)) {
191            lazyTmMap$index[i] <- FALSE
192            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
193        }
194        x$content[[i]] <- value
195        x
196    }
197    
198    # Update NodeIDs of a CMetaData tree
199    .update_id <-
200    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
201    {
202        # Traversal of (binary) CMetaData tree with setup of NodeIDs
203        set_id <- function(x) {
204            x$NodeID <- id
205            id <<- id + 1
206            level <<- level + 1
207            if (length(x$Children)) {
208                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
209                left <- set_id(x$Children[[1]])
210                if (level == 1) {
211                    left.mapping <<- mapping
212                    mapping <<- NULL
213                }
214                mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
215                right <- set_id(x$Children[[2]])
216    
217                x$Children <- list(left, right)
218            }
219            level <<- level - 1
220            x
221        }
222        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
223    }
224    
225    # Find indices to be updated for a CMetaData tree
226    .find_indices <-
227    function(x)
228    {
229        indices.mapping <- NULL
230        for (m in levels(as.factor(CorpusDMeta(x)$MetaID))) {
231            indices <- (CorpusDMeta(x)$MetaID == m)
232            indices.mapping <- c(indices.mapping, list(m = indices))
233            names(indices.mapping)[length(indices.mapping)] <- m
234        }
235        indices.mapping
236    }
237    
238    #c2 <-
239    #function(x, y, ...)
240    #{
241    #    # Update the CMetaData tree
242    #    cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
243    #    update.struct <- .update_id(cmeta)
244    #
245    #    new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
246    #
247    #    # Find indices to be updated for the left tree
248    #    indices.mapping <- .find_indices(x)
249    #
250    #    # Update the CorpusDMeta data frames for the left tree
251    #    for (i in 1:ncol(update.struct$left.mapping)) {
252    #        map <- update.struct$left.mapping[,i]
253    #        DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
254    #    }
255    #
256    #    # Find indices to be updated for the right tree
257    #    indices.mapping <- .find_indices(y)
258    #
259    #    # Update the CorpusDMeta data frames for the right tree
260    #    for (i in 1:ncol(update.struct$right.mapping)) {
261    #        map <- update.struct$right.mapping[,i]
262    #        DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
263    #    }
264    #
265    #    # Merge the CorpusDMeta data frames
266    #    labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
267    #    na.matrix <- matrix(NA,
268    #                        nrow = nrow(DMetaData(x)),
269    #                        ncol = length(labels),
270    #                        dimnames = list(row.names(DMetaData(x)), labels))
271    #    x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
272    #    labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
273    #    na.matrix <- matrix(NA,
274    #                        nrow = nrow(DMetaData(y)),
275    #                        ncol = length(labels),
276    #                        dimnames = list(row.names(DMetaData(y)), labels))
277    #    y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
278    #    DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
279    #
280    #    new
281    #}
282    
283    c.Corpus <-
284    function(..., recursive = FALSE)
285    {
286        args <- list(...)
287        x <- args[[1L]]
288    
289      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,      if(length(args) == 1L)
290          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)          return(x)
 }  
291    
292  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file      if (!all(unlist(lapply(args, inherits, class(x)))))
293  reut21578xml_to_plain <- function(node, ...) {          stop("not all arguments are of the same corpus type")
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
294    
295      datetimestamp <- xmlValue(node[["DATE"]])      if (inherits(x, "PCorpus"))
296      description <- ""          stop("concatenation of corpora with underlying databases is not supported")
     id <- xmlAttrs(node)[["NEWID"]]  
297    
298      origin <- "Reuters-21578 XML"      if (recursive)
299            Reduce(c2, args)
300        else {
301            args <- do.call("c", lapply(args, content))
302            .VCorpus(args,
303                     CorpusMeta(),
304                     data.frame(MetaID = rep(0, length(args)),
305                                stringsAsFactors = FALSE))
306        }
307    }
308    
309      # The <BODY></BODY> tag is unfortunately NOT obligatory!  c.TextDocument <-
310      if (!is.null(node[["TEXT"]][["BODY"]]))  function(..., recursive = FALSE)
311          corpus <- xmlValue(node[["TEXT"]][["BODY"]])  {
312      else      args <- list(...)
