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/tm/R/textdoccol.R revision 744, Mon Apr 23 00:35:10 2007 UTC pkg/R/corpus.R revision 1273, Sun Jan 5 08:42:02 2014 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator reader  .PCorpus <-
4  setGeneric("TextDocCol", function(object,  function(x, cmeta, dmeta, dbcontrol)
5                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),  {
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),      attr(x, "CMetaData") <- cmeta
7                                    ...) standardGeneric("TextDocCol"))      attr(x, "DMetaData") <- dmeta
8  setMethod("TextDocCol",      attr(x, "DBControl") <- dbcontrol
9            signature(object = "Source"),      class(x) <- c("PCorpus", "Corpus", "list")
10            function(object,      x
11                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),  }
12                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),  
13                     ...) {  DBControl <-
14                if (attr(readerControl$reader, "FunctionGenerator"))  function(x)
15                    readerControl$reader <- readerControl$reader(...)      attr(x, "DBControl")
16    
17    PCorpus <-
18    function(x,
19             readerControl = list(reader = x$DefaultReader, language = "en"),
20             dbControl = list(dbName = "", dbType = "DB1"))
21    {
22        stopifnot(inherits(x, "Source"))
23    
24        readerControl <- prepareReader(readerControl, x$DefaultReader)
25    
26                if (dbControl$useDb) {      if (is.function(readerControl$init))
27                    if (!dbCreate(dbControl$dbName, dbControl$dbType))          readerControl$init()
28    
29        if (is.function(readerControl$exit))
30            on.exit(readerControl$exit())
31    
32        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
33                        stop("error in creating database")                        stop("error in creating database")
34                    db <- dbInit(dbControl$dbName, dbControl$dbType)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
               }  
35    
36                tdl <- list()      # Allocate memory in advance if length is known
37                counter <- 1      tdl <- if (x$Length > 0)
38                while (!eoi(object)) {          vector("list", as.integer(x$Length))
                   object <- stepNext(object)  
                   elem <- getElem(object)  
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (!object@LoDSupport)  
                       readerControl$load <- TRUE  
                   doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))  
                   if (dbControl$useDb) {  
                       dbInsert(db, ID(doc), doc)  
                       tdl <- c(tdl, ID(doc))  
                   }  
39                    else                    else
40                        tdl <- c(tdl, list(doc))          list()
41    
42        counter <- 1
43        while (!eoi(x)) {
44            x <- stepNext(x)
45            elem <- getElem(x)
46            id <- if (is.null(x$Names) || is.na(x$Names))
47                    as.character(counter)
48                else
49                    x$Names[counter]
50            doc <- readerControl$reader(elem, readerControl$language, id)
51            filehash::dbInsert(db, ID(doc), doc)
52            if (x$Length > 0) tdl[[counter]] <- ID(doc)
53            else tdl <- c(tdl, ID(doc))
54                    counter <- counter + 1                    counter <- counter + 1
55                }                }
56        if (!is.null(x$Names) && !is.na(x$Names))
57            names(tdl) <- x$Names
58    
59                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
60                if (dbControl$useDb) {      filehash::dbInsert(db, "DMetaData", df)
                   dbInsert(db, "DMetaData", df)  
61                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
                   dbDisconnect(db)  
               }  
               else  
                   dmeta.df <- df  
62    
63                cmeta.node <- new("MetaDataNode",      .PCorpus(tdl, .MetaDataNode(), dmeta.df, dbControl)
                             NodeID = 0,  
                             MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))  
           })  
   
 setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  
 setMethod("loadDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   Corpus(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(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("loadDoc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(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("tmUpdate", function(object,  
                                 origin,  
                                 readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),  
                                 ...) standardGeneric("tmUpdate"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tmUpdate",  
           signature(object = "TextDocCol", origin = "DirSource"),  
           function(object, origin,  
                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),  
                    ...) {  
               if (inherits(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
   
               object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))  
               new.files <- setdiff(origin@FileList, object.filelist)  
   
               for (filename in new.files) {  
                   elem <- list(content = readLines(filename),  
                                uri = substitute(file(filename)))  
                   object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))  
               }  
   
               return(object)  
           })  
   
 setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))  
 setMethod("tmMap",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- object  
               # Note that text corpora are automatically loaded into memory via \code{[[}  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   i <- 1  
                   for (id in unlist(object)) {  
                       db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))  
                       i <- i + 1  
64                    }                    }
65                    dbDisconnect(db)  
66    .VCorpus <-
67    function(x, cmeta, dmeta)
68    {
69        attr(x, "CMetaData") <- cmeta
70        attr(x, "DMetaData") <- dmeta
71        class(x) <- c("VCorpus", "Corpus", "list")
72        x
73                }                }
               else  
                   result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
               return(result)  
           })  
   
 setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  
 setMethod("asPlain",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("asPlain",  
           signature(object = "XMLTextDocument", FUN = "function"),  
           function(object, FUN, ...) {  
               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), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "NewsgroupDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),  
                   DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),  
                   Origin = Origin(object), Heading = Heading(object), Language = Language(object))  
           })  
   
 setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))  
 setMethod("tmTolower",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
   
 setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))  
 setMethod("stripWhitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
   
 setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))  
 setMethod("stemDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, language = "english", ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- if (require("Rstem"))  
                   Rstem::wordStem(splittedCorpus, language)  
               else  
                   SnowballStemmer(splittedCorpus, Weka_control(S = language))  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))  
 setMethod("removePunctuation",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))  
               return(object)  
           })  
   
 setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))  
 setMethod("removeWords",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  
 setMethod("tmFilter",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = sFilter, doclevel = FALSE) {  
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
74    
75  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))  VCorpus <-
76  setMethod("tmIndex",  Corpus <-
77            signature(object = "TextDocCol"),  function(x, readerControl = list(reader = x$DefaultReader, language = "en"))
78            function(object, ..., FUN = sFilter, doclevel = FALSE) {  {
79                if (doclevel)      stopifnot(inherits(x, "Source"))
                   return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               else  
                   return(FUN(object, ...))  
           })  
80    
81  sFilter <- function(object, s, ...) {      readerControl <- prepareReader(readerControl, x$DefaultReader)
82      con <- textConnection(s)  
83      tokens <- scan(con, "character")      if (is.function(readerControl$init))
84      close(con)          readerControl$init()
85      localMetaNames <- unique(names(sapply(object, LocalMetaData)))  
86      localMetaTokens <- localMetaNames[localMetaNames %in% tokens]      if (is.function(readerControl$exit))
87      n <- names(DMetaData(object))          on.exit(readerControl$exit())
88      tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)  
89      query.df <- DMetaData(prescindMeta(object, tags))      # Allocate memory in advance if length is known
90      if (DBControl(object)[["useDb"]])      tdl <- if (x$Length > 0)
91          DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]          vector("list", as.integer(x$Length))
     # Rename to avoid name conflicts  
     names(query.df)[names(query.df) == "Author"] <- "author"  
     names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"  
     names(query.df)[names(query.df) == "Description"] <- "description"  
     names(query.df)[names(query.df) == "ID"] <- "identifier"  
     names(query.df)[names(query.df) == "Origin"] <- "origin"  
     names(query.df)[names(query.df) == "Heading"] <- "heading"  
     names(query.df)[names(query.df) == "Language"] <- "language"  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("searchFullText", function(object, pattern, ...) standardGeneric("searchFullText"))  
 setMethod("searchFullText",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  
 setMethod("appendElem",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   if (dbExists(db, ID(data)))  
                       warning("document with identical ID already exists")  
                   dbInsert(db, ID(data), data)  
                   dbDisconnect(db)  
                   object@.Data[[length(object)+1]] <- ID(data)  
               }  
92                else                else
93                    object@.Data[[length(object)+1]] <- data          list()
94                DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))  
95                return(object)      if (x$Vectorized)
96            })          tdl <- mapply(function(x, id) readerControl$reader(x, readerControl$language, id),
97                          pGetElem(x),
98  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))                        id = if (is.null(x$Names) || is.na(x$Names)) as.character(seq_len(x$Length)) else x$Names,
99  setMethod("appendMeta",                        SIMPLIFY = FALSE)
           signature(object = "TextDocCol"),  
           function(object, cmeta = NULL, dmeta = NULL) {  
               object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)  
               if (!is.null(dmeta)) {  
                   DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))  
               }  
               return(object)  
           })  
   
 setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  
 setMethod("removeMeta",  
           signature(object = "TextDocCol"),  
           function(object, cname = NULL, dname = NULL) {  
               if (!is.null(cname))  
                   object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
               if (!is.null(dname))  
                   DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]  
               return(object)  
           })  
   
 setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  
 setMethod("prescindMeta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {  
                       local.m <- lapply(object, m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
100                    else {                    else {
101                        local.meta <- lapply(object, LocalMetaData)          counter <- 1
102                        local.m <- lapply(local.meta, "[[", m)          while (!eoi(x)) {
103                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))              x <- stepNext(x)
104                        if (length(local.m) == length(unlist(local.m)))              elem <- getElem(x)
105                            local.m <- unlist(local.m)              id <- if (is.null(x$Names) || is.na(x$Names))
106                    as.character(counter)
107                else
108                    x$Names[counter]
109                doc <- readerControl$reader(elem, readerControl$language, id)
110                if (x$Length > 0)
111                    tdl[[counter]] <- doc
112                        else                        else
113                            local.m <- I(local.m)                  tdl <- c(tdl, list(doc))
114                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))              counter <- counter + 1
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
115                    }                    }
116                }                }
117                return(object)      if (!is.null(x$Names) && !is.na(x$Names))
118            })          names(tdl) <- x$Names
119        df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
120  setMethod("[",      .VCorpus(tdl, .MetaDataNode(), df)
           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]  
               if (DBControl(object)[["useDb"]]) {  
                   index <- object@DMetaData[[1 , "subset"]]  
                   if (any(is.na(index)))  
                       object@DMetaData[[1 , "subset"]] <- i  
                   else  
                       object@DMetaData[[1 , "subset"]] <- index[i]  
121                }                }
122                else  
123                    DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]  `[.PCorpus` <-
124                return(object)  function(x, i)
125            })  {
126        if (missing(i)) return(x)
127  setMethod("[<-",      index <- attr(x, "DMetaData")[[1 , "subset"]]
128            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),      attr(x, "DMetaData")[[1 , "subset"]] <- if (is.numeric(index)) index[i] else i
129            function(x, i, j, ... , value) {      dmeta <- attr(x, "DMetaData")
130                object <- x      .PCorpus(NextMethod("["), CMetaData(x), dmeta, DBControl(x))
131                if (DBControl(object)[["useDb"]]) {  }
132                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
133    `[.VCorpus` <-
134    function(x, i)
135    {
136        if (missing(i)) return(x)
137        .VCorpus(NextMethod("["), CMetaData(x), DMetaData(x)[i, , drop = FALSE])
138    }
139    
140    `[<-.PCorpus` <-
141    function(x, i, value)
142    {
143        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
144                    counter <- 1                    counter <- 1
145                    for (id in object@.Data[i, ...]) {      for (id in unclass(x)[i]) {
146                        if (length(value) == 1)          if (identical(length(value), 1L)) db[[id]] <- value
147                            db[[id]] <- value          else db[[id]] <- value[[counter]]
                       else {  
                           db[[id]] <- value[[counter]]  
                       }  
148                        counter <- counter + 1                        counter <- counter + 1
149                    }                    }
150                    dbDisconnect(db)      x
               }  
               else  
                   object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "TextDocCol", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               if (DBControl(x)[["useDb"]]) {  
