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 75, Wed Nov 22 14:37:18 2006 UTC trunk/tm/R/textdoccol.R revision 744, Mon Apr 23 00:35:10 2007 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the function_generator parser  # The "..." are additional arguments for the FunctionGenerator reader
4  setGeneric("TextDocCol", function(object, parser = plaintext_parser, ...) standardGeneric("TextDocCol"))  setGeneric("TextDocCol", function(object,
5                                      readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),
6                                      dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                                      ...) standardGeneric("TextDocCol"))
8  setMethod("TextDocCol",  setMethod("TextDocCol",
9            signature(object = "Source"),            signature(object = "Source"),
10            function(object, parser = plaintext_parser, ...) {            function(object,
11                if (inherits(parser, "function_generator"))                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),
12                    parser <- parser(...)                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                       ...) {
14                  if (attr(readerControl$reader, "FunctionGenerator"))
15                      readerControl$reader <- readerControl$reader(...)
16    
17                  if (dbControl$useDb) {
18                      if (!dbCreate(dbControl$dbName, dbControl$dbType))
19                          stop("error in creating database")
20                      db <- dbInit(dbControl$dbName, dbControl$dbType)
21                  }
22    
23                tdl <- list()                tdl <- list()
24                counter <- 1                counter <- 1
25                while (!eoi(object)) {                while (!eoi(object)) {
26                    object <- step_next(object)                    object <- stepNext(object)
27                    elem <- get_elem(object)                    elem <- getElem(object)
28                    # If there is no Load on Demand support                    # If there is no Load on Demand support
29                    # we need to load the corpus into memory at startup                    # we need to load the corpus into memory at startup
30                    if (object@LoDSupport)                    if (!object@LoDSupport)
31                        load <- object@Load                        readerControl$load <- TRUE
32                    else                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
33                        load <- TRUE                    if (dbControl$useDb) {
34                    tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))                        dbInsert(db, ID(doc), doc)
35                    counter <- counter + 1                        tdl <- c(tdl, ID(doc))
36                }                }
   
               dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)  
               dcmeta.node <- new("MetaDataNode",  
                             NodeID = 0,  
                             MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))  
           })  
   
 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) standardGeneric("CSVSource"))  
 setMethod("CSVSource",  
           signature(object = "character"),  
           function(object) {  
               object <- substitute(file(object))  
               con <- eval(object)  
               content <- scan(con, what = "character")  
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
 setMethod("CSVSource",  
           signature(object = "ANY"),  
           function(object) {  
               object <- substitute(object)  
               con <- eval(object)  
               content <- scan(con, what = "character")  
               close(con)  
               new("CSVSource", LoDSupport = FALSE, URI = object,  
                   Content = content, Position = 0)  
           })  
   
 setGeneric("ReutersSource", function(object) standardGeneric("ReutersSource"))  
 setMethod("ReutersSource",  
           signature(object = "character"),  
           function(object) {  
               object <- substitute(file(object))  
               con <- eval(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)  
           })  
 setMethod("ReutersSource",  
           signature(object = "ANY"),  
           function(object) {  
               object <- substitute(object)  
               con <- eval(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) {  
               filename <- object@FileList[object@Position]  
               list(content = readLines(filename),  
                    uri = substitute(file(filename)))  
           })  
 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)  
37                else                else
38                    return(FALSE)                        tdl <- c(tdl, list(doc))
39            })                    counter <- counter + 1
 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 = "")  
         }  
   
         return(doc)  
     }  
 }  
 class(plaintext_parser) <- "function_generator"  
   
 reut21578xml_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # 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"]])  
         else  
             heading <- ""  
   
         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)  
     }  
 }  
 class(reut21578xml_parser) <- "function_generator"  
   
 rcv1_parser <- function(...) {  
     function(elem, lodsupport, load, id) {  
         corpus <- paste(elem$content, "\n", collapse = "")  
         tree <- xmlTreeParse(corpus, asText = TRUE)  
         node <- xmlRoot(tree)  
   
