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/textdoccol.R revision 938, Sat Apr 25 19:05:50 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator reader  # The "..." are additional arguments for the FunctionGenerator reader
4  setGeneric("TextDocCol", function(object,  setGeneric("Corpus", function(object,
5                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),                                readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                                    ...) standardGeneric("TextDocCol"))                                ...) standardGeneric("Corpus"))
8  setMethod("TextDocCol",  setMethod("Corpus",
9            signature(object = "Source"),            signature(object = "Source"),
10            function(object,            function(object,
11                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                     ...) {                     ...) {
14                if (attr(readerControl$reader, "FunctionGenerator"))                if (is.null(readerControl$reader))
15                      readerControl$reader <- object@DefaultReader
16                  if (is(readerControl$reader, "FunctionGenerator"))
17                    readerControl$reader <- readerControl$reader(...)                    readerControl$reader <- readerControl$reader(...)
18                  if (is.null(readerControl$language))
19                      readerControl$language <- "en_US"
20                  if (is.null(readerControl$load) || (!object@LoDSupport))
21                      readerControl$load <- TRUE
22    
23                if (dbControl$useDb) {                if (dbControl$useDb && require("filehash")) {
24                    if (!dbCreate(dbControl$dbName, dbControl$dbType))                    if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                        stop("error in creating database")                        stop("error in creating database")
26                    db <- dbInit(dbControl$dbName, dbControl$dbType)                    db <- dbInit(dbControl$dbName, dbControl$dbType)
27                }                }
28    
29                tdl <- list()                # Allocate memory in advance if length is known
30                  tdl <- if (object@Length > 0)
31                      vector("list", as.integer(object@Length))
32                  else
33                      list()
34    
35                  if ((!dbControl$useDb) && object@Vectorized)
36                      tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
37                                    function(x) readerControl$reader(x[c("content", "uri")],
38                                                                     readerControl$load,
39                                                                     readerControl$language,
40                                                                     as.character(x$id)))
41                  else {
42                counter <- 1                counter <- 1
43                while (!eoi(object)) {                while (!eoi(object)) {
44                    object <- stepNext(object)                    object <- stepNext(object)
45                    elem <- getElem(object)                    elem <- getElem(object)
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (!object@LoDSupport)  
                       readerControl$load <- TRUE  
46                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
47                    if (dbControl$useDb) {                        if (dbControl$useDb && require("filehash")) {
48                        dbInsert(db, ID(doc), doc)                        dbInsert(db, ID(doc), doc)
49                              if (object@Length > 0)
50                                  tdl[[counter]] <- ID(doc)
51                              else
52                        tdl <- c(tdl, ID(doc))                        tdl <- c(tdl, ID(doc))
53                    }                    }
54                          else {
55                              if (object@Length > 0)
56                                  tdl[[counter]] <- doc
57                    else                    else
58                        tdl <- c(tdl, list(doc))                        tdl <- c(tdl, list(doc))
59                          }
60                    counter <- counter + 1                    counter <- counter + 1
61                }                }
62                  }
63    
64                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
65                if (dbControl$useDb) {                if (dbControl$useDb && require("filehash")) {
66                    dbInsert(db, "DMetaData", df)                    dbInsert(db, "DMetaData", df)
67                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
                   dbDisconnect(db)  
68                }                }
69                else                else
70                    dmeta.df <- df                    dmeta.df <- df
71    
72                cmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
73                              NodeID = 0,                              NodeID = 0,
74                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
75                              children = list())                              children = list())
76    
77                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
78            })            })
79    
80  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
# Line 64  Line 85 
85                    con <- eval(URI(object))                    con <- eval(URI(object))
86                    corpus <- readLines(con)                    corpus <- readLines(con)
87                    close(con)                    close(con)
88                    Corpus(object) <- corpus                    Content(object) <- corpus
89                    Cached(object) <- TRUE                    Cached(object) <- TRUE
90                    return(object)                    return(object)
91                } else {                } else {
# Line 74  Line 95 
95  setMethod("loadDoc",  setMethod("loadDoc",
96            signature(object =  "XMLTextDocument"),            signature(object =  "XMLTextDocument"),
97            function(object, ...) {            function(object, ...) {
98                if (!Cached(object)) {                if (!Cached(object) && require("XML")) {
99                    con <- eval(URI(object))                    con <- eval(URI(object))