                   db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])  
                   result <- dbFetch(db, x@.Data[[i]])  
                   dbDisconnect(db)  
                   return(loadDoc(result))  
151                }                }
               else  
                   return(loadDoc(x@.Data[[i]]))  
           })  
152    
153  setMethod("[[<-",  .map_name_index <-
154            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),  function(x, i)
155            function(x, i, j, ..., value) {  {
156                object <- x      if (is.character(i)) {
157                if (DBControl(object)[["useDb"]]) {          if (is.null(names(x)))
158                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])              match(i, meta(x, "ID", type = "local"))
159                    index <- object@.Data[[i]]          else
160                match(i, names(x))
161        }
162        i
163    }
164    
165    `[[.PCorpus` <-
166    function(x, i)
167    {
168        i <- .map_name_index(x, i)
169        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
170        filehash::dbFetch(db, NextMethod("[["))
171    }
172    `[[.VCorpus` <-
173    function(x, i)
174    {
175        i <- .map_name_index(x, i)
176        lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
177        if (!is.null(lazyTmMap))
178            .Call("copyCorpus", x, materialize(x, i))
179        NextMethod("[[")
180    }
181    
182    `[[<-.PCorpus` <-
183    function(x, i, value)
184    {
185        i <- .map_name_index(x, i)
186        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
187        index <- unclass(x)[[i]]
188                    db[[index]] <- value                    db[[index]] <- value
189                    dbDisconnect(db)      x
190                }                }
191                else  `[[<-.VCorpus` <-
192                    object@.Data[[i, ...]] <- value  function(x, i, value)
193                return(object)  {
194            })      i <- .map_name_index(x, i)
195        # Mark new objects as not active for lazy mapping
196  # Update \code{NodeID}s of a CMetaData tree      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
197  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {      if (!is.null(lazyTmMap)) {
198      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s          lazyTmMap$index[i] <- FALSE
199      set_id <- function(object) {          meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
200          object@NodeID <- id      }
201        # Set the value
202        cl <- class(x)
203        y <- NextMethod("[[<-")
204        class(y) <- cl
205        y
206    }
207    
208    # Update NodeIDs of a CMetaData tree
209    .update_id <-
210    function(x, id = 0, mapping = NULL, left.mapping = NULL, level = 0)
211    {
212        # Traversal of (binary) CMetaData tree with setup of NodeIDs
213        set_id <- function(x) {
214            x$NodeID <- id
215          id <<- id + 1          id <<- id + 1
216          level <<- level + 1          level <<- level + 1
217            if (length(x$Children) > 0) {
218          if (length(object@children) > 0) {              mapping <<- cbind(mapping, c(x$Children[[1]]$NodeID, id))
219              mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))              left <- set_id(x$Children[[1]])
             left <- set_id(object@children[[1]])  
220              if (level == 1) {              if (level == 1) {
221                  left.mapping <<- mapping                  left.mapping <<- mapping
222                  mapping <<- NULL                  mapping <<- NULL
223              }              }
224              mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))              mapping <<- cbind(mapping, c(x$Children[[2]]$NodeID, id))
225              right <- set_id(object@children[[2]])              right <- set_id(x$Children[[2]])
226    
227              object@children <- list(left, right)              x$Children <- list(left, right)
228          }          }
229          level <<- level - 1          level <<- level - 1
230            x
         return(object)  
231      }      }
232        list(root = set_id(x), left.mapping = left.mapping, right.mapping = mapping)
     return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  
233  }  }
234    
235  setMethod("c",  # Find indices to be updated for a CMetaData tree
236            signature(x = "TextDocCol"),  .find_indices <-
237            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  function(x)
238                args <- list(...)  {
               if (length(args) == 0)  
                   return(x)  
   