         # Mask as list to bypass S4 checks  
         class(tree) <- "list"  
   
         datetimestamp <- xmlAttrs(node)[["date"]]  
         id <- xmlAttrs(node)[["itemid"]]  
         heading <- xmlValue(node[["title"]])  
   
         if (!lodsupport || (lodsupport && load)) {  
             doc <- new("XMLTextDocument", .Data = tree, URI = elem$uri, Cached = TRUE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         } else {  
             doc <- new("XMLTextDocument", URI = elem$uri, Cached = FALSE, Author = "",  
                        DateTimeStamp = datetimestamp, Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML",  
                        Heading = heading)  
         }  
   
         return(doc)  
     }  
 }  
 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  
             }  
             content <- mail[(index + 1):length(mail)]  
   
             doc <- new("NewsgroupDocument", .Data = content, URI = elem$uri, Cached = TRUE,  
                        Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin,  
                        Heading = heading, Newsgroup = newsgroup)  
         } else {  
             doc <- new("NewsgroupDocument", URI = elem$uri, Cached = FALSE, Author = author, DateTimeStamp = datetimestamp,  
                        Description = "", ID = id, Origin = origin, Heading = heading, Newsgroup = newsgroup)  
         }  
   
         return(doc)  
     }  
40  }  }
 class(newsgroup_parser) <- "function_generator"  
   
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 rcv1_to_plain <- function(node, ...) {  
     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"]])  
41    
42      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = "", DateTimeStamp = datetimestamp,                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
43          Description = "", ID = id, Origin = "Reuters Corpus Volume 1 XML", Heading = heading)                if (dbControl$useDb) {
44                      dbInsert(db, "DMetaData", df)
45                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
46                      dbDisconnect(db)
47  }  }
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 reut21578xml_to_plain <- function(node, ...) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
   
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- xmlAttrs(node)[["NEWID"]]  
   