313          corpus <- ""      x <- args[[1L]]
314    
315      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      if(length(args) == 1L)
316      if (!is.null(node[["TEXT"]][["TITLE"]]))          return(x)
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
317    
318      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
319            stop("not all arguments are text documents")
320    
321      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = author, DateTimeStamp = datetimestamp,      .VCorpus(args,
322          Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))               CorpusMeta(),
323                 data.frame(MetaID = rep(0, length(args)),
324                            stringsAsFactors = FALSE))
325    }
326    
327    content.Corpus <-
328    function(x)
329        x$content
330    
331    `content<-.Corpus` <-
332    function(x, value)
333    {
334        x$content <- value
335        x
336    }
337    
338    length.Corpus <-
339    function(x)
340        length(content(x))
341    
342    print.Corpus <-
343    function(x, ...)
344    {
345        cat(sprintf(ngettext(length(x),
346                             "A corpus with %d text document\n\n",
347                             "A corpus with %d text documents\n\n"),
348                    length(x)))
349    
350        meta <- meta(x, type = "corpus")$value
351        dmeta <- meta(x, type = "indexed")
352    
353        cat("Metadata:\n")
354        cat(sprintf("  Tag-value pairs. Tags: %s\n",
355                    paste(names(meta), collapse = " ")))
356        cat("  Data frame. Variables:", colnames(dmeta), "\n")
357    
358        invisible(x)
359    }
360    
361    inspect <-
362    function(x)
363        UseMethod("inspect", x)
364    inspect.PCorpus <-
365    function(x)
366    {
367        print(x)
368        cat("\n")
369        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
370        show(filehash::dbMultiFetch(db, unlist(content(x))))
371        invisible(x)
372    }
373    inspect.VCorpus <-
374    function(x)
375    {
376        print(x)
377        cat("\n")
378        print(noquote(content(x)))
379        invisible(x)
380  }  }
381    
382  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  lapply.PCorpus <-
383  setMethod("load_doc",  function(X, FUN, ...)
384            signature(object = "PlainTextDocument"),  {
385            function(object, ...) {      db <- filehash::dbInit(X$dbcontrol[["dbName"]], X$dbcontrol[["dbType"]])
386                if (!Cached(object)) {      lapply(filehash::dbMultiFetch(db, unlist(content(X))), FUN, ...)
387                    con <- eval(parse(text = URI(object)))  }
388                    corpus <- readLines(con)  lapply.VCorpus <-
389                    close(con)  function(X, FUN, ...)
390                    Corpus(object) <- corpus  {
391                    Cached(object) <- TRUE      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
392                    return(object)      if (!is.null(lazyTmMap))
393                } else {          .Call("copyCorpus", X, materialize(X))
394                    return(object)      lapply(content(X), FUN, ...)
395                }  }
396            })  
397  setMethod("load_doc",  writeCorpus <-
398            signature(object =  "XMLTextDocument"),  function(x, path = ".", filenames = NULL)
399            function(object, ...) {  {
400                if (!Cached(object)) {      filenames <- file.path(path,
401                    con <- eval(parse(text = URI(object)))        if (is.null(filenames))
402                    corpus <- paste(readLines(con), "\n", collapse = "")            sprintf("%s.txt", as.character(meta(x, "id", "local")))
403                    close(con)        else filenames)
                   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)  
404    
405                object <- x      stopifnot(length(x) == length(filenames))
               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, ...)))  
     })  
406    
407  setMethod("length",      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
           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"))  
           })  
408    
409  # No metadata is checked      invisible(x)
410  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.1311

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