               if (!all(sapply(args, inherits, "TextDocCol")))  
                   stop("not all arguments are text document collections")  
               if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating text document collections with activated database is not supported")  
   
               result <- x  
               for (c in args) {  
                   result <- c2(result, c)  
               }  
               return(result)  
           })  
   
 setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))  
 setMethod("c2",  
           signature(x = "TextDocCol", y = "TextDocCol"),  
           function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
   
               # Set the DBControl slot  
               object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")  
   
               # Update the CMetaData tree  
               cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))  
               update.struct <- update_id(cmeta)  
               object@CMetaData <- update.struct$root  
   
               # Find indices to be updated for the left tree  
239                indices.mapping <- NULL                indices.mapping <- NULL
240                for (m in levels(as.factor(DMetaData(x)$MetaID))) {                for (m in levels(as.factor(DMetaData(x)$MetaID))) {
241                    indices <- (DMetaData(x)$MetaID == m)                    indices <- (DMetaData(x)$MetaID == m)
242                    indices.mapping <- c(indices.mapping, list(m = indices))                    indices.mapping <- c(indices.mapping, list(m = indices))
243                    names(indices.mapping)[length(indices.mapping)] <- m                    names(indices.mapping)[length(indices.mapping)] <- m
244                }                }
245        indices.mapping
246    }
247    
248    c2 <-
249    function(x, y, ...)
250    {
251        # Update the CMetaData tree
252        cmeta <- .MetaDataNode(0, list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), list(CMetaData(x), CMetaData(y)))
253        update.struct <- .update_id(cmeta)
254    
255        new <- .VCorpus(c(unclass(x), unclass(y)), update.struct$root, NULL)
256    
257        # Find indices to be updated for the left tree
258        indices.mapping <- .find_indices(x)
259    
260                # Update the DMetaData data frames for the left tree                # Update the DMetaData data frames for the left tree
261                for (i in 1:ncol(update.struct$left.mapping)) {                for (i in 1:ncol(update.struct$left.mapping)) {
262                    map <- update.struct$left.mapping[,i]                    map <- update.struct$left.mapping[,i]
263                    x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])          DMetaData(x)$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
264                }                }
265    
266                # Find indices to be updated for the right tree                # Find indices to be updated for the right tree
267                indices.mapping <- NULL      indices.mapping <- .find_indices(y)
               for (m in levels(as.factor(DMetaData(y)$MetaID))) {  
                   indices <- (DMetaData(y)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
268    
269                # Update the DMetaData data frames for the right tree                # Update the DMetaData data frames for the right tree
270                for (i in 1:ncol(update.struct$right.mapping)) {                for (i in 1:ncol(update.struct$right.mapping)) {
271                    map <- update.struct$right.mapping[,i]                    map <- update.struct$right.mapping[,i]
272                    y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])          DMetaData(y)$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
273                }                }
274    
275                # Merge the DMetaData data frames                # Merge the DMetaData data frames
276                labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))                labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
277                na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))      na.matrix <- matrix(NA,
278                            nrow = nrow(DMetaData(x)),
279                            ncol = length(labels),
280                            dimnames = list(row.names(DMetaData(x)), labels))
281                x.dmeta.aug <- cbind(DMetaData(x), na.matrix)                x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
282                labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))                labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
283                na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))      na.matrix <- matrix(NA,
284                            nrow = nrow(DMetaData(y)),
285                            ncol = length(labels),
286                            dimnames = list(row.names(DMetaData(y)), labels))
287                y.dmeta.aug <- cbind(DMetaData(y), na.matrix)                y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
288                object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)      DMetaData(new) <- rbind(x.dmeta.aug, y.dmeta.aug)
289    
290                return(object)      new
291            })  }
292    
293  setMethod("c",  c.Corpus <-
294            signature(x = "TextDocument"),  function(..., recursive = FALSE)
295            function(x, ..., recursive = TRUE){  {
296                args <- list(...)                args <- list(...)
297                if(length(args) == 0)      x <- args[[1L]]
298    
299        if(length(args) == 1L)
300                    return(x)                    return(x)
301    
302                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
303                cmeta.node <- new("MetaDataNode",          stop("not all arguments are of the same corpus type")
304                              NodeID = 0,  
305                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),      if (inherits(x, "PCorpus"))
306                              children = list())          stop("concatenation of corpora with underlying databases is not supported")
307    
308                return(new("TextDocCol",      if (recursive)
309                           .Data = list(x, ...),          Reduce(c2, args)
310                           DMetaData = dmeta.df,      else {
311                           CMetaData = cmeta.node,          args <- do.call("c", lapply(args, unclass))