100                    corpus <- paste(readLines(con), "\n", collapse = "")                    corpus <- paste(readLines(con), "\n", collapse = "")
101                    close(con)                    close(con)
102                    doc <- xmlTreeParse(corpus, asText = TRUE)                    doc <- xmlTreeParse(corpus, asText = TRUE)
103                    class(doc) <- "list"                    class(doc) <- "list"
104                    Corpus(object) <- doc                    Content(object) <- doc
105                    Cached(object) <- TRUE                    Cached(object) <- TRUE
106                    return(object)                    return(object)
107                } else {                } else {
# Line 99  Line 120 
120                        if (mail[index] == "")                        if (mail[index] == "")
121                            break                            break
122                    }                    }
123                    Corpus(object) <- mail[(index + 1):length(mail)]                    Content(object) <- mail[(index + 1):length(mail)]
124                    return(object)                    return(object)
125                } else {                } else {
126                    return(object)                    return(object)
127                }                }
128            })            })
129    setMethod("loadDoc",
130              signature(object = "StructuredTextDocument"),
131              function(object, ...) {
132                  if (!Cached(object)) {
133                      warning("load on demand not (yet) supported for StructuredTextDocuments")
134                      return(object)
135                  } else
136                      return(object)
137              })
138    
139  setGeneric("tmUpdate", function(object,  setGeneric("tmUpdate", function(object,
140                                  origin,                                  origin,
141                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
142                                  ...) standardGeneric("tmUpdate"))                                  ...) standardGeneric("tmUpdate"))
143  # Update is only supported for directories  # Update is only supported for directories
144  # At the moment no other LoD devices are available anyway  # At the moment no other LoD devices are available anyway
145  setMethod("tmUpdate",  setMethod("tmUpdate",
146            signature(object = "TextDocCol", origin = "DirSource"),            signature(object = "Corpus", origin = "DirSource"),
147            function(object, origin,            function(object, origin,
148                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
149                     ...) {                     ...) {
150                if (inherits(readerControl$reader, "FunctionGenerator"))                if (is.null(readerControl$reader))
151                      readerControl$reader <- origin@DefaultReader
152                  if (is(readerControl$reader, "FunctionGenerator"))
153                    readerControl$reader <- readerControl$reader(...)                    readerControl$reader <- readerControl$reader(...)
154                  if (is.null(readerControl$language))
155                      readerControl$language = "en_US"
156                  if (is.null(readerControl$load))
157                      readerControl$load = TRUE
158    
159                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))                object.filelist <- unlist(lapply(object, function(x) {summary(eval(URI(x)))$description}))
160                new.files <- setdiff(origin@FileList, object.filelist)                new.files <- setdiff(origin@FileList, object.filelist)
161    
162                for (filename in new.files) {                for (filename in new.files) {
163                    elem <- list(content = readLines(filename),                    encoding <- origin@Encoding
164                                 uri = substitute(file(filename)))                    elem <- list(content = readLines(filename, encoding = encoding),
165                                   uri = substitute(file(filename, encoding = encoding)))
166                    object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))                    object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
167                }                }
168    
169                return(object)                return(object)
170            })            })
171    
172  setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
173  setMethod("tmMap",  setMethod("tmMap",
174            signature(object = "TextDocCol", FUN = "function"),            signature(object = "Corpus", FUN = "function"),
175            function(object, FUN, ...) {            function(object, FUN, ..., lazy = FALSE) {
176                result <- object                result <- object
177                # Note that text corpora are automatically loaded into memory via \code{[[}                # Note that text corpora are automatically loaded into memory via \code{[[}
178                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
179                      if (lazy)
180                          warning("lazy mapping is deactived when using database backend")
181                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
182                    i <- 1                    i <- 1
183                    for (id in unlist(object)) {                    for (id in unlist(object)) {
184                        db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))                        db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
185                        i <- i + 1                        i <- i + 1
186                    }                    }
187                    dbDisconnect(db)                    # Suggested by Christian Buchta
188                      dbReorganize(db)
189                  }
190                  else {
191                      # Lazy mapping
192                      if (lazy) {
193                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
194                          if (is.null(lazyTmMap)) {
195                              meta(result, tag = "lazyTmMap", type = "corpus") <-
196                                  list(index = rep(TRUE, length(result)),
197                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
198                }                }
199                          else {
200                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
201                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
