SCM

SCM Repository

[tm] Diff of /pkg/R/corpus.R
ViewVC logotype

Diff of /pkg/R/corpus.R

Parent Directory Parent Directory | Revision Log Revision Log | View Patch Patch

trunk/tm/R/textdoccol.R revision 744, Mon Apr 23 00:35:10 2007 UTC pkg/R/corpus.R revision 960, Fri Jun 26 17:43:45 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator reader  prepareReader <- function(readerControl, defaultReader = NULL, ...) {
4  setGeneric("TextDocCol", function(object,      if (is.null(readerControl$reader))
5                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),          readerControl$reader <- defaultReader
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),      if (is(readerControl$reader, "FunctionGenerator"))
                                   ...) standardGeneric("TextDocCol"))  
 setMethod("TextDocCol",  
           signature(object = "Source"),  
           function(object,  
                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = FALSE),  
                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),  
                    ...) {  
               if (attr(readerControl$reader, "FunctionGenerator"))  
7                    readerControl$reader <- readerControl$reader(...)                    readerControl$reader <- readerControl$reader(...)
8        if (is.null(readerControl$language))
9            readerControl$language <- "eng"
10        readerControl
11    }
12    
13                if (dbControl$useDb) {  FCorpus <- function(object, readerControl = list(language = "eng")) {
14                    if (!dbCreate(dbControl$dbName, dbControl$dbType))      readerControl <- prepareReader(readerControl, object@DefaultReader, ...)
15                        stop("error in creating database")  
16                    db <- dbInit(dbControl$dbName, dbControl$dbType)      if (!object@Vectorized)
17            stop("Source is not vectorized")
18    
19        tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
20                      function(x) readSlim(x[c("content", "uri")],
21                                           readerControl$language,
22                                           as.character(x$id)))
23    
24        new("FCorpus", .Data = tdl)
25                }                }
26    
27                tdl <- list()  PCorpus <- function(object,
28                        readerControl = list(reader = object@DefaultReader, language = "eng"),
29                        dbControl = list(dbName = "", dbType = "DB1"),
30                        ...) {
31        readerControl <- prepareReader(readerControl, object@DefaultReader, ...)
32    
33        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
34            stop("error in creating database")
35        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
36    
37        # Allocate memory in advance if length is known
38        tdl <- if (object@Length > 0)
39            vector("list", as.integer(object@Length))
40        else
41            list()
42    
43                counter <- 1                counter <- 1
44                while (!eoi(object)) {                while (!eoi(object)) {
45                    object <- stepNext(object)                    object <- stepNext(object)
46                    elem <- getElem(object)                    elem <- getElem(object)
47                    # If there is no Load on Demand support          doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
48                    # we need to load the corpus into memory at startup          filehash::dbInsert(db, ID(doc), doc)
49                    if (!object@LoDSupport)          if (object@Length > 0) tdl[[counter]] <- ID(doc)
50                        readerControl$load <- TRUE          else tdl <- c(tdl, ID(doc))
                   doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))  
                   if (dbControl$useDb) {  
                       dbInsert(db, ID(doc), doc)  
                       tdl <- c(tdl, ID(doc))  
                   }  
                   else  
                       tdl <- c(tdl, list(doc))  
51                    counter <- counter + 1                    counter <- counter + 1
52                }                }
53    
54                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
55                if (dbControl$useDb) {      filehash::dbInsert(db, "DMetaData", df)
                   dbInsert(db, "DMetaData", df)  
56                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
                   dbDisconnect(db)  
               }  
               else  
                   dmeta.df <- df  
57    
58                cmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
59                              NodeID = 0,                              NodeID = 0,
60                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
61                              children = list())                              children = list())
62    
63                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))      new("PCorpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl)
           })  
   
 setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  
 setMethod("loadDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   Corpus(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
64                }                }
           })  
 setMethod("loadDoc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   mail <- readLines(con)  
                   close(con)  
                   Cached(object) <- TRUE  
                   for (index in seq_along(mail)) {  
                       if (mail[index] == "")  
                           break  
                   }  
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
65    
66  setGeneric("tmUpdate", function(object,  # The "..." are additional arguments for the FunctionGenerator reader
67                                  origin,  SCorpus <- Corpus <- function(object,
68                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),                      readerControl = list(reader = object@DefaultReader, language = "eng"),
                                 ...) standardGeneric("tmUpdate"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tmUpdate",  
           signature(object = "TextDocCol", origin = "DirSource"),  
           function(object, origin,  
                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = FALSE),  
69                     ...) {                     ...) {
70                if (inherits(readerControl$reader, "FunctionGenerator"))      readerControl <- prepareReader(readerControl, object@DefaultReader, ...)
                   readerControl$reader <- readerControl$reader(...)  
71    
72                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))      # Allocate memory in advance if length is known
73                new.files <- setdiff(origin@FileList, object.filelist)      tdl <- if (object@Length > 0)
74            vector("list", as.integer(object@Length))
75        else
76            list()
77    
78        if (object@Vectorized)
79            tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
80                          function(x) readerControl$reader(x[c("content", "uri")],
81                                                           readerControl$language,
82                                                           as.character(x$id)))
83        else {
84            counter <- 1
85            while (!eoi(object)) {
86                object <- stepNext(object)
87                elem <- getElem(object)
88                doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
89                if (object@Length > 0)
90                    tdl[[counter]] <- doc
91                else
92                    tdl <- c(tdl, list(doc))
93                counter <- counter + 1
94            }
95        }
96    
97                for (filename in new.files) {      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
98                    elem <- list(content = readLines(filename),      cmeta.node <- new("MetaDataNode",
99                                 uri = substitute(file(filename)))                        NodeID = 0,
100                    object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
101                          children = list())
102    
103        new("SCorpus", .Data = tdl, DMetaData = df, CMetaData = cmeta.node)
104                }                }
105    
106                return(object)  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
107            })  setMethod("tmMap",
108              signature(object = "FCorpus", FUN = "function"),
109              function(object, FUN, ..., lazy = FALSE) {
110                  if (lazy)
111                      warning("lazy mapping is deactivated")
112    
113  setGeneric("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))                new("FCorpus", .Data = lapply(object, FUN, ..., DMetaData = data.frame()))
114              })
115  setMethod("tmMap",  setMethod("tmMap",
116            signature(object = "TextDocCol", FUN = "function"),            signature(object = "SCorpus", FUN = "function"),
117            function(object, FUN, ...) {            function(object, FUN, ..., lazy = FALSE) {
118                result <- object                result <- object
119                # Note that text corpora are automatically loaded into memory via \code{[[}                # Lazy mapping
120                if (DBControl(object)[["useDb"]]) {                if (lazy) {
121                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
122                      if (is.null(lazyTmMap)) {
123                          meta(result, tag = "lazyTmMap", type = "corpus") <-
124                              list(index = rep(TRUE, length(result)),
125                                   maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
126                      }
127                      else {
128                          lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
129                          meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
130                      }
131                  }
132                  else {
133                      result@.Data <- if (clusterAvailable())
134                          snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
135                      else
136                          lapply(object, FUN, ..., DMetaData = DMetaData(object))
137                  }
138                  result
139              })
140    setMethod("tmMap",
141              signature(object = "PCorpus", FUN = "function"),
142              function(object, FUN, ..., lazy = FALSE) {
143                  if (lazy)
144                      warning("lazy mapping is deactived when using database backend")
145                  db <- filehash::dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
146                    i <- 1                    i <- 1
147                    for (id in unlist(object)) {                    for (id in unlist(object)) {
148                        db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))                        db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
149                        i <- i + 1                        i <- i + 1
150                    }                    }
151                    dbDisconnect(db)                # Suggested by Christian Buchta
152                }                filehash::dbReorganize(db)
153                else  
154                    result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                object
               return(result)  
155            })            })
156    
157    # Materialize lazy mappings
158    # Improvements by Christian Buchta
159    materialize <- function(corpus, range = seq_along(corpus)) {
160        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
161        if (!is.null(lazyTmMap)) {
162           # Make valid and lazy index
163           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
164           if (any(idx)) {
165               res <- corpus@.Data[idx]
166               for (m in lazyTmMap$maps)
167                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
168               corpus@.Data[idx] <- res
169               lazyTmMap$index[idx] <- FALSE
170           }
171        }
172        # Clean up if everything is materialized
173        if (!any(lazyTmMap$index))
174            lazyTmMap <- NULL
175        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
176        corpus
177    }
178    
179  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
180    setMethod("asPlain", signature(object = "PlainTextDocument"),
181              function(object, FUN, ...) object)
182  setMethod("asPlain",  setMethod("asPlain",
183            signature(object = "PlainTextDocument"),            signature(object = "XMLTextDocument"),
184            function(object, FUN, ...) {            function(object, FUN, ...) {
185                return(object)                require("XML")
186    
187                  corpus <- Content(object)
188    
189                  # As XMLDocument is no native S4 class, restore valid information
190                  class(corpus) <- "XMLDocument"
191                  names(corpus) <- c("doc","dtd")
192    
193                  return(FUN(xmlRoot(corpus), ...))
194            })            })
195  setMethod("asPlain",  setMethod("asPlain",
196            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "Reuters21578Document"),
197            function(object, FUN, ...) {            function(object, FUN, ...) {
198                corpus <- Corpus(object)                require("XML")
199    
200                  FUN <- convertReut21578XMLPlain
201                  corpus <- Content(object)
202    
203                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
204                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 169  Line 206 
206    
207                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
208            })            })
209    setMethod("asPlain", signature(object = "RCV1Document"),
210              function(object, FUN, ...) convertRCV1Plain(object, ...))
211  setMethod("asPlain",  setMethod("asPlain",
212            signature(object = "NewsgroupDocument"),            signature(object = "NewsgroupDocument"),
213            function(object, FUN, ...) {            function(object, FUN, ...) {
214                new("PlainTextDocument", .Data = Corpus(object), Cached = TRUE, URI = "", Author = Author(object),                new("PlainTextDocument", .Data = Content(object), Author = Author(object),
215                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
216                    Origin = Origin(object), Heading = Heading(object), Language = Language(object))                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
217                      LocalMetaData = LocalMetaData(object))
218            })            })
219    setMethod("asPlain",
220  setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))            signature(object = "StructuredTextDocument"),
221  setMethod("tmTolower",            function(object, FUN, ...) {
222            signature(object = "PlainTextDocument"),                new("PlainTextDocument", .Data = unlist(Content(object)),
223            function(object, ...) {                    Author = Author(object), DateTimeStamp = DateTimeStamp(object),
224                Corpus(object) <- tolower(object)                    Description = Description(object), ID = ID(object), Origin = Origin(object),
225                return(object)                    Heading = Heading(object), Language = Language(object),
226            })                    LocalMetaData = LocalMetaData(object))
   
 setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))  
 setMethod("stripWhitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
   
 setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))  
 setMethod("stemDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, language = "english", ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- if (require("Rstem"))  
                   Rstem::wordStem(splittedCorpus, language)  
               else  
                   SnowballStemmer(splittedCorpus, Weka_control(S = language))  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
   
 setGeneric("removePunctuation", function(object, ...) standardGeneric("removePunctuation"))  
 setMethod("removePunctuation",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:punct:]]+", "", Corpus(object))  
               return(object)  
           })  
   
 setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))  
 setMethod("removeWords",  
           signature(object = "PlainTextDocument", stopwords = "character"),  
           function(object, stopwords, ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
227            })            })
228    
229  setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
230  setMethod("tmFilter",  setMethod("tmFilter", signature(object = "Corpus"),
231            signature(object = "TextDocCol"),            function(object, ..., FUN = searchFullText, doclevel = TRUE)
232            function(object, ..., FUN = sFilter, doclevel = FALSE) {                object[tmIndex(object, ..., FUN = FUN, doclevel = doclevel)])
               if (doclevel)  
                   return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               else  
                   return(object[FUN(object, ...)])  
           })  
233    
234  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
235  setMethod("tmIndex",  setMethod("tmIndex",
236            signature(object = "TextDocCol"),            signature(object = "Corpus"),
237            function(object, ..., FUN = sFilter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
238                if (doclevel)                if (!is.null(attr(FUN, "doclevel")))
239                      doclevel <- attr(FUN, "doclevel")
240                  if (doclevel) {
241                      if (clusterAvailable())
242                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
243                      else
244                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
245                  }
246                else                else
247                    return(FUN(object, ...))                    return(FUN(object, ...))
248            })            })
249    
250  sFilter <- function(object, s, ...) {  # TODO: Replace with c(Corpus, TextDocument)?
     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))))  
           })  
   