312                           DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))          .VCorpus(args,
313            })                   cmeta = .MetaDataNode(),
314                     dmeta = data.frame(MetaID = rep(0, length(args)),
315  setMethod("length",                                      stringsAsFactors = FALSE))
316            signature(x = "TextDocCol"),      }
317            function(x){  }
318                return(length(as(x, "list")))  
319      })  c.TextDocument <-
320    function(..., recursive = FALSE)
321  setMethod("show",  {
322            signature(object = "TextDocCol"),      args <- list(...)
323            function(object){      x <- args[[1L]]
324                cat(sprintf(ngettext(length(object),  
325                                     "A text document collection with %d text document\n",      if(length(args) == 1L)
326                                     "A text document collection with %d text documents\n"),          return(x)
327                            length(object)))  
328      })      if (!all(unlist(lapply(args, inherits, class(x)))))
329            stop("not all arguments are text documents")
330  setMethod("summary",  
331            signature(object = "TextDocCol"),      dmeta <- data.frame(MetaID = rep(0, length(args)),
332            function(object){                          stringsAsFactors = FALSE)
333                show(object)      .VCorpus(args, .MetaDataNode(), dmeta)
334    }
335    
336    print.Corpus <-
337    function(x, ...)
338    {
339        cat(sprintf(ngettext(length(x),
340                             "A corpus with %d text document\n",
341                             "A corpus with %d text documents\n"),
342                    length(x)))
343        invisible(x)
344    }
345    
346    summary.Corpus <-
347    function(object, ...)
348    {
349        print(object)
350                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
351                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),          cat(sprintf(ngettext(length(attr(CMetaData(object), "MetaData")),
352                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",
353                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
354                                         length(CMetaData(object)@MetaData)))                      length(CMetaData(object)$MetaData)))
355                    cat("Available tags are:\n")                    cat("Available tags are:\n")
356                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")          cat(strwrap(paste(names(CMetaData(object)$MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
357                    cat("Available variables in the data frame are:\n")                    cat("Available variables in the data frame are:\n")
358                    cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")                    cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
359                }                }
360      })  }
361    
362  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <-
363  setMethod("inspect",  function(x)
364            signature("TextDocCol"),      UseMethod("inspect", x)
365            function(object) {  inspect.PCorpus <-
366                summary(object)  function(x)
367    {
368        summary(x)
369                cat("\n")                cat("\n")
370                if (DBControl(object)[["useDb"]]) {      db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
371                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      show(filehash::dbMultiFetch(db, unlist(x)))
                   show(dbMultiFetch(db, unlist(object)))  
                   dbDisconnect(db)  
372                }                }
373                else  inspect.VCorpus <-
374                    show(object@.Data)  function(x)
375            })  {
376        summary(x)
377  # No metadata is checked      cat("\n")
378  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))      print(noquote(lapply(x, identity)))
 setMethod("%IN%",  
           signature(x = "TextDocument", y = "TextDocCol"),  
           function(x, y) {  
               if (DBControl(y)[["useDb"]]) {  
                   db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])  
                   result <- any(sapply(y, function(x, z) {x %in% Corpus(z)}, x))  
                   dbDisconnect(db)  
379                }                }
380                else  
381                    result <- x %in% y  lapply.PCorpus <-
382                return(result)  function(X, FUN, ...)
383            })  {
384        db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
385  setMethod("lapply",      lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
386            signature(X = "TextDocCol"),  }
387            function(X, FUN, ...) {  lapply.VCorpus <-
388                if (DBControl(X)[["useDb"]]) {  function(X, FUN, ...)
389                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  {
390                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
391                    dbDisconnect(db)      if (!is.null(lazyTmMap))
392            .Call("copyCorpus", X, materialize(X))
393        base::lapply(X, FUN, ...)
394    }
395    
396    writeCorpus <-
397    function(x, path = ".", filenames = NULL)
398    {
399        filenames <- file.path(path,
400                               if (is.null(filenames)) unlist(lapply(x, function(x) sprintf("%s.txt", ID(x))))
401                               else filenames)
402        i <- 1
403        for (o in x) {
404            writeLines(as.PlainTextDocument(o), filenames[i])
405            i <- i + 1
406                }                }
               else  
                   result <- base::lapply(X, FUN, ...)  
               return(result)  
           })  
   
 setMethod("sapply",  
           signature(X = "TextDocCol"),  
           function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {  
               if (DBControl(X)[["useDb"]]) {  
                   db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
                   result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)  
                   dbDisconnect(db)  
407                }                }
               else  
                   result <- base::sapply(X, FUN, ...)  
               return(result)  
           })  

Legend:
Removed from v.744  
changed lines
  Added in v.1273

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