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

revision 696, Fri Jan 5 15:04:53 2007 UTC revision 837, Wed Apr 23 09:16:25 2008 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the function_generator parser  # The "..." are additional arguments for the FunctionGenerator reader
4  setGeneric("TextDocCol", function(object, parser = read_plain, load = FALSE, ...) standardGeneric("TextDocCol"))  setGeneric("Corpus", function(object,
5  setMethod("TextDocCol",                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6                                      dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                                      ...) standardGeneric("Corpus"))
8    setMethod("Corpus",
9            signature(object = "Source"),            signature(object = "Source"),
10            function(object, parser = read_plain, load = FALSE, ...) {            function(object,
11                if (inherits(parser, "function_generator"))                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12                    parser <- parser(...)                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                       ...) {
14                  if (is.null(readerControl$reader))
15                      readerControl$reader <- object@DefaultReader
16                  if (is(readerControl$reader, "FunctionGenerator"))
17                      readerControl$reader <- readerControl$reader(...)
18                  if (is.null(readerControl$language))
19                      readerControl$language = "en_US"
20                  if (is.null(readerControl$load))
21                      readerControl$load = TRUE
22    
23                  if (dbControl$useDb) {
24                      if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                          stop("error in creating database")
26                      db <- dbInit(dbControl$dbName, dbControl$dbType)
27                  }
28    
29                tdl <- list()                tdl <- list()
30                counter <- 1                counter <- 1
31                while (!eoi(object)) {                while (!eoi(object)) {
32                    object <- step_next(object)                    object <- stepNext(object)
33                    elem <- get_elem(object)                    elem <- getElem(object)
34                    # If there is no Load on Demand support                    # If there is no Load on Demand support
35                    # we need to load the corpus into memory at startup                    # we need to load the corpus into memory at startup
36                    if (!object@LoDSupport)                    if (!object@LoDSupport)
37                        load <- TRUE                        readerControl$load <- TRUE
38                    tdl <- c(tdl, list(parser(elem, load, as.character(counter))))                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
39                      if (dbControl$useDb) {
40                          dbInsert(db, ID(doc), doc)
41                          tdl <- c(tdl, ID(doc))
42                      }
43                      else
44                          tdl <- c(tdl, list(doc))
45                    counter <- counter + 1                    counter <- counter + 1
46                }                }
47    
48                dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
49                dcmeta.node <- new("MetaDataNode",                if (dbControl$useDb) {
50                      dbInsert(db, "DMetaData", df)
51                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
52                  }
53                  else
54                      dmeta.df <- df
55    
56                  cmeta.node <- new("MetaDataNode",
57                              NodeID = 0,                              NodeID = 0,
58                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
59                              children = list())                              children = list())
60    
61                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
62            })            })
63    
64  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
65  setMethod("load_doc",  setMethod("loadDoc",
66            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
67            function(object, ...) {            function(object, ...) {
68                if (!Cached(object)) {                if (!Cached(object)) {
69                    con <- eval(URI(object))                    con <- eval(URI(object))
70                    corpus <- readLines(con)                    corpus <- readLines(con)
71                    close(con)                    close(con)
72                    Corpus(object) <- corpus                    Content(object) <- corpus
73                    Cached(object) <- TRUE                    Cached(object) <- TRUE
74                    return(object)                    return(object)
75                } else {                } else {
76                    return(object)                    return(object)
77                }                }
78            })            })
79  setMethod("load_doc",  setMethod("loadDoc",
80            signature(object =  "XMLTextDocument"),            signature(object =  "XMLTextDocument"),
81            function(object, ...) {            function(object, ...) {
82                if (!Cached(object)) {                if (!Cached(object)) {
# Line 54  Line 85 
85                    close(con)                    close(con)
86                    doc <- xmlTreeParse(corpus, asText = TRUE)                    doc <- xmlTreeParse(corpus, asText = TRUE)
87                    class(doc) <- "list"                    class(doc) <- "list"
88                    Corpus(object) <- doc                    Content(object) <- doc
89                    Cached(object) <- TRUE                    Cached(object) <- TRUE
90                    return(object)                    return(object)
91                } else {                } else {
92                    return(object)                    return(object)
93                }                }
94            })            })
95  setMethod("load_doc",  setMethod("loadDoc",