     origin <- "Reuters-21578 XML"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
48      else      else
49          heading <- ""                    dmeta.df <- df
50    
51      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)                cmeta.node <- new("MetaDataNode",
52                                NodeID = 0,
53                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
54                                children = list())
55    
56      new("PlainTextDocument", .Data = corpus, Cached = TRUE, URI = "", Author = author, DateTimeStamp = datetimestamp,                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
57          Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))            })
 }  
58    
59  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
60  setMethod("load_doc",  setMethod("loadDoc",
61            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
62            function(object, ...) {            function(object, ...) {
63                if (!Cached(object)) {                if (!Cached(object)) {
# Line 338  Line 71 
71                    return(object)                    return(object)
72                }                }
73            })            })
74  setMethod("load_doc",  setMethod("loadDoc",
75            signature(object =  "XMLTextDocument"),            signature(object =  "XMLTextDocument"),
76            function(object, ...) {            function(object, ...) {
77                if (!Cached(object)) {                if (!Cached(object)) {
# Line 354  Line 87 
87                    return(object)                    return(object)
88                }                }
89            })            })
90  setMethod("load_doc",  setMethod("loadDoc",
91            signature(object = "NewsgroupDocument"),            signature(object = "NewsgroupDocument"),
92            function(object, ...) {            function(object, ...) {
93                if (!Cached(object)) {                if (!Cached(object)) {
# Line 362  Line 95 
95                    mail <- readLines(con)                    mail <- readLines(con)
96                    close(con)                    close(con)
97                    Cached(object) <- TRUE                    Cached(object) <- TRUE
98                    for (index in seq(along = mail)) {                    for (index in seq_along(mail)) {
99                        if (mail[index] == "")                        if (mail[index] == "")
100                            break                            break
101                    }                    }
# Line 373  Line 106 
106                }                }
107            })            })
108    
109  setGeneric("tm_update", function(object, origin, parser = plaintext_parser, ...) standardGeneric("tm_update"))  setGeneric("tmUpdate", function(object,
110                                    origin,
111                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),
112                                    ...) standardGeneric("tmUpdate"))
113  # Update is only supported for directories  # Update is only supported for directories
114  # At the moment no other LoD devices are available anyway  # At the moment no other LoD devices are available anyway
115  setMethod("tm_update",  setMethod("tmUpdate",
116            signature(object = "TextDocCol", origin = "DirSource"),            signature(object = "TextDocCol", origin = "DirSource"),
117            function(object, origin, parser = plaintext_parser, ...) {            function(object, origin,
118                if (inherits(parser, "function_generator"))                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),
119                    parser <- parser(...)                     ...) {
120                  if (inherits(readerControl$reader, "FunctionGenerator"))
121                      readerControl$reader <- readerControl$reader(...)
122    
123                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))
124                new.files <- setdiff(origin@FileList, object.filelist)                new.files <- setdiff(origin@FileList, object.filelist)
# Line 388  Line 126 
126                for (filename in new.files) {                for (filename in new.files) {
127                    elem <- list(content = readLines(filename),                    elem <- list(content = readLines(filename),
128                                 uri = substitute(file(filename)))                                 uri = substitute(file(filename)))
129                    object <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)                    object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
130                }                }
131    
132                return(object)                return(object)
133            })            })
134    
135  setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))
136  setMethod("tm_transform",  setMethod("tmMap",
137            signature(object = "TextDocCol", FUN = "function"),            signature(object = "TextDocCol", FUN = "function"),
138            function(object, FUN, ...) {            function(object, FUN, ...) {
139                result <- object                result <- object
140                  # Note that text corpora are automatically loaded into memory via \code{[[}
141                  if (DBControl(object)[["useDb"]]) {
142                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
143                      i <- 1
144                      for (id in unlist(object)) {