251  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
252  setMethod("appendElem",  setMethod("appendElem",
253            signature(object = "TextDocCol", data = "TextDocument"),            signature(object = "Corpus", data = "TextDocument"),
254            function(object, data, meta = NULL) {            function(object, data, meta = NULL) {
255                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
256                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
257                    if (dbExists(db, ID(data)))                    if (dbExists(db, ID(data)))
258                        warning("document with identical ID already exists")                        warning("document with identical ID already exists")
259                    dbInsert(db, ID(data), data)                    dbInsert(db, ID(data), data)
                   dbDisconnect(db)  
260                    object@.Data[[length(object)+1]] <- ID(data)                    object@.Data[[length(object)+1]] <- ID(data)
261                }                }
262                else                else
# Line 294  Line 265 
265                return(object)                return(object)
266            })            })
267    
268  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  prescindMeta <- function(object, meta) {
269  setMethod("appendMeta",      df <- DMetaData(object)
           signature(object = "TextDocCol"),  
           function(object, cmeta = NULL, dmeta = NULL) {  
               object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)  
               if (!is.null(dmeta)) {  
                   DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))  
               }  
               return(object)  
           })  
270    
271  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))      for (m in meta)
272  setMethod("removeMeta",          df <- cbind(df, structure(data.frame(I(meta(object, tag = m, type = "local"))), names = m))
           signature(object = "TextDocCol"),  
           function(object, cname = NULL, dname = NULL) {  
               if (!is.null(cname))  
                   object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
               if (!is.null(dname))  
                   DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]  
               return(object)  
           })  
273    
274  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))      df
 setMethod("prescindMeta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {  
                       local.m <- lapply(object, m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
275                    }                    }
276                    else {  
277                        local.meta <- lapply(object, LocalMetaData)  setMethod("[",
278                        local.m <- lapply(local.meta, "[[", m)            signature(x = "FCorpus", i = "ANY", j = "ANY", drop = "ANY"),
279                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))            function(x, i, j, ... , drop) {
280                        if (length(local.m) == length(unlist(local.m)))                if (missing(i)) return(x)
281                            local.m <- unlist(local.m)  
282                        else                x@.Data <- x@.Data[i, ..., drop = FALSE]
283                            local.m <- I(local.m)                x
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
               }  
               return(object)  
284            })            })
285    setMethod("[",
286              signature(x = "PCorpus", i = "ANY", j = "ANY", drop = "ANY"),
287              function(x, i, j, ... , drop) {
288                  if (missing(i)) return(x)
289    
290                  x@.Data <- x@.Data[i, ..., drop = FALSE]
291                  index <- x@DMetaData[[1 , "subset"]]
292                  if (any(is.na(index))) x@DMetaData[[1 , "subset"]] <- i
293                  else x@DMetaData[[1 , "subset"]] <- index[i]
294                  x
295              })
296  setMethod("[",  setMethod("[",
297            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "SCorpus", i = "ANY", j = "ANY", drop = "ANY"),
298            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
299                if(missing(i))                if (missing(i)) return(x)
                   return(x)  
300    
301                object <- x                x@.Data <- x@.Data[i, ..., drop = FALSE]
302                object@.Data <- x@.Data[i, ..., drop = FALSE]                DMetaData(x) <- DMetaData(x)[i, , drop = FALSE]
303                if (DBControl(object)[["useDb"]]) {                x
                   index <- object@DMetaData[[1 , "subset"]]  
                   if (any(is.na(index)))  
                       object@DMetaData[[1 , "subset"]] <- i  
                   else  
                       object@DMetaData[[1 , "subset"]] <- index[i]  
               }  
               else  
                   DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]  
               return(object)  
304            })            })
305    
306  setMethod("[<-",  setMethod("[<-",
307            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
308            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
309                object <- x                db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
               if (DBControl(object)[["useDb"]]) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
310                    counter <- 1                    counter <- 1
311                    for (id in object@.Data[i, ...]) {                for (id in x@.Data[i, ...]) {
312                        if (length(value) == 1)                    if (identical(length(value), 1)) db[[id]] <- value