96            signature(object = "NewsgroupDocument"),            signature(object = "NewsgroupDocument"),
97            function(object, ...) {            function(object, ...) {
98                if (!Cached(object)) {                if (!Cached(object)) {
# Line 69  Line 100 
100                    mail <- readLines(con)                    mail <- readLines(con)
101                    close(con)                    close(con)
102                    Cached(object) <- TRUE                    Cached(object) <- TRUE
103                    for (index in seq(along = mail)) {                    for (index in seq_along(mail)) {
104                        if (mail[index] == "")                        if (mail[index] == "")
105                            break                            break
106                    }                    }
107                    Corpus(object) <- mail[(index + 1):length(mail)]                    Content(object) <- mail[(index + 1):length(mail)]
108                    return(object)                    return(object)
109                } else {                } else {
110                    return(object)                    return(object)
111                }                }
112            })            })
113    setMethod("loadDoc",
114              signature(object = "StructuredTextDocument"),
115              function(object, ...) {
116                  if (!Cached(object)) {
117                      warning("load on demand not (yet) supported for StructuredTextDocuments")
118                      return(object)
119                  } else
120                      return(object)
121              })
122    
123  setGeneric("tm_update", function(object, origin, parser = read_plain, ...) standardGeneric("tm_update"))  setGeneric("tmUpdate", function(object,
124                                    origin,
125                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
126                                    ...) standardGeneric("tmUpdate"))
127  # Update is only supported for directories  # Update is only supported for directories
128  # At the moment no other LoD devices are available anyway  # At the moment no other LoD devices are available anyway
129  setMethod("tm_update",  setMethod("tmUpdate",
130            signature(object = "TextDocCol", origin = "DirSource"),            signature(object = "Corpus", origin = "DirSource"),
131            function(object, origin, parser = read_plain, ...) {            function(object, origin,
132                if (inherits(parser, "function_generator"))                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
133                    parser <- parser(...)                     ...) {
134                  if (is.null(readerControl$reader))
135                      readerControl$reader <- origin@DefaultReader
136                  if (is(readerControl$reader, "FunctionGenerator"))
137                      readerControl$reader <- readerControl$reader(...)
138                  if (is.null(readerControl$language))
139                      readerControl$language = "en_US"
140                  if (is.null(readerControl$load))
141                      readerControl$load = TRUE
142    
143                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))
144                new.files <- setdiff(origin@FileList, object.filelist)                new.files <- setdiff(origin@FileList, object.filelist)
145    
146                for (filename in new.files) {                for (filename in new.files) {
147                    elem <- list(content = readLines(filename),                    encoding <- origin@Encoding
148                                 uri = substitute(file(filename)))                    elem <- list(content = readLines(filename, encoding = encoding),
149                    object <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)                                 uri = substitute(file(filename, encoding = encoding)))
150                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
151                }                }
152    
153                return(object)                return(object)
154            })            })
155    
156  setGeneric("tm_map", function(object, FUN, ...) standardGeneric("tm_map"))  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
157  setMethod("tm_map",  setMethod("tmMap",
158            signature(object = "TextDocCol", FUN = "function"),            signature(object = "Corpus", FUN = "function"),
159            function(object, FUN, ...) {            function(object, FUN, ..., lazy = FALSE) {
160                result <- object                result <- object
161                # Note that text corpora are automatically loaded into memory via \code{[[}                # Note that text corpora are automatically loaded into memory via \code{[[}
162                  if (DBControl(object)[["useDb"]]) {
163                      if (lazy)
164                          warning("lazy mapping is deactived when using database backend")
165                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
166                      i <- 1
167                      for (id in unlist(object)) {
168                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
169                          i <- i + 1
170                      }
171                      # Suggested by Christian Buchta
172                      dbReorganize(db)
173                  }
174                  else {
175                      # Lazy mapping
176                      if (lazy) {
177                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
178                          if (is.null(lazyTmMap)) {
179                              meta(result, tag = "lazyTmMap", type = "corpus") <-
180                                  list(index = rep(TRUE, length(result)),
181                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
182                          }
183                          else {
184                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
185                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
186                          }
187                      }
188                      else
189                result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))