145                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
146                          i <- i + 1
147                      }
148                      dbDisconnect(db)
149                  }
150                  else
151                result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
152                return(result)                return(result)
153            })            })
154    
155  setGeneric("as.plaintext_doc", function(object, FUN, ...) standardGeneric("as.plaintext_doc"))  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
156  setMethod("as.plaintext_doc",  setMethod("asPlain",
157            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
158            function(object, FUN, ...) {            function(object, FUN, ...) {
159                return(object)                return(object)
160            })            })
161  setMethod("as.plaintext_doc",  setMethod("asPlain",
162            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "XMLTextDocument", FUN = "function"),
163            function(object, FUN, ...) {            function(object, FUN, ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
164                corpus <- Corpus(object)                corpus <- Corpus(object)
165    
166                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
# Line 423  Line 169 
169    
170                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
171            })            })
172    setMethod("asPlain",
173              signature(object = "NewsgroupDocument"),
174              function(object, FUN, ...) {
175                  new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),
176                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
177                      Origin = Origin(object), Heading = Heading(object), Language = Language(object))
178              })
179    
180  setGeneric("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))  setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))
181  setMethod("tm_tolower",  setMethod("tmTolower",
182            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
183            function(object, ...) {            function(object, ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
184                Corpus(object) <- tolower(object)                Corpus(object) <- tolower(object)
185                return(object)                return(object)
186            })            })
187    
188  setGeneric("strip_whitespace", function(object, ...) standardGeneric("strip_whitespace"))  setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))
189  setMethod("strip_whitespace",  setMethod("stripWhitespace",
190            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
191            function(object, ...) {            function(object, ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
192                Corpus(object) <- gsub("[[:space:]]+", " ", object)                Corpus(object) <- gsub("[[:space:]]+", " ", object)
193                return(object)                return(object)
194            })            })
195    
196  setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))  setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))
197  setMethod("stem_doc",  setMethod("stemDoc",
198            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
199            function(object, ...) {            function(object, language = "english", ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
200                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))
201                stemmedCorpus <- wordStem(splittedCorpus)                stemmedCorpus <- if (require("Rstem"))
202                      Rstem::wordStem(splittedCorpus, language)
203                  else
204                      SnowballStemmer(splittedCorpus, Weka_control(S = language))
205                Corpus(object) <- paste(stemmedCorpus, collapse = " ")                Corpus(object) <- paste(stemmedCorpus, collapse = " ")
206                return(object)                return(object)
207            })            })
208    
209  setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))  setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))
210  setMethod("remove_words",  setMethod("removePunctuation",
211              signature(object = "PlainTextDocument"),
212              function(object, ...) {
213                  Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))
214                  return(object)
215              })
216    
217    setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))
218    setMethod("removeWords",
219            signature(object = "PlainTextDocument", stopwords = "character"),            signature(object = "PlainTextDocument", stopwords = "character"),
220            function(object, stopwords, ...) {            function(object, stopwords, ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
               require(Rstem)  
221                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))
222                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]
223                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")
224                return(object)                return(object)
225            })            })
226    
227  setGeneric("tm_filter", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_filter"))  setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))
228  setMethod("tm_filter",  setMethod("tmFilter",