313                            db[[id]] <- value                    else db[[id]] <- value[[counter]]
                       else {  
                           db[[id]] <- value[[counter]]  
                       }  
314                        counter <- counter + 1                        counter <- counter + 1
315                    }                    }
316                    dbDisconnect(db)                x
317                }            })
318                else  setMethod("[<-",
319                    object@.Data[i, ...] <- value            signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
320                return(object)            function(x, i, j, ... , value) {
321                  x@.Data[i, ...] <- value
322                  x
323            })            })
324    
325  setMethod("[[",  setMethod("[[",
326            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY"),
327            function(x, i, j, ...) {            function(x, i, j, ...) {
328                if (DBControl(x)[["useDb"]]) {                db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
329                    db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])                filehash::dbFetch(db, x@.Data[[i]])
330                    result <- dbFetch(db, x@.Data[[i]])            })
331                    dbDisconnect(db)  setMethod("[[",
332                    return(loadDoc(result))            signature(x = "SCorpus", i = "ANY", j = "ANY"),
333                }            function(x, i, j, ...) {
334                else                lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
335                    return(loadDoc(x@.Data[[i]]))                if (!is.null(lazyTmMap))
336                      .Call("copyCorpus", x, materialize(x, i))
337                  x@.Data[[i]]
338            })            })
339    
340  setMethod("[[<-",  setMethod("[[<-",
341            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
342            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
343                object <- x                db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
344                if (DBControl(object)[["useDb"]]) {                index <- x@.Data[[i]]
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   index <- object@.Data[[i]]  
345                    db[[index]] <- value                    db[[index]] <- value
346                    dbDisconnect(db)                x
347              })
348    setMethod("[[<-",
349              signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
350              function(x, i, j, ..., value) {
351                  # Mark new objects as not active for lazy mapping
352                  lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
353                  if (!is.null(lazyTmMap)) {
354                      lazyTmMap$index[i] <- FALSE
355                      meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
356                }                }
357                else                # Set the value
358                    object@.Data[[i, ...]] <- value                x@.Data[[i, ...]] <- value
359                return(object)  
360                  x
361            })            })
362    
363  # Update \code{NodeID}s of a CMetaData tree  # Update \code{NodeID}s of a CMetaData tree
# Line 438  Line 385 
385          return(object)          return(object)
386      }      }
387    
388      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))      list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping)
389  }  }
390    
391  setMethod("c",  setMethod("c",
392            signature(x = "TextDocCol"),            signature(x = "Corpus"),
393            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 = FALSE) {
394                args <- list(...)                args <- list(...)
395                if (length(args) == 0)                if (identical(length(args), 0)) return(x)
                   return(x)  
396    
397                if (!all(sapply(args, inherits, "TextDocCol")))                if (!all(sapply(args, inherits, class(x))))
398                    stop("not all arguments are text document collections")                    stop("not all arguments are of the same corpus type")
               if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating text document collections with activated database is not supported")  
399    
400                result <- x                if (inherits(x, "PCorpus"))
401                for (c in args) {                    stop("concatenation of corpora with underlying databases is not supported")
402                    result <- c2(result, c)  
403                }                Reduce(c2, base::c(list(x), args))
               return(result)  
404            })            })
405    
406  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"))) standardGeneric("c2"))
407  setMethod("c2",  setMethod("c2", signature(x = "FCorpus", y = "FCorpus"),
408            signature(x = "TextDocCol", y = "TextDocCol"),            function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME"))) {
409            function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {                new("FCorpus", .Data = c(as(x, "list"), as(y, "list")))
410              })
411    setMethod("c2", signature(x = "SCorpus", y = "SCorpus"),
412              function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME"))) {
413                object <- x                object <- x
414                # Concatenate data slots                # Concatenate data slots
415                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
416    
               # Set the DBControl slot  
               object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")  
   