190                  }
191                return(result)                return(result)
192            })            })
193    
194  setGeneric("as.plain", function(object, FUN, ...) standardGeneric("as.plain"))  # Materialize lazy mappings
195  setMethod("as.plain",  # Improvements by Christian Buchta
196    materialize <- function(corpus, range = seq_along(corpus)) {
197        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
198        if (!is.null(lazyTmMap)) {
199           # Make valid and lazy index
200           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
201           if (any(idx)) {
202               res <- lapply(corpus@.Data[idx], loadDoc)
203               for (m in lazyTmMap$maps)
204                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
205               corpus@.Data[idx] <- res
206               lazyTmMap$index[idx] <- FALSE
207           }
208        }
209        # Clean up if everything is materialized
210        if (!any(lazyTmMap$index))
211            lazyTmMap <- NULL
212        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
213        return(corpus)
214    }
215    
216    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
217    setMethod("asPlain",
218            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
219            function(object, FUN, ...) {            function(object, FUN, ...) {
220                return(object)                return(object)
221            })            })
222  setMethod("as.plain",  setMethod("asPlain",
223            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "XMLTextDocument", FUN = "function"),
224            function(object, FUN, ...) {            function(object, FUN, ...) {
225                corpus <- Corpus(object)                corpus <- Content(object)
226    
227                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
228                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 128  Line 230 
230    
231                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
232            })            })
233    setMethod("asPlain",
234              signature(object = "Reuters21578Document"),
235              function(object, FUN, ...) {
236                  FUN <- convertReut21578XMLPlain
237                  corpus <- Content(object)
238    
239  setGeneric("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))                # As XMLDocument is no native S4 class, restore valid information
240  setMethod("tm_tolower",                class(corpus) <- "XMLDocument"
241            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
242    
243  setGeneric("strip_whitespace", function(object, ...) standardGeneric("strip_whitespace"))                return(FUN(xmlRoot(corpus), ...))
 setMethod("strip_whitespace",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
244            })            })
245    setMethod("asPlain",
246              signature(object = "RCV1Document"),
247              function(object, FUN, ...) {
248                  FUN <- convertRCV1Plain
249                  corpus <- Content(object)
250    
251  setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))                # As XMLDocument is no native S4 class, restore valid information
252  setMethod("stem_doc",                class(corpus) <- "XMLDocument"
253            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               require("Rstem")  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
           })  
254    
255  setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))                return(FUN(xmlRoot(corpus), ...))
256  setMethod("remove_words",            })
257            signature(object = "PlainTextDocument", stopwords = "character"),  setMethod("asPlain",
258            function(object, stopwords, ...) {            signature(object = "NewsgroupDocument"),
259                require("Rstem")            function(object, FUN, ...) {
260                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = "", Author = Author(object),
261                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
262                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
263                return(object)                    LocalMetaData = LocalMetaData(object))
264              })
265    setMethod("asPlain",
266              signature(object = "StructuredTextDocument"),
267              function(object, FUN, ...) {
268                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
269                      URI = "", Author = Author(object), DateTimeStamp = DateTimeStamp(object),
270                      Description = Description(object), ID = ID(object), Origin = Origin(object),
271                      Heading = Heading(object), Language = Language(object),
272                      LocalMetaData = LocalMetaData(object))
273            })            })
274    
275  setGeneric("tm_filter", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_filter"))  setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))
276  setMethod("tm_filter",  setMethod("tmFilter",
277            signature(object = "TextDocCol"),            signature(object = "Corpus"),
278            function(object, ..., FUN = s_filter, doclevel = FALSE) {            function(object, ..., FUN = sFilter, doclevel = FALSE) {
279                if (doclevel)                if (doclevel)
280                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
281                else                else
282                    return(object[FUN(object, ...)])                    return(object[FUN(object, ...)])
283            })            })
284    
285  setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))
286  setMethod("tm_index",  setMethod("tmIndex",
287            signature(object = "TextDocCol"),            signature(object = "Corpus"),
288            function(object, ..., FUN = s_filter, doclevel = FALSE) {            function(object, ..., FUN = sFilter, doclevel = FALSE) {
289                if (doclevel)                if (doclevel)
290                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
291                else                else
292                    return(FUN(object, ...))                    return(FUN(object, ...))