229            signature(object = "TextDocCol"),            signature(object = "TextDocCol"),
230            function(object, ..., FUN = s_filter, doclevel = FALSE) {            function(object, ..., FUN = sFilter, doclevel = FALSE) {
231                if (doclevel)                if (doclevel)
232                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
233                else                else
234                    return(object[FUN(object, ...)])                    return(object[FUN(object, ...)])
235            })            })
236    
237  setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))
238  setMethod("tm_index",  setMethod("tmIndex",
239            signature(object = "TextDocCol"),            signature(object = "TextDocCol"),
240            function(object, ..., FUN = s_filter, doclevel = FALSE) {            function(object, ..., FUN = sFilter, doclevel = FALSE) {
241                if (doclevel)                if (doclevel)
242                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
243                else                else
244                    return(FUN(object, ...))                    return(FUN(object, ...))
245            })            })
246    
247  s_filter <- function(object, s, ...) {  sFilter <- function(object, s, ...) {
     query.df <- DMetaData(object)  
248      con <- textConnection(s)      con <- textConnection(s)
249      tokens <- scan(con, "character")      tokens <- scan(con, "character")
250      close(con)      close(con)
251      local.meta <- lapply(object, LocalMetaData)      localMetaNames <- unique(names(sapply(object, LocalMetaData)))
252      local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)      localMetaTokens <- localMetaNames[localMetaNames %in% tokens]
253      l.meta <- NULL      n <- names(DMetaData(object))
254      for (i in 1:length(object)) {      tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)
255          l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))      query.df <- DMetaData(prescindMeta(object, tags))
256      }      if (DBControl(object)[["useDb"]])
257      # Load local meta data from text documents into data frame          DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]
258      for (i in 1:length(l.meta)) {      # Rename to avoid name conflicts
259          l.meta[[i]] <- c(l.meta[[i]], list(author = Author(object[[i]])))      names(query.df)[names(query.df) == "Author"] <- "author"
260          l.meta[[i]] <- c(l.meta[[i]], list(datetimestamp = DateTimeStamp(object[[i]])))      names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"
261          l.meta[[i]] <- c(l.meta[[i]], list(description = Description(object[[i]])))      names(query.df)[names(query.df) == "Description"] <- "description"
262          l.meta[[i]] <- c(l.meta[[i]], list(identifier = ID(object[[i]])))      names(query.df)[names(query.df) == "ID"] <- "identifier"
263          l.meta[[i]] <- c(l.meta[[i]], list(origin = Origin(object[[i]])))      names(query.df)[names(query.df) == "Origin"] <- "origin"
264          l.meta[[i]] <- c(l.meta[[i]], list(heading = Heading(object[[i]])))      names(query.df)[names(query.df) == "Heading"] <- "heading"
265      }      names(query.df)[names(query.df) == "Language"] <- "language"
     for (i in 1:length(l.meta)) {  
         for (j in 1:length(l.meta[[i]])) {  
             m <- l.meta[[i]][[j]]  
             m.name <- names(l.meta[[i]][j])  
             if (!(m.name %in% names(query.df))) {  
                 before <- rep(NA, i - 1)  
                 after <- rep(NA, length(l.meta) - i)  
                 if (length(m) > 1) {  
                     nl <- vector("list", length(l.meta))  
                     nl[1:(i-1)] <- before  
                     nl[i] <- list(m)  
                     nl[(i+1):length(l.meta)] <- after  
                     insert <- data.frame(I(nl), stringsAsFactors = FALSE)  
                 }  
                 else  
                     insert <- c(before, m, after)  
                 query.df <- cbind(query.df, insert, stringsAsFactors = FALSE)  
                 names(query.df)[length(query.df)] <- m.name  
             }  
             else {  
                 if (is.null(m))  
                     m <- NA  
                 if (length(m) > 1) {  
                     rl <- query.df[ , m.name]  
                     rl[i] <- list(m)  
                     query.df[ , m.name] <- data.frame(I(rl), stringsAsFactors = FALSE)  
                 }  
                 else  
                     query.df[i, m.name] <- m  
             }  
         }  
     }  
266      attach(query.df)      attach(query.df)
267      try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))      try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))
268      detach(query.df)      detach(query.df)
269      return(result)      return(result)
270  }  }
271    
272  setGeneric("fulltext_search_filter", function(object, pattern, ...) standardGeneric("fulltext_search_filter"))  setGeneric("searchFullText", function(object, pattern, ...) standardGeneric("searchFullText"))
273  setMethod("fulltext_search_filter",  setMethod("searchFullText",
274            signature(object = "PlainTextDocument", pattern = "character"),            signature(object = "PlainTextDocument", pattern = "character"),
275            function(object, pattern, ...) {            function(object, pattern, ...) {
               if (!Cached(object))  
                   object <- load_doc(object)  
   