417                # Update the CMetaData tree                # Update the CMetaData tree
418                cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))                cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
419                update.struct <- update_id(cmeta)                update.struct <- update_id(cmeta)
# Line 513  Line 456 
456                y.dmeta.aug <- cbind(DMetaData(y), na.matrix)                y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
457                object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)                object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
458    
459                return(object)                object
460            })            })
461    
462  setMethod("c",  setMethod("c",
463            signature(x = "TextDocument"),            signature(x = "TextDocument"),
464            function(x, ..., recursive = TRUE){            function(x, ..., recursive = FALSE){
465                args <- list(...)                args <- list(...)
466                if(length(args) == 0)                if (identical(length(args), 0)) return(x)
                   return(x)  
467    
468                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
469                cmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
470                              NodeID = 0,                              NodeID = 0,
471                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
472                              children = list())                              children = list())
473    
474                return(new("TextDocCol",                new("SCorpus", .Data = list(x, ...), DMetaData = dmeta.df, CMetaData = cmeta.node)
                          .Data = list(x, ...),  
                          DMetaData = dmeta.df,  
                          CMetaData = cmeta.node,  
                          DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))  
           })  
   
 setMethod("length",  
           signature(x = "TextDocCol"),  
           function(x){  
               return(length(as(x, "list")))  
475      })      })
476    
477  setMethod("show",  setMethod("show",
478            signature(object = "TextDocCol"),            signature(object = "Corpus"),
479            function(object){            function(object){
480                cat(sprintf(ngettext(length(object),                cat(sprintf(ngettext(length(object),
481                                     "A text document collection with %d text document\n",                                     "A corpus with %d text document\n",
482                                     "A text document collection with %d text documents\n"),                                     "A corpus with %d text documents\n"),
483                            length(object)))                            length(object)))
484      })      })
485    
486  setMethod("summary",  setMethod("summary",
487            signature(object = "TextDocCol"),            signature(object = "Corpus"),
488            function(object){            function(object){
489                show(object)                show(object)
490                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
# Line 567  Line 499 
499                }                }
500      })      })
501    
502  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <- function(x) UseMethod("inspect", x)
503  setMethod("inspect",  inspect.PCorpus <- function(x) {
504            signature("TextDocCol"),      summary(x)
           function(object) {  
               summary(object)  
505                cat("\n")                cat("\n")
506                if (DBControl(object)[["useDb"]]) {      db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
507                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      show(filehash::dbMultiFetch(db, unlist(x)))
508                    show(dbMultiFetch(db, unlist(object)))  }
509                    dbDisconnect(db)  inspect.FCorpus <- inspect.SCorpus <- function(x) {
510        summary(x)
511        cat("\n")
512        print(noquote(lapply(x, identity)))
513                }                }
               else  
                   show(object@.Data)  
           })  
514    
515  # No metadata is checked  # No metadata is checked
516  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
517  setMethod("%IN%",  setMethod("%IN%", signature(x = "TextDocument", y = "PCorpus"),
           signature(x = "TextDocument", y = "TextDocCol"),  
518            function(x, y) {            function(x, y) {
519                if (DBControl(y)[["useDb"]]) {                db <- filehash::dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
520                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])                any(sapply(y, function(x, z) {x %in% Content(z)}, x))
                   result <- any(sapply(y, function(x, z) {x %in% Corpus(z)}, x))  
                   dbDisconnect(db)  
               }  
               else  
                   result <- x %in% y  
               return(result)  
521            })            })
522    setMethod("%IN%", signature(x = "TextDocument", y = "SCorpus"),
523              function(x, y) x %in% y)
524    
525  setMethod("lapply",  setMethod("lapply",
526            signature(X = "TextDocCol"),            signature(X = "SCorpus"),
527            function(X, FUN, ...) {            function(X, FUN, ...) {
528                if (DBControl(X)[["useDb"]]) {                lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
529                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                if (!is.null(lazyTmMap))
530                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)                    .Call("copyCorpus", X, materialize(X))
531                    dbDisconnect(db)                base::lapply(X, FUN, ...)
532                }            })
533                else  setMethod("lapply",
534                    result <- base::lapply(X, FUN, ...)            signature(X = "PCorpus"),
535                return(result)            function(X, FUN, ...) {
536                  db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
537                  lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
538            })            })
539    
540  setMethod("sapply",  setMethod("sapply",
541            signature(X = "TextDocCol"),            signature(X = "SCorpus"),
542              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
543                  lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
544                  if (!is.null(lazyTmMap))
545                      .Call("copyCorpus", X, materialize(X))
546                  base::sapply(X, FUN, ...)
547              })
548    setMethod("sapply",
549              signature(X = "PCorpus"),
550            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
551                if (DBControl(X)[["useDb"]]) {                db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
552                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                sapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
553                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)            })
554                    dbDisconnect(db)  
555    setAs("list", "SCorpus", function(from) {
556        cmeta.node <- new("MetaDataNode",
557                          NodeID = 0,
558                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
559                          children = list())
560        data <- vector("list", length(from))
561        counter <- 1
562        for (f in from) {
563            data[[counter]] <- new("PlainTextDocument",
564                                   .Data = f,
565                                   DateTimeStamp = as.POSIXlt(Sys.time(), tz = "GMT"),
566                                   ID = as.character(counter),
567                                   Language = "eng")
568            counter <- counter + 1
569        }
570        new("SCorpus", .Data = data,
571            DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
572            CMetaData = cmeta.node)
573    })
574    
575    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
576    setMethod("writeCorpus",
577              signature(object = "Corpus"),
578              function(object, path = ".", filenames = NULL) {
579                  filenames <- file.path(path,
580                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
581                                         else filenames)
582                  i <- 1
583                  for (o in object) {
584                      writeLines(asPlain(o), filenames[i])
585                      i <- i + 1
586                }                }
               else  
                   result <- base::sapply(X, FUN, ...)  
               return(result)  
587            })            })

Legend:
Removed from v.744  
changed lines
  Added in v.960

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