293            })            })
294    
295  s_filter <- function(object, s, ...) {  sFilter <- function(object, s, ...) {
     query.df <- DMetaData(object)  
296      con <- textConnection(s)      con <- textConnection(s)
297      tokens <- scan(con, "character")      tokens <- scan(con, "character", quiet = TRUE)
298      close(con)      close(con)
299      local.meta <- lapply(object, LocalMetaData)      localMetaNames <- unique(names(sapply(object, LocalMetaData)))
300      local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)      localMetaTokens <- localMetaNames[localMetaNames %in% tokens]
301      l.meta <- NULL      n <- names(DMetaData(object))
302      for (i in 1:length(object)) {      tags <- c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language", localMetaTokens)
303          l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))      query.df <- DMetaData(prescindMeta(object, tags))
304      }      if (DBControl(object)[["useDb"]])
305      # Load local meta data from text documents into data frame          DMetaData(object) <- DMetaData(object)[, setdiff(n, tags), drop = FALSE]
306      for (i in 1:length(l.meta)) {      # Rename to avoid name conflicts
307          l.meta[[i]] <- c(l.meta[[i]], list(author = Author(object[[i]])))      names(query.df)[names(query.df) == "Author"] <- "author"
308          l.meta[[i]] <- c(l.meta[[i]], list(datetimestamp = DateTimeStamp(object[[i]])))      names(query.df)[names(query.df) == "DateTimeStamp"] <- "datetimestamp"
309          l.meta[[i]] <- c(l.meta[[i]], list(description = Description(object[[i]])))      names(query.df)[names(query.df) == "Description"] <- "description"
310          l.meta[[i]] <- c(l.meta[[i]], list(identifier = ID(object[[i]])))      names(query.df)[names(query.df) == "ID"] <- "identifier"
311          l.meta[[i]] <- c(l.meta[[i]], list(origin = Origin(object[[i]])))      names(query.df)[names(query.df) == "Origin"] <- "origin"
312          l.meta[[i]] <- c(l.meta[[i]], list(heading = Heading(object[[i]])))      names(query.df)[names(query.df) == "Heading"] <- "heading"
313      }      names(query.df)[names(query.df) == "Language"] <- "language"
     for (i in 1:length(l.meta)) {  
         for (j in 1:length(l.meta[[i]])) {  
             m <- l.meta[[i]][[j]]  
             m.name <- names(l.meta[[i]][j])  
             if (!(m.name %in% names(query.df))) {  
                 before <- rep(NA, i - 1)  
                 after <- rep(NA, length(l.meta) - i)  
                 if (length(m) > 1) {  
                     nl <- vector("list", length(l.meta))  
                     nl[1:(i-1)] <- before  
                     nl[i] <- list(m)  
                     nl[(i+1):length(l.meta)] <- after  
                     insert <- data.frame(I(nl), stringsAsFactors = FALSE)  
                 }  
                 else  
                     insert <- c(before, m, after)  
                 query.df <- cbind(query.df, insert, stringsAsFactors = FALSE)  
                 names(query.df)[length(query.df)] <- m.name  
             }  
             else {  
                 if (is.null(m))  
                     m <- NA  
                 if (length(m) > 1) {  
                     rl <- query.df[ , m.name]  
                     rl[i] <- list(m)  
                     query.df[ , m.name] <- data.frame(I(rl), stringsAsFactors = FALSE)  
                 }  
                 else  
                     query.df[i, m.name] <- m  
             }  
         }  
     }  
314      attach(query.df)      attach(query.df)
315      try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))      try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))
316      detach(query.df)      detach(query.df)
317      return(result)      return(result)
318  }  }
319    
320  setGeneric("search_fulltext", function(object, pattern, ...) standardGeneric("search_fulltext"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
321  setMethod("search_fulltext",  setMethod("appendElem",
322            signature(object = "PlainTextDocument", pattern = "character"),            signature(object = "Corpus", data = "TextDocument"),
           function(object, pattern, ...) {  
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("append_elem", function(object, data, meta = NULL) standardGeneric("append_elem"))  
 setMethod("append_elem",  
           signature(object = "TextDocCol", data = "TextDocument"),  
323            function(object, data, meta = NULL) {            function(object, data, meta = NULL) {
324                  if (DBControl(object)[["useDb"]]) {
325                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
326                      if (dbExists(db, ID(data)))
327                          warning("document with identical ID already exists")
328                      dbInsert(db, ID(data), data)
329                      object@.Data[[length(object)+1]] <- ID(data)
330                  }
331                  else
332                object@.Data[[length(object)+1]] <- data                object@.Data[[length(object)+1]] <- data
333                object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))                DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
334                return(object)                return(object)
335            })            })
336    
337  setGeneric("append_meta", function(object, dcmeta = NULL, dmeta = NULL) standardGeneric("append_meta"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
338  setMethod("append_meta",  setMethod("appendMeta",
339            signature(object = "TextDocCol"),            signature(object = "Corpus"),
340            function(object, dcmeta = NULL, dmeta = NULL) {            function(object, cmeta = NULL, dmeta = NULL) {
341                object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
342                if (!is.null(dcmeta))                if (!is.null(dmeta)) {
343                    object@DMetaData <- cbind(object@DMetaData, dmeta)                    DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
344                  }
345                return(object)                return(object)
346            })            })
347    