276                return(any(grep(pattern, Corpus(object))))                return(any(grep(pattern, Corpus(object))))
277            })            })
278    
279  setGeneric("attach_data", function(object, data) standardGeneric("attach_data"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
280  setGeneric("attach_metadata", function(object, name, metadata) standardGeneric("attach_metadata"))  setMethod("appendElem",
   
 setGeneric("append_doc", function(object, data, meta = NULL) standardGeneric("append_doc"))  
 setMethod("append_doc",  
281            signature(object = "TextDocCol", data = "TextDocument"),            signature(object = "TextDocCol", data = "TextDocument"),
282            function(object, data, meta = NULL) {            function(object, data, meta = NULL) {
283                object@.Data <- c(object@.Data, list(data))                if (DBControl(object)[["useDb"]]) {
284                if (length(meta) > 0)                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
285                    object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))                    if (dbExists(db, ID(data)))
286                          warning("document with identical ID already exists")
287                      dbInsert(db, ID(data), data)
288                      dbDisconnect(db)
289                      object@.Data[[length(object)+1]] <- ID(data)
290                  }
291                  else
292                      object@.Data[[length(object)+1]] <- data
293                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
294                return(object)                return(object)
295            })            })
296    
297  setGeneric("append_meta", function(object, dcmeta = list(), dmeta = NULL) standardGeneric("append_meta"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
298  setMethod("append_meta",  setMethod("appendMeta",
299            signature(object = "TextDocCol"),            signature(object = "TextDocCol"),
300            function(object, dcmeta = list(), dmeta = NULL) {            function(object, cmeta = NULL, dmeta = NULL) {
301                object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
302                if (length(dmeta) > 0)                if (!is.null(dmeta)) {
303                    object@DMetaData <- cbind(object@DMetaData, dmeta)                    DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
304                  }
305                return(object)                return(object)
306            })            })
307    
308  setGeneric("remove_metadata", function(object, name) standardGeneric("remove_metadata"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
309  #setMethod("remove_metadata",  setMethod("removeMeta",
310  #          signature(object = "TextDocCol"),            signature(object = "TextDocCol"),
311  #          function(object, name) {            function(object, cname = NULL, dname = NULL) {
312  #              object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != name]                if (!is.null(cname))
313  #              return(object)                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
314  #          })                if (!is.null(dname))
315                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
316  setGeneric("modify_metadata", function(object, name, metadata) standardGeneric("modify_metadata"))                return(object)
317  #setMethod("modify_metadata",            })
 #          signature(object = "TextDocCol"),  
 #          function(object, name, metadata) {  
 #              object@DMetaData[[name]] <- metadata  
 #              return(object)  
 #          })  
318    
319  setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
320  setMethod("prescind_meta",  setMethod("prescindMeta",
321            signature(object = "TextDocCol", meta = "character"),            signature(object = "TextDocCol", meta = "character"),
322            function(object, meta) {            function(object, meta) {
323                for (m in meta) {                for (m in meta) {
324                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading")) {                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
325                        local.m <- lapply(object, m)                        local.m <- lapply(object, m)
326                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
327                        local.m <- unlist(local.m)                        local.m <- unlist(local.m)
328                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
329                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
330                    }                    }
331                    else {                    else {
332                        local.meta <- lapply(object, LocalMetaData)                        local.meta <- lapply(object, LocalMetaData)
# Line 621  Line 336 
336                            local.m <- unlist(local.m)                            local.m <- unlist(local.m)
337                        else                        else
338                            local.m <- I(local.m)                            local.m <- I(local.m)
339                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
340                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
341                    }                    }
342                }                }
343                return(object)                return(object)
# Line 636  Line 351 
351    
352                object <- x                object <- x
353                object@.Data <- x@.Data[i, ..., drop = FALSE]                object@.Data <- x@.Data[i, ..., drop = FALSE]
354                object@DMetaData <- DMetaData(object)[i, ]                if (DBControl(object)[["useDb"]]) {
355                      index <- object@DMetaData[[1 , "subset"]]
356                      if (any(is.na(index)))
357                          object@DMetaData[[1 , "subset"]] <- i
358                      else
359                          object@DMetaData[[1 , "subset"]] <- index[i]
360                  }
361                  else
362                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
363                return(object)                return(object)
364            })            })
365    
# Line 644  Line 367 
367            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),
368            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
369                object <- x                object <- x
370                  if (DBControl(object)[["useDb"]]) {
371                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
372                      counter <- 1
373                      for (id in object@.Data[i, ...]) {
374                          if (length(value) == 1)
375                              db[[id]] <- value
376                          else {
377                              db[[id]] <- value[[counter]]
378                          }
379                          counter <- counter + 1
380                      }
381                      dbDisconnect(db)
382                  }
383                  else
384                object@.Data[i, ...] <- value                object@.Data[i, ...] <- value
385                return(object)                return(object)
386            })            })
# Line 651  Line 388 
388  setMethod("[[",  setMethod("[[",
389            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "TextDocCol", i = "ANY", j = "ANY"),
390            function(x, i, j, ...) {            function(x, i, j, ...) {
391                return(x@.Data[[i, ...]])                if (DBControl(x)[["useDb"]]) {
392                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
393                      result <- dbFetch(db, x@.Data[[i]])
394                      dbDisconnect(db)
395                      return(loadDoc(result))
396                  }
397                  else
398                      return(loadDoc(x@.Data[[i]]))
399            })            })
400    
401  setMethod("[[<-",  setMethod("[[<-",
402            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),
403            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
404                object <- x                object <- x
405                  if (DBControl(object)[["useDb"]]) {
406                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
407                      index <- object@.Data[[i]]
408                      db[[index]] <- value
409                      dbDisconnect(db)
410                  }
411                  else
412                object@.Data[[i, ...]] <- value                object@.Data[[i, ...]] <- value
413                return(object)                return(object)
414            })            })
415    
416  # Update \code{NodeID}s of a DCMetaData tree  # Update \code{NodeID}s of a CMetaData tree
417  # TODO: Avoid global variables outside of update_id function  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
418  update_id <- function(object) {      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
     id <<- 0  
     mapping <<- left.mapping <<- NULL  
     level <<- 0  
     return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  
 }  
   
 # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s  
419  set_id <- function(object) {  set_id <- function(object) {
420      object@NodeID <- id      object@NodeID <- id
421      id <<- id + 1      id <<- id + 1
# Line 694  Line 438 
438      return(object)      return(object)
439  }  }
440    
441        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
442    }
443    
444  setMethod("c",  setMethod("c",
445            signature(x = "TextDocCol"),            signature(x = "TextDocCol"),
446            function(x, y, ..., meta = list(merge_date = date(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
447                if (!inherits(y, "TextDocCol"))                args <- list(...)
448                    stop("invalid argument")                if (length(args) == 0)
449                      return(x)
450    
451                  if (!all(sapply(args, inherits, "TextDocCol")))
452                      stop("not all arguments are text document collections")
453                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
454                      stop("concatenating text document collections with activated database is not supported")
455    
456                  result <- x
457                  for (c in args) {
458                      result <- c2(result, c)
459                  }
460                  return(result)
461              })
462    
463    setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
464    setMethod("c2",
465              signature(x = "TextDocCol", y = "TextDocCol"),
466              function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
467                object <- x                object <- x
468                # Concatenate data slots                # Concatenate data slots
469                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
470    
471                # Update the DCMetaData tree                # Set the DBControl slot
472                dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))                object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
473                update.struct <- update_id(dcmeta)  
474                object@DCMetaData <- update.struct$root                # Update the CMetaData tree
475                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
476                  update.struct <- update_id(cmeta)
477                  object@CMetaData <- update.struct$root
478    
479                # Find indices to be updated for the left tree                # Find indices to be updated for the left tree
480                indices.mapping <- NULL                indices.mapping <- NULL
# Line 748  Line 515 
515    
516                return(object)                return(object)
517            })            })
518    
519  setMethod("c",  setMethod("c",
520            signature(x = "TextDocument"),            signature(x = "TextDocument"),
521            function(x, ..., recursive = TRUE){            function(x, ..., recursive = TRUE){
# Line 756  Line 524 
524                    return(x)                    return(x)
525    
526                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
527                dcmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
528                              NodeID = 0,                              NodeID = 0,
529                              MetaData = list(create_date = date(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
530                              children = list())                              children = list())
531    
532                return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))                return(new("TextDocCol",
533                             .Data = list(x, ...),
534                             DMetaData = dmeta.df,
535                             CMetaData = cmeta.node,
536                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
537            })            })
538    
539  setMethod("length",  setMethod("length",
# Line 784  Line 556 
556            function(object){            function(object){
557                show(object)                show(object)
558                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
559                    cat(sprintf(ngettext(length(DMetaData(object)),                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
560                                                "\nThe global metadata consists of %d tag-value pair\n",                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",
561                                                "\nThe global metadata consists of %d tag-value pairs\n"),                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
562                                         length(DMetaData(object))))                                         length(CMetaData(object)@MetaData)))
563                    cat("Available tags are:\n")                    cat("Available tags are:\n")
564                    cat(names(DMetaData(object)), "\n")                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
565                      cat("Available variables in the data frame are:\n")
566                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
567                }                }
568      })      })
569    
# Line 799  Line 573 
573            function(object) {            function(object) {
574                summary(object)                summary(object)
575                cat("\n")                cat("\n")
576                show(as(object, "list"))                if (DBControl(object)[["useDb"]]) {
577                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
578                      show(dbMultiFetch(db, unlist(object)))
579                      dbDisconnect(db)
580                  }
581                  else
582                      show(object@.Data)
583            })            })
584    
585  # No metadata is checked  # No metadata is checked
# Line 807  Line 587 
587  setMethod("%IN%",  setMethod("%IN%",
588            signature(x = "TextDocument", y = "TextDocCol"),            signature(x = "TextDocument", y = "TextDocCol"),
589            function(x, y) {            function(x, y) {
590                x %in% y                if (DBControl(y)[["useDb"]]) {
591                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
592                      result <- any(sapply(y, function(x, z) {x %in% Corpus(z)}, x))
593                      dbDisconnect(db)
594                  }
595                  else
596                      result <- x %in% y
597                  return(result)
598              })
599    
600    setMethod("lapply",
601              signature(X = "TextDocCol"),
602              function(X, FUN, ...) {
603                  if (DBControl(X)[["useDb"]]) {
604                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
605                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
606                      dbDisconnect(db)
607                  }
608                  else
609                      result <- base::lapply(X, FUN, ...)
610                  return(result)
611              })
612    
613    setMethod("sapply",
614              signature(X = "TextDocCol"),
615              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
616                  if (DBControl(X)[["useDb"]]) {
617                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
618                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
619                      dbDisconnect(db)
620                  }
621                  else
622                      result <- base::sapply(X, FUN, ...)
623                  return(result)
624            })            })

Legend:
Removed from v.75  
changed lines
  Added in v.744

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