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 1313, Sun Mar 30 09:28:00 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,
5  setMethod("TextDocCol",           readerControl = list(reader = x$defaultreader, language = "en"),
6            signature(object = "Source"),           dbControl = list(dbName = "", dbType = "DB1"))
7            function(object, parser = plaintext_parser) {  {
8                if (inherits(parser, "function_generator"))      stopifnot(inherits(x, "Source"))
9                    parser <- parser(...)  
10        readerControl <- prepareReader(readerControl, x$defaultreader)
11    
12        if (is.function(readerControl$init))
13            readerControl$init()
14    
15        if (is.function(readerControl$exit))
16            on.exit(readerControl$exit())
17    
18        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
19            stop("error in creating database")
20        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
21    
22        # Allocate memory in advance if length is known
23        tdl <- if (x$length > 0)
24            vector("list", as.integer(x$length))
25        else
26            list()
27    
               tdl <- list()  
28                counter <- 1                counter <- 1
29                while (!eoi(object)) {      while (!eoi(x)) {
30                    object <- step_next(object)          x <- stepNext(x)
31                    elem <- get_elem(object)          elem <- getElem(x)
32                    # If there is no Load on Demand support          id <- if (is.null(x$names) || is.na(x$names))
33                    # we need to load the corpus into memory at startup              as.character(counter)
34                    if (object@LoDSupport)          else
35                        load <- object@Load              x$names[counter]
36                    else          doc <- readerControl$reader(elem, readerControl$language, id)
37                        load <- TRUE          filehash::dbInsert(db, meta(doc, "id"), doc)
38                    tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))          if (x$length > 0) tdl[[counter]] <- meta(doc, "id")
39            else tdl <- c(tdl, meta(doc, "id"))
40                    counter <- counter + 1                    counter <- counter + 1
41                }                }
42        if (!is.null(x$names) && !is.na(x$names))
43            names(tdl) <- x$names
44    
45                return(new("TextDocCol", .Data = tdl))      structure(list(content = tdl,
46            })                     meta = CorpusMeta(),
47                       dmeta = data.frame(row.names = seq_along(tdl)),
48  setGeneric("DirSource", function(directory, load = FALSE) standardGeneric("DirSource"))                     dbcontrol = dbControl),
49  setMethod("DirSource",                class = c("PCorpus", "Corpus"))
50            signature(directory = "character"),  }
51            function(directory, load = FALSE) {  
52                new("DirSource", LoDSupport = TRUE, FileList = dir(directory, full.names = TRUE),  VCorpus <- Corpus <-
53                    Position = 0, Load = load)  function(x, readerControl = list(reader = x$defaultreader, language = "en"))
54            })  {
55        stopifnot(inherits(x, "Source"))
56  setGeneric("CSVSource", function(object, isConCall = FALSE) standardGeneric("CSVSource"))  
57  setMethod("CSVSource",      readerControl <- prepareReader(readerControl, x$defaultreader)
58            signature(object = "character"),  
59            function(object, isConCall = FALSE) {      if (is.function(readerControl$init))
60                if (!isConCall)          readerControl$init()
61                    object <- paste('file("', object, '")', sep = "")  
62                con <- eval(parse(text = object))      if (is.function(readerControl$exit))
63                content <- scan(con, what = "character")          on.exit(readerControl$exit())
64                close(con)  
65                new("CSVSource", LoDSupport = FALSE, URI = object,      # Allocate memory in advance if length is known
66                    Content = content, Position = 0)      tdl <- if (x$length > 0)
67            })          vector("list", as.integer(x$length))
68        else
69  setGeneric("ReutersSource", function(object, isConCall = FALSE) standardGeneric("ReutersSource"))          list()
70  setMethod("ReutersSource",  
71            signature(object = "character"),      if (x$vectorized)
72            function(object, isConCall = FALSE) {          tdl <- mapply(function(elem, id)
73                if (!isConCall)                            readerControl$reader(elem, readerControl$language, id),
74                   object <- paste('file("', object, '")', sep = "")                        pGetElem(x),
75                con <- eval(parse(text = object))                        id = if (is.null(x$names) || is.na(x$names))
76                corpus <- paste(readLines(con), "\n", collapse = "")                            as.character(seq_len(x$length))
77                close(con)                        else x$names,
78                tree <- xmlTreeParse(corpus, asText = TRUE)                        SIMPLIFY = FALSE)
               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 = "")  
         }  
79          else {          else {
80              doc <- new("PlainTextDocument", URI = elem$uri, Cached = FALSE,          counter <- 1
81                         Author = "", DateTimeStamp = date(), Description = "", ID = id, Origin = "", Heading = "")          while (!eoi(x)) {
82          }              x <- stepNext(x)
83                elem <- getElem(x)
84          return(doc)              id <- if (is.null(x$names) || is.na(x$names))
85      }                  as.character(counter)
86  }              else
87  class(plaintext_parser) <- "function_generator"                  x$names[counter]
88                doc <- readerControl$reader(elem, readerControl$language, id)
89  reut21578xml_parser <- function(...) {              if (x$length > 0)
90      function(elem, lodsupport, load, id) {                  tdl[[counter]] <- doc
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         # 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"]]  
   
         # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
         if (!is.null(node[["TEXT"]][["TITLE"]]))  
             heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
91          else          else
92              heading <- ""                  tdl <- c(tdl, list(doc))
93                counter <- counter + 1
         topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = author,  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters-21578 XML",  
                        Heading = heading, LocalMetaData = list(Topics = topics))  
         }  
   
         return(doc)  
94      }      }
95  }  }
96  class(reut21578xml_parser) <- "function_generator"      if (!is.null(x$names) && !is.na(x$names))
97            names(tdl) <- x$names
98    
99  rcv1_parser <- function(...) {      structure(list(content = tdl,
100      function(elem, lodsupport, load, id) {                     meta = CorpusMeta(),
101          corpus <- paste(elem$content, "\n", collapse = "")                     dmeta = data.frame(row.names = seq_along(tdl))),
102          tree <- xmlTreeParse(corpus, asText = TRUE)                class = c("VCorpus", "Corpus"))
103          node <- xmlRoot(tree)  }
104    
105    `[.PCorpus` <- `[.VCorpus` <-
106    function(x, i)
107    {
108        if (!missing(i)) {
109            x$content <- x$content[i]
110            x$dmeta <- x$dmeta[i, , drop = FALSE]
111        }
112        x
113    }
114    
115    .map_name_index <-
116    function(x, i)
117    {
118        if (is.character(i))
119            match(i, if (is.null(names(x))) meta(x, "id", "local") else names(x))
120        else
121            i
122    }
123    
124    `[[.PCorpus` <-
125    function(x, i)
126    {
127        i <- .map_name_index(x, i)
128        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
129        filehash::dbFetch(db, x$content[[i]])
130    }
131    `[[.VCorpus` <-
132    function(x, i)
133    {
134        i <- .map_name_index(x, i)
135        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
136        if (!is.null(lazyTmMap))
137            .Call("copyCorpus", x, materialize(x, i))
138        x$content[[i]]
139    }
140    
141    `[[<-.PCorpus` <-
142    function(x, i, value)
143    {
144        i <- .map_name_index(x, i)
145        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
146        db[[x$content[[i]]]] <- value
147        x
148    }
149    `[[<-.VCorpus` <-
150    function(x, i, value)
151    {
152        i <- .map_name_index(x, i)
153        # Mark new objects as not active for lazy mapping
154        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
155        if (!is.null(lazyTmMap)) {
156            lazyTmMap$index[i] <- FALSE
157            meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
158        }
159        x$content[[i]] <- value
160        x
161    }
162    
163    # Update NodeIDs of a CMetaData tree
164    .update_id <-
165    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
166    {
167        # Traversal of (binary) CMetaData tree with setup of NodeIDs
168        set_id <- function(x) {
169            x$NodeID <- id
170            id <<- id + 1
171            level <<- level + 1
172            if (length(x$Children)) {
173                mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
174                left <- set_id(x$Children[[1]])
175                if (level == 1) {
176                    left.mapping <<- mapping
177                    mapping <<- NULL
178                }
179                mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
180                right <- set_id(x$Children[[2]])
181    
182                x$Children <- list(left, right)
183            }
184            level <<- level - 1
185            x
186        }
187        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
188    }
189    
190    # Find indices to be updated for a CMetaData tree
191    .find_indices <-
192    function(x)
193    {
194        indices.mapping <- NULL
195        for (m in levels(as.factor(CorpusDMeta(x)$MetaID))) {
196            indices <- (CorpusDMeta(x)$MetaID == m)
197            indices.mapping <- c(indices.mapping, list(m = indices))
198            names(indices.mapping)[length(indices.mapping)] <- m
199        }
200        indices.mapping
201    }
202    
203    #c2 <-
204    #function(x, y, ...)
205    #{
206    #    # Update the CMetaData tree
207    #    cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
208    #    update.struct <- .update_id(cmeta)
209    #
210    #    new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
211    #
212    #    # Find indices to be updated for the left tree
213    #    indices.mapping <- .find_indices(x)
214    #
215    #    # Update the CorpusDMeta data frames for the left tree
216    #    for (i in 1:ncol(update.struct$left.mapping)) {
217    #        map <- update.struct$left.mapping[,i]
218    #        DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
219    #    }
220    #
221    #    # Find indices to be updated for the right tree
222    #    indices.mapping <- .find_indices(y)
223    #
224    #    # Update the CorpusDMeta data frames for the right tree
225    #    for (i in 1:ncol(update.struct$right.mapping)) {
226    #        map <- update.struct$right.mapping[,i]
227    #        DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
228    #    }
229    #
230    #    # Merge the CorpusDMeta data frames
231    #    labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
232    #    na.matrix <- matrix(NA,
233    #                        nrow = nrow(DMetaData(x)),
234    #                        ncol = length(labels),
235    #                        dimnames = list(row.names(DMetaData(x)), labels))
236    #    x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
237    #    labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
238    #    na.matrix <- matrix(NA,
239    #                        nrow = nrow(DMetaData(y)),
240    #                        ncol = length(labels),
241    #                        dimnames = list(row.names(DMetaData(y)), labels))
242    #    y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
243    #    DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
244    #
245    #    new
246    #}
247    
248    c.VCorpus <-
249    function(..., recursive = FALSE)
250    {
251        args <- list(...)
252        x <- args[[1L]]
253    
254          # Mask as list to bypass S4 checks      if (length(args) == 1L)
255          class(tree) <- "list"          return(x)
256    
257          datetimestamp <- xmlAttrs(node)[["date"]]      if (!all(unlist(lapply(args, inherits, class(x)))))
258          id <- xmlAttrs(node)[["itemid"]]          stop("not all arguments are of the same corpus type")
         heading <- xmlValue(node[["title"]])  
259    
260          if (!lodsupport || (lodsupport && load)) {      if (recursive)
261              doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",          Reduce(c2, args)
262                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",      else {
263                         Heading = heading)          args <- do.call("c", lapply(args, content))
264          } else {          structure(list(content = args,
265              doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",                         meta = CorpusMeta(),
266                         DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",                         dmeta = data.frame(row.names = seq_along(args))),
267                         Heading = heading)                    class = c("VCorpus", "Corpus"))
         }  
   