202                          }
203                      }
204                      else {
205                          result@.Data <- if (clusterAvailable())
206                              snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
207                else                else
208                    result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                            lapply(object, FUN, ..., DMetaData = DMetaData(object))
209                      }
210                  }
211                return(result)                return(result)
212            })            })
213    
214    # Materialize lazy mappings
215    # Improvements by Christian Buchta
216    materialize <- function(corpus, range = seq_along(corpus)) {
217        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
218        if (!is.null(lazyTmMap)) {
219           # Make valid and lazy index
220           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
221           if (any(idx)) {
222               res <- lapply(corpus@.Data[idx], loadDoc)
223               for (m in lazyTmMap$maps)
224                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
225               corpus@.Data[idx] <- res
226               lazyTmMap$index[idx] <- FALSE
227           }
228        }
229        # Clean up if everything is materialized
230        if (!any(lazyTmMap$index))
231            lazyTmMap <- NULL
232        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
233        return(corpus)
234    }
235    
236  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
237  setMethod("asPlain",  setMethod("asPlain",
238            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
# Line 159  Line 240 
240                return(object)                return(object)
241            })            })
242  setMethod("asPlain",  setMethod("asPlain",
243            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "XMLTextDocument"),
244            function(object, FUN, ...) {            function(object, FUN, ...) {
245                corpus <- Corpus(object)                require("XML")
246    
247                  corpus <- Content(object)
248    
249                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
250                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 170  Line 253 
253                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
254            })            })
255  setMethod("asPlain",  setMethod("asPlain",
256            signature(object = "NewsgroupDocument"),            signature(object = "Reuters21578Document"),
257            function(object, FUN, ...) {            function(object, FUN, ...) {
258                new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),                require("XML")
                   DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),  
                   Origin = Origin(object), Heading = Heading(object), Language = Language(object))  
           })  
259    
260  setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))                FUN <- convertReut21578XMLPlain
261  setMethod("tmTolower",                corpus <- Content(object)
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
262    
263  setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))                # As XMLDocument is no native S4 class, restore valid information
264  setMethod("stripWhitespace",                class(corpus) <- "XMLDocument"
265            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
266    
267  setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))                return(FUN(xmlRoot(corpus), ...))
 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)  
268            })            })
269    setMethod("asPlain",
270  setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))            signature(object = "RCV1Document"),
271  setMethod("removePunctuation",            function(object, FUN, ...) {
272            signature(object = "PlainTextDocument"),                return(convertRCV1Plain(object, ...))
           function(object, ...) {  
               Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))  
               return(object)  
273            })            })
274    setMethod("asPlain",
275  setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))            signature(object = "NewsgroupDocument"),
276  setMethod("removeWords",            function(object, FUN, ...) {
277            signature(object = "PlainTextDocument", stopwords = "character"),                new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),
278            function(object, stopwords, ...) {                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
279                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
280                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                    LocalMetaData = LocalMetaData(object))
281                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")            })
282                return(object)  setMethod("asPlain",
283              signature(object = "StructuredTextDocument"),
284              function(object, FUN, ...) {
285                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
286                      URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),
287                      Description = Description(object), ID = ID(object), Origin = Origin(object),
288                      Heading = Heading(object), Language = Language(object),
289                      LocalMetaData = LocalMetaData(object))
290            })            })
291    
292  setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
293  setMethod("tmFilter",  setMethod("tmFilter",
294            signature(object = "TextDocCol"),            signature(object = "Corpus"),
295            function(object, ..., FUN = sFilter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
296                if (doclevel)                if (!is.null(attr(FUN, "doclevel")))
297                      doclevel <- attr(FUN, "doclevel")
298                  if (doclevel) {
299                      if (clusterAvailable())
300                          return(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])
301                      else
302                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
303                  }
304                else                else
305                    return(object[FUN(object, ...)])                    return(object[FUN(object, ...)])