348  setGeneric("remove_meta", function(object, dcname = NULL, dname = NULL) standardGeneric("remove_meta"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
349  setMethod("remove_meta",  setMethod("removeMeta",
350            signature(object = "TextDocCol"),            signature(object = "Corpus"),
351            function(object, dcname = NULL, dname = NULL) {            function(object, cname = NULL, dname = NULL) {
352                if (!is.null(dcname)) {                if (!is.null(cname))
353                    object@DCMetaData@MetaData <- DCMetaData(object)@MetaData[names(DCMetaData(object)@MetaData) != dcname]                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
354                }                if (!is.null(dname))
355                if (!is.null(dname)) {                    DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
                   object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != dname]  
               }  
356                return(object)                return(object)
357            })            })
358    
359  setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
360  setMethod("prescind_meta",  setMethod("prescindMeta",
361            signature(object = "TextDocCol", meta = "character"),            signature(object = "Corpus", meta = "character"),
362            function(object, meta) {            function(object, meta) {
363                for (m in meta) {                for (m in meta) {
364                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading")) {                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
365                        local.m <- lapply(object, m)                        local.m <- lapply(object, m)
366                        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))
367                        local.m <- unlist(local.m)                        local.m <- unlist(local.m)
368                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
369                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
370                    }                    }
371                    else {                    else {
372                        local.meta <- lapply(object, LocalMetaData)                        local.meta <- lapply(object, LocalMetaData)
# Line 304  Line 376 
376                            local.m <- unlist(local.m)                            local.m <- unlist(local.m)
377                        else                        else
378                            local.m <- I(local.m)                            local.m <- I(local.m)
379                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
380                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
381                    }                    }
382                }                }
383                return(object)                return(object)
384            })            })
385    
386  setMethod("[",  setMethod("[",
387            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
388            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
389                if(missing(i))                if(missing(i))
390                    return(x)                    return(x)
391    
392                object <- x                object <- x
393                object@.Data <- x@.Data[i, ..., drop = FALSE]                object@.Data <- x@.Data[i, ..., drop = FALSE]
394                df <- as.data.frame(DMetaData(object)[i, ])                if (DBControl(object)[["useDb"]]) {
395                names(df) <- names(DMetaData(object))                    index <- object@DMetaData[[1 , "subset"]]
396                object@DMetaData <- df                    if (any(is.na(index)))
397                          object@DMetaData[[1 , "subset"]] <- i
398                      else
399                          object@DMetaData[[1 , "subset"]] <- index[i]
400                  }
401                  else
402                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
403                return(object)                return(object)
404            })            })
405    
406  setMethod("[<-",  setMethod("[<-",
407            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
408            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
409                object <- x                object <- x
410                  if (DBControl(object)[["useDb"]]) {
411                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
412                      counter <- 1
413                      for (id in object@.Data[i, ...]) {
414                          if (length(value) == 1)
415                              db[[id]] <- value
416                          else {
417                              db[[id]] <- value[[counter]]
418                          }
419                          counter <- counter + 1
420                      }
421                  }
422                  else
423                object@.Data[i, ...] <- value                object@.Data[i, ...] <- value
424                return(object)                return(object)
425            })            })
426    
427  setMethod("[[",  setMethod("[[",
428            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY"),
429            function(x, i, j, ...) {            function(x, i, j, ...) {
430                return(load_doc(x@.Data[[i]]))                if (DBControl(x)[["useDb"]]) {
431                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
432                      result <- dbFetch(db, x@.Data[[i]])
433                      return(loadDoc(result))
434                  }
435                  else {
436                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
437                      if (!is.null(lazyTmMap))
438                          .Call("copyCorpus", x, materialize(x, i))
439                      return(loadDoc(x@.Data[[i]]))
440                  }
441            })            })
442    
443  setMethod("[[<-",  setMethod("[[<-",
444            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
445            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
446                object <- x                object <- x