         return(doc)  
     }  
268  }  }
 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))  
   
         if (!lodsupport || (lodsupport && load)) {  
             # The header is separated from the body by a blank line.  
             # Reference: \url{http://en.wikipedia.org/wiki/E-mail#Internet_e-mail_format}  
             for (index in seq(along = mail)) {  
                 if (mail[index] == "")  
                     break  
269              }              }
             content <- mail[(index + 1):length(mail)]  
270    
271              doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,  c.TextDocument <-
272                         Author = author, DateTimeStamp = datetimestamp,  function(..., recursive = FALSE)
273                         Description = "", ID = id, Origin = origin,  {
274                         Heading = heading, Newsgroup = newsgroup)      args <- list(...)
275          } else {      x <- args[[1L]]
             doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
         }  
276    
277          return(doc)      if (length(args) == 1L)
278      }          return(x)
 }  
 class(newsgroup_parser) <- "function_generator"  
279    
280  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file      if (!all(unlist(lapply(args, inherits, class(x)))))
281  rcv1_to_plain <- function(node, ...) {          stop("not all arguments are text documents")
     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"]])  
282    
283      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,      structure(list(content = args,
284          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)                     meta = CorpusMeta(),
285                       dmeta = data.frame(row.names = seq_along(args))),
286                  class = c("VCorpus", "Corpus"))
287    }
288    
289    as.list.PCorpus <- as.list.VCorpus <-
290    function(x, ...)
291        content(x)
292    
293    content.VCorpus <-
294    function(x)
295    {
296        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
297        if (!is.null(lazyTmMap))
298            .Call("copyCorpus", x, materialize(x))
299        x$content
300    }
301    
302    content.PCorpus <-
303    function(x)
304    {
305        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
306        filehash::dbMultiFetch(db, unlist(x$content))
307    }
308    
309    length.PCorpus <- length.VCorpus <-
310    function(x)
311        length(x$content)
312    
313    print.PCorpus <- print.VCorpus <-
314    function(x, ...)
315    {
316        cat(sprintf(ngettext(length(x),
317                             "A corpus with %d text document\n\n",
318                             "A corpus with %d text documents\n\n"),
319                    length(x)))
320    
321        meta <- meta(x, type = "corpus")
322        dmeta <- meta(x, type = "indexed")
323    
324        cat("Metadata:\n")
325        cat(sprintf("  Tag-value pairs. Tags: %s\n",
326                    paste(names(meta), collapse = " ")))
327        cat("  Data frame. Variables:", colnames(dmeta), "\n")
328    
329        invisible(x)
330    }
331    
332    inspect <-
333    function(x)
334        UseMethod("inspect", x)
335    inspect.PCorpus <- inspect.VCorpus <-
336    function(x)
337    {
338        print(x)
339        cat("\n")
340        print(noquote(content(x)))
341        invisible(x)
342  }  }
343    
344  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  writeCorpus <-
345  reut21578xml_to_plain <- function(node, ...) {  function(x, path = ".", filenames = NULL)
346      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  {
347      if (!is.null(node[["TEXT"]][["AUTHOR"]]))      filenames <- file.path(path,
348          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])        if (is.null(filenames))
349      else            sprintf("%s.txt", as.character(meta(x, "id", "local")))
350          author <- ""        else filenames)
   
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- xmlAttrs(node)[["NEWID"]]  
351    
352      origin <- "Reuters-21578 XML"      stopifnot(length(x) == length(filenames))
353    
354      # The <BODY></BODY> tag is unfortunately NOT obligatory!      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
355    
356      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      invisible(x)
     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))  
357  }  }
   
 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.1313

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