306            })            })
307    
308  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
309  setMethod("tmIndex",  setMethod("tmIndex",
310            signature(object = "TextDocCol"),            signature(object = "Corpus"),
311            function(object, ..., FUN = sFilter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
312                if (doclevel)                if (!is.null(attr(FUN, "doclevel")))
313                      doclevel <- attr(FUN, "doclevel")
314                  if (doclevel) {
315                      if (clusterAvailable())
316                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
317                      else
318                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
319                  }
320                else                else
321                    return(FUN(object, ...))                    return(FUN(object, ...))
322            })            })
323    
 sFilter <- function(object, s, ...) {  
     con <- textConnection(s)  
     tokens <- scan(con, "character")  
     close(con)  
     localMetaNames <- unique(names(sapply(object, LocalMetaData)))  
     localMetaTokens <- localMetaNames[localMetaNames %in% tokens]  
     n <- names(DMetaData(object))  
     tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)  
     query.df <- DMetaData(prescindMeta(object, tags))  
     if (DBControl(object)[["useDb"]])  
         DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]  
     # 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))))  
           })  
   
324  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
325  setMethod("appendElem",  setMethod("appendElem",
326            signature(object = "TextDocCol", data = "TextDocument"),            signature(object = "Corpus", data = "TextDocument"),
327            function(object, data, meta = NULL) {            function(object, data, meta = NULL) {
328                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
329                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
330                    if (dbExists(db, ID(data)))                    if (dbExists(db, ID(data)))
331                        warning("document with identical ID already exists")                        warning("document with identical ID already exists")
332                    dbInsert(db, ID(data), data)                    dbInsert(db, ID(data), data)
                   dbDisconnect(db)  
333                    object@.Data[[length(object)+1]] <- ID(data)                    object@.Data[[length(object)+1]] <- ID(data)
334                }                }
335                else                else
# Line 296  Line 340 
340    
341  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
342  setMethod("appendMeta",  setMethod("appendMeta",
343            signature(object = "TextDocCol"),            signature(object = "Corpus"),
344            function(object, cmeta = NULL, dmeta = NULL) {            function(object, cmeta = NULL, dmeta = NULL) {
345                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
346                if (!is.null(dmeta)) {                if (!is.null(dmeta)) {
# Line 307  Line 351 
351    
352  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
353  setMethod("removeMeta",  setMethod("removeMeta",
354            signature(object = "TextDocCol"),            signature(object = "Corpus"),
355            function(object, cname = NULL, dname = NULL) {            function(object, cname = NULL, dname = NULL) {
356                if (!is.null(cname))                if (!is.null(cname))
357                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
# Line 318  Line 362 
362    
363  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
364  setMethod("prescindMeta",  setMethod("prescindMeta",
365            signature(object = "TextDocCol", meta = "character"),            signature(object = "Corpus", meta = "character"),
366            function(object, meta) {            function(object, meta) {
367                for (m in meta) {                for (m in meta) {
368                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
369                        local.m <- lapply(object, m)                        local.m <- lapply(object, m)
370                          local.m <- sapply(local.m, paste, collapse = " ")
371                        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))
372                        local.m <- unlist(local.m)                        local.m <- unlist(local.m)
373                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
# Line 344  Line 389 
389            })            })
390    
391  setMethod("[",  setMethod("[",
392            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
393            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
394                if(missing(i))                if(missing(i))
395                    return(x)                    return(x)
396    
397                object <- x                object <- x
398                object@.Data <- x@.Data[i, ..., drop = FALSE]                object@.Data <- x@.Data[i, ..., drop = FALSE]
399                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
400                    index <- object@DMetaData[[1 , "subset"]]                    index <- object@DMetaData[[1 , "subset"]]
401                    if (any(is.na(index)))                    if (any(is.na(index)))
402                        object@DMetaData[[1 , "subset"]] <- i                        object@DMetaData[[1 , "subset"]] <- i
# Line 364  Line 409 
409            })            })
410    
411  setMethod("[<-",  setMethod("[<-",
412            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
413            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
414                object <- x                object <- x
415                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
416                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
417                    counter <- 1                    counter <- 1
418                    for (id in object@.Data[i, ...]) {                    for (id in object@.Data[i, ...]) {
# Line 378  Line 423 
423                        }                        }
424                        counter <- counter + 1                        counter <- counter + 1