447                  if (DBControl(object)[["useDb"]]) {
448                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
449                      index <- object@.Data[[i]]
450                      db[[index]] <- value
451                  }
452                  else {
453                      # Mark new objects as not active for lazy mapping
454                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
455                      if (!is.null(lazyTmMap)) {
456                          lazyTmMap$index[i] <- FALSE
457                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
458                      }
459                      # Set the value
460                object@.Data[[i, ...]] <- value                object@.Data[[i, ...]] <- value
461                  }
462                return(object)                return(object)
463            })            })
464    
465  # Update \code{NodeID}s of a DCMetaData tree  # Update \code{NodeID}s of a CMetaData tree
466  update_id <- function(object) {  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
467      id <<- 0      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
     mapping <<- left.mapping <<- NULL  
     level <<- 0  
     return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  
 }  
   
 # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s  
468  set_id <- function(object) {  set_id <- function(object) {
469      object@NodeID <- id      object@NodeID <- id
470      id <<- id + 1      id <<- id + 1
# Line 378  Line 487 
487      return(object)      return(object)
488  }  }
489    
490        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
491    }
492    
493  setMethod("c",  setMethod("c",
494            signature(x = "TextDocCol"),            signature(x = "Corpus"),
495            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
496                args <- list(...)                args <- list(...)
497                if(length(args) == 0)                if(length(args) == 0)
498                    return(x)                    return(x)
499    
500                  if (!all(sapply(args, inherits, "Corpus")))
501                      stop("not all arguments are text document collections")
502                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
503                      stop("concatenating text document collections with activated database is not supported")
504    
505                result <- x                result <- x
506                for (c in args) {                for (c in args) {
                   if (!inherits(c, "TextDocCol"))  
                       stop("invalid argument")  
507                    result <- c2(result, c)                    result <- c2(result, c)
508                }                }
509                return(result)                return(result)
# Line 396  Line 511 
511    
512  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 = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
513  setMethod("c2",  setMethod("c2",
514            signature(x = "TextDocCol", y = "TextDocCol"),            signature(x = "Corpus", y = "Corpus"),
515            function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
516                object <- x                object <- x
517                # Concatenate data slots                # Concatenate data slots
518                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
519    
520                # Update the DCMetaData tree                # Set the DBControl slot
521                dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))                object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
522                update.struct <- update_id(dcmeta)  
523                object@DCMetaData <- update.struct$root                # Update the CMetaData tree
524                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
525                  update.struct <- update_id(cmeta)
526                  object@CMetaData <- update.struct$root
527    
528                # Find indices to be updated for the left tree                # Find indices to be updated for the left tree
529                indices.mapping <- NULL                indices.mapping <- NULL
# Line 447  Line 565 
565                return(object)                return(object)
566            })            })
567    
   
568  setMethod("c",  setMethod("c",
569            signature(x = "TextDocument"),            signature(x = "TextDocument"),
570            function(x, ..., recursive = TRUE){            function(x, ..., recursive = TRUE){
# Line 456  Line 573 
573                    return(x)                    return(x)
574    
575                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
576                dcmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
577                              NodeID = 0,                              NodeID = 0,
578                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
579                              children = list())                              children = list())
580    
581                return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))                return(new("Corpus",
582                             .Data = list(x, ...),
583                             DMetaData = dmeta.df,
584                             CMetaData = cmeta.node,
585                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
586            })            })
587    
588  setMethod("length",  setMethod("length",
589            signature(x = "TextDocCol"),            signature(x = "Corpus"),
590            function(x){            function(x){
591                return(length(as(x, "list")))                return(length(as(x, "list")))
592      })      })
593    
594  setMethod("show",  setMethod("show",
595            signature(object = "TextDocCol"),            signature(object = "Corpus"),
596            function(object){            function(object){
597                cat(sprintf(ngettext(length(object),                cat(sprintf(ngettext(length(object),
598                                     "A text document collection with %d text document\n",                                     "A text document collection with %d text document\n",