425                    }                    }
                   dbDisconnect(db)  
426                }                }
427                else                else
428                    object@.Data[i, ...] <- value                    object@.Data[i, ...] <- value
# Line 386  Line 430 
430            })            })
431    
432  setMethod("[[",  setMethod("[[",
433            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY"),
434            function(x, i, j, ...) {            function(x, i, j, ...) {
435                if (DBControl(x)[["useDb"]]) {                if (DBControl(x)[["useDb"]] && require("filehash")) {
436                    db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])                    db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
437                    result <- dbFetch(db, x@.Data[[i]])                    result <- dbFetch(db, x@.Data[[i]])
                   dbDisconnect(db)  
438                    return(loadDoc(result))                    return(loadDoc(result))
439                }                }
440                else                else {
441                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
442                      if (!is.null(lazyTmMap))
443                          .Call("copyCorpus", x, materialize(x, i))
444                    return(loadDoc(x@.Data[[i]]))                    return(loadDoc(x@.Data[[i]]))
445                  }
446            })            })
447    
448  setMethod("[[<-",  setMethod("[[<-",
449            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
450            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
451                object <- x                object <- x
452                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
453                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
454                    index <- object@.Data[[i]]                    index <- object@.Data[[i]]
455                    db[[index]] <- value                    db[[index]] <- value
                   dbDisconnect(db)  
456                }                }
457                else                else {
458                      # Mark new objects as not active for lazy mapping
459                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
460                      if (!is.null(lazyTmMap)) {
461                          lazyTmMap$index[i] <- FALSE
462                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
463                      }
464                      # Set the value
465                    object@.Data[[i, ...]] <- value                    object@.Data[[i, ...]] <- value
466                  }
467                return(object)                return(object)
468            })            })
469    
# Line 442  Line 496 
496  }  }
497    
498  setMethod("c",  setMethod("c",
499            signature(x = "TextDocCol"),            signature(x = "Corpus"),
500            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
501                args <- list(...)                args <- list(...)
502                if (length(args) == 0)                if (length(args) == 0)
503                    return(x)                    return(x)
504    
505                if (!all(sapply(args, inherits, "TextDocCol")))                if (!all(sapply(args, inherits, "Corpus")))
506                    stop("not all arguments are text document collections")                    stop("not all arguments are corpora")
507                if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))                if (DBControl(x)[["useDb"]] || any(unlist(sapply(args, DBControl)["useDb", ])))
508                    stop("concatenating text document collections with activated database is not supported")                    stop("concatenating corpora with activated database is not supported")
509    
510                result <- x                Reduce(c2, base::c(list(x), args))
               for (c in args) {  
                   result <- c2(result, c)  
               }  
               return(result)  
511            })            })
512    
513  setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))  setGeneric("c2", function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
514  setMethod("c2",  setMethod("c2",
515            signature(x = "TextDocCol", y = "TextDocCol"),            signature(x = "Corpus", y = "Corpus"),
516            function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
517                object <- x                object <- x
518                # Concatenate data slots                # Concatenate data slots
519                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
# Line 526  Line 576 
576                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
577                cmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
578                              NodeID = 0,                              NodeID = 0,
579                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
580                              children = list())                              children = list())
581    
582                return(new("TextDocCol",                return(new("Corpus",
583                           .Data = list(x, ...),                           .Data = list(x, ...),
584                           DMetaData = dmeta.df,                           DMetaData = dmeta.df,
585                           CMetaData = cmeta.node,                           CMetaData = cmeta.node,
# Line 537  Line 587 
587            })            })
588    
589  setMethod("length",  setMethod("length",
590            signature(x = "TextDocCol"),            signature(x = "Corpus"),
591            function(x){            function(x){
592                return(length(as(x, "list")))                return(length(as(x, "list")))
593      })      })
594    
595  setMethod("show",  setMethod("show",
596            signature(object = "TextDocCol"),            signature(object = "Corpus"),
597            function(object){            function(object){
598                cat(sprintf(ngettext(length(object),                cat(sprintf(ngettext(length(object),
599                                     "A text document collection with %d text document\n",                                     "A corpus with %d text document\n",
600                                     "A text document collection with %d text documents\n"),                                     "A corpus with %d text documents\n"),
601                            length(object)))                            length(object)))
602      })      })
603    
604  setMethod("summary",  setMethod("summary",
605            signature(object = "TextDocCol"),            signature(object = "Corpus"),
606            function(object){            function(object){
607                show(object)                show(object)
608                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
# Line 567  Line 617 
617                }                }
618      })      })
619    
620  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <- function(x) UseMethod("inspect", x)
621  setMethod("inspect",  inspect.Corpus <- function(x) {
622            signature("TextDocCol"),      summary(x)
           function(object) {  
               summary(object)  
623                cat("\n")                cat("\n")
624                if (DBControl(object)[["useDb"]]) {      if (DBControl(x)[["useDb"]] && require("filehash")) {
625                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])          db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
626                    show(dbMultiFetch(db, unlist(object)))          show(dbMultiFetch(db, unlist(x)))
                   dbDisconnect(db)  
627                }                }
628                else                else
629                    show(object@.Data)          print(noquote(lapply(x, identity)))
630            })  }
631    
632  # No metadata is checked  # No metadata is checked
633  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
634  setMethod("%IN%",  setMethod("%IN%",
635            signature(x = "TextDocument", y = "TextDocCol"),            signature(x = "TextDocument", y = "Corpus"),
636            function(x, y) {            function(x, y) {
637                if (DBControl(y)[["useDb"]]) {                if (DBControl(y)[["useDb"]] && require("filehash")) {
638                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
639                    result <- any(sapply(y, function(x, z) {x %in% Corpus(z)}, x))                    result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
                   dbDisconnect(db)  
640                }                }
641                else                else
642                    result <- x %in% y                    result <- x %in% y
# Line 598  Line 644 
644            })            })
645    
646  setMethod("lapply",  setMethod("lapply",
647            signature(X = "TextDocCol"),            signature(X = "Corpus"),
648            function(X, FUN, ...) {            function(X, FUN, ...) {
649                if (DBControl(X)[["useDb"]]) {                if (DBControl(X)[["useDb"]] && require("filehash")) {
650                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
651                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
                   dbDisconnect(db)  
652                }                }
653                else                else {
654                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
655                      if (!is.null(lazyTmMap))
656                          .Call("copyCorpus", X, materialize(X))
657                    result <- base::lapply(X, FUN, ...)                    result <- base::lapply(X, FUN, ...)
658                  }
659                return(result)                return(result)
660            })            })
661    
662  setMethod("sapply",  setMethod("sapply",
663            signature(X = "TextDocCol"),            signature(X = "Corpus"),
664            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
665                if (DBControl(X)[["useDb"]]) {                if (DBControl(X)[["useDb"]] && require("filehash")) {
666                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
667                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
                   dbDisconnect(db)  
668                }                }
669                else                else {
670                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
671                      if (!is.null(lazyTmMap))
672                          .Call("copyCorpus", X, materialize(X))
673                    result <- base::sapply(X, FUN, ...)                    result <- base::sapply(X, FUN, ...)
674                  }
675                return(result)                return(result)
676            })            })
677    
678    setAs("list", "Corpus", function(from) {
679        cmeta.node <- new("MetaDataNode",
680                          NodeID = 0,
681                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
682                          children = list())
683        data <- list()
684        counter <- 1
685        for (f in from) {
686            doc <- new("PlainTextDocument",
687                       .Data = f, URI = NULL, Cached = TRUE,
688                       Author = "", DateTimeStamp = as.POSIXlt(Sys.time(), tz = "GMT"),
689                       Description = "", ID = as.character(counter),
690                       Origin = "", Heading = "", Language = "en_US")
691            data <- c(data, list(doc))
692            counter <- counter + 1
693        }
694        return(new("Corpus", .Data = data,
695                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
696                   CMetaData = cmeta.node,
697                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
698    })
699    
700    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
701    setMethod("writeCorpus",
702              signature(object = "Corpus"),
703              function(object, path = ".", filenames = NULL) {
704                  filenames <- file.path(path,
705                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
706                                         else filenames)
707                  i <- 1
708                  for (o in object) {
709                      writeLines(asPlain(o), filenames[i])
710                      i <- i + 1
711                  }
712              })

Legend:
Removed from v.744  
changed lines
  Added in v.938

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