# Line 480  Line 601 
601      })      })
602    
603  setMethod("summary",  setMethod("summary",
604            signature(object = "TextDocCol"),            signature(object = "Corpus"),
605            function(object){            function(object){
606                show(object)                show(object)
607                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
608                    cat(sprintf(ngettext(length(DCMetaData(object)@MetaData),                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
609                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",
610                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
611                                         length(DCMetaData(object)@MetaData)))                                         length(CMetaData(object)@MetaData)))
612                    cat("Available tags are:\n")                    cat("Available tags are:\n")
613                    cat(names(DCMetaData(object)@MetaData), "\n")                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
614                    cat("Available variables in the data frame are:\n")                    cat("Available variables in the data frame are:\n")
615                    cat(names(DMetaData(object)), "\n")                    cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
616                }                }
617      })      })
618    
619  setGeneric("inspect", function(object) standardGeneric("inspect"))  setGeneric("inspect", function(object) standardGeneric("inspect"))
620  setMethod("inspect",  setMethod("inspect",
621            signature("TextDocCol"),            signature("Corpus"),
622            function(object) {            function(object) {
623                summary(object)                summary(object)
624                cat("\n")                cat("\n")
625                show(object@.Data)                if (DBControl(object)[["useDb"]]) {
626                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
627                      show(dbMultiFetch(db, unlist(object)))
628                  }
629                  else
630                      print(noquote(lapply(object, identity)))
631            })            })
632    
633  # No metadata is checked  # No metadata is checked
634  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
635  setMethod("%IN%",  setMethod("%IN%",
636            signature(x = "TextDocument", y = "TextDocCol"),            signature(x = "TextDocument", y = "Corpus"),
637            function(x, y) {            function(x, y) {
638                x %in% y                if (DBControl(y)[["useDb"]]) {
639                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
640                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
641                  }
642                  else
643                      result <- x %in% y
644                  return(result)
645              })
646    
647    setMethod("lapply",
648              signature(X = "Corpus"),
649              function(X, FUN, ...) {
650                  print("lapply")
651                  if (DBControl(X)[["useDb"]]) {
652                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
653                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
654                  }
655                  else {
656                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
657                      if (!is.null(lazyTmMap))
658                          .Call("copyCorpus", X, materialize(X))
659                      result <- base::lapply(X, FUN, ...)
660                  }
661                  return(result)
662              })
663    
664    setMethod("sapply",
665              signature(X = "Corpus"),
666              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
667                  if (DBControl(X)[["useDb"]]) {
668                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
669                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
670                  }
671                  else {
672                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
673                      if (!is.null(lazyTmMap))
674                          .Call("copyCorpus", X, materialize(X))
675                      result <- base::sapply(X, FUN, ...)
676                  }
677                  return(result)
678              })
679    
680    setAs("list", "Corpus", function(from) {
681        cmeta.node <- new("MetaDataNode",
682                          NodeID = 0,
683                          MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
684                          children = list())
685        data <- list()
686        counter <- 1
687        for (f in from) {
688            doc <- new("PlainTextDocument",
689                       .Data = f, URI = NULL, Cached = TRUE,
690                       Author = "", DateTimeStamp = Sys.time(),
691                       Description = "", ID = as.character(counter),
692                       Origin = "", Heading = "", Language = "en_US")
693            data <- c(data, list(doc))
694            counter <- counter + 1
695        }
696        return(new("Corpus", .Data = data,
697                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
698                   CMetaData = cmeta.node,
699                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
700    })
701    
702    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
703    setMethod("writeCorpus",
704              signature(object = "Corpus"),
705              function(object, path = ".", filenames = NULL) {
706                  filenames <- file.path(path,
707                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
708                                         else filenames)
709                  i <- 1
710                  for (o in object) {
711                      writeLines(o, filenames[i])
712                      i <- i + 1
713                  }
714            })            })

Legend:
Removed from v.696  
changed lines
  Added in v.837

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