SCM

SCM Repository

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

Diff of /pkg/R/corpus.R

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

trunk/R/textmin/R/textdoccol.R revision 51, Mon Aug 7 12:14:09 2006 UTC pkg/tm/R/textdoccol.R revision 884, Wed Jan 28 10:24:27 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("TextDocCol", function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) standardGeneric("TextDocCol"))  # The "..." are additional arguments for the FunctionGenerator reader
4  setMethod("TextDocCol",  setGeneric("Corpus", function(object,
5            c("character"),                                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                # Add a new type for each unique input source format                                    ...) standardGeneric("Corpus"))
8                type <- match.arg(inputType,c("CSV", "RCV1", "REUT21578", "REUT21578_XML", "RIS"))  setMethod("Corpus",
9                switch(type,            signature(object = "Source"),
10                       # Text in a special CSV format            function(object,
11                       # For details on the file format see the R documentation file                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12                       # The first argument is a directory with .csv files                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                       "CSV" = {                     ...) {
14                           filelist <- dir(object, pattern = ".csv", full.names = TRUE)                if (is.null(readerControl$reader))
15                           tdl <- sapply(filelist,                    readerControl$reader <- object@DefaultReader
16                                         function(file) {                if (is(readerControl$reader, "FunctionGenerator"))
17                                             m <- as.matrix(read.csv(file, header = FALSE))                    readerControl$reader <- readerControl$reader(...)
18                                             l <- vector("list", dim(m)[1])                if (is.null(readerControl$language))
19                                             for (i in 1:dim(m)[1]) {                    readerControl$language = "en_US"
20                                                 author <- ""                if (is.null(readerControl$load))
21                                                 datetimestamp <- date()                    readerControl$load = TRUE
22                                                 description <- ""  
23                                                 id <- as.integer(m[i,1])                if (dbControl$useDb) {
24                                                 corpus <- as.character(m[i,2:dim(m)[2]])                    if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                                                 if (stripWhiteSpace)                        stop("error in creating database")
26                                                     corpus <- gsub("[[:space:]]+", " ", corpus)                    db <- dbInit(dbControl$dbName, dbControl$dbType)
27                                                 if (toLower)                }
28                                                     corpus <- tolower(corpus)  
29                                                 origin <- "CSV"                # Allocate memory in advance if length is known
30                                                 heading <- ""                tdl <- if (object@Length > 0)
31                      vector("list", as.integer(object@Length))
32                                                 l[[i]] <- new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,                else
33                                                               Description = description, ID = id, Origin = origin, Heading = heading)                    list()
34                                             }  
35                                             l                counter <- 1
36                                         })                while (!eoi(object)) {
37                           if (length(filelist) > 1)                    object <- stepNext(object)
38                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))                    elem <- getElem(object)
39                           else                    # If there is no Load on Demand support
40                               tdcl <- new("TextDocCol", .Data = tdl)                    # we need to load the corpus into memory at startup
41                       },                    if (!object@LoDSupport)
42                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format                        readerControl$load <- TRUE
43                       # The first argument is a directory with the RCV1 XML files                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
44                       "RCV1" = {                    if (dbControl$useDb) {
45                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)                        dbInsert(db, ID(doc), doc)
46                           tdl <- sapply(filelist,                        if (object@Length > 0)
47                                         function(file) {                            tdl[[counter]] <- ID(doc)
48                                             tree <- xmlTreeParse(file)                        else
49                                             xmlApply(xmlRoot(tree), parseNewsItemPlain, stripWhiteSpace, toLower)                            tdl <- c(tdl, ID(doc))
50                                         })                    }
51                           if (length(filelist) > 1)                    else {
52                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))                        if (object@Length > 0)
53                           else                            tdl[[counter]] <- doc
54                               tdcl <- new("TextDocCol", .Data = tdl)                        else
55                       },                            tdl <- c(tdl, list(doc))
56                       # Read in text documents in Reuters-21578 XML (not SGML) format                    }
57                       # Typically the first argument will be a directory where we can                    counter <- counter + 1
58                       # find the files reut2-000.xml ... reut2-021.xml                }
59                       "REUT21578" = {  
60                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
61                           tdl <- sapply(filelist,                if (dbControl$useDb) {
62                                         function(file) {                    dbInsert(db, "DMetaData", df)
63                                             tree <- xmlTreeParse(file)                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
64                                             xmlApply(xmlRoot(tree), parseReutersPlain, stripWhiteSpace, toLower)                }
65                                         })                else
66                           if (length(filelist) > 1)                    dmeta.df <- df
67                               tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
68                           else                cmeta.node <- new("MetaDataNode",
69                               tdcl <- new("TextDocCol", .Data = tdl)                              NodeID = 0,
70                       },                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
71                       "REUT21578_XML" = {                              children = list())
72                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
73                           tdl <- sapply(filelist,                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
74                                         function(file) {            })
75                                             parseReutersXML(file)  
76                                         })  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
77                           tdcl <- new("TextDocCol", .Data = tdl)  setMethod("loadDoc",
78                       },            signature(object = "PlainTextDocument"),
79                       # Read in HTML documents as used by http://ris.bka.gv.at/vwgh            function(object, ...) {
80                       "RIS" = {                if (!Cached(object)) {
81                           filelist <- dir(object, pattern = ".html", full.names = TRUE)                    con <- eval(URI(object))
82                           tdl <- sapply(filelist,                    corpus <- readLines(con)
83                                         function(file) {                    close(con)
84                                             # Ignore warnings from misformed HTML documents                    Content(object) <- corpus
85                                             suppressWarnings(RISDoc <- parseRISPlain(file, stripWhiteSpace, toLower))                    Cached(object) <- TRUE
86                                             if (!is.null(RISDoc)) {                    return(object)
87                                                 l <- list()                } else {
88                                                 l[[length(l) + 1]] <- RISDoc                    return(object)
89                                                 l                }
90                                             }            })
91                                         })  setMethod("loadDoc",
92                           tdcl <- new("TextDocCol", .Data = tdl)            signature(object =  "XMLTextDocument"),
93                       })            function(object, ...) {
94                tdcl                if (!Cached(object)) {
95            })                    con <- eval(URI(object))
96                      corpus <- paste(readLines(con), "\n", collapse = "")
97  # Parse an Austrian RIS HTML document                    close(con)
98  parseRISPlain <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {                    doc <- xmlTreeParse(corpus, asText = TRUE)
     author <- ""  
     datetimestamp <- date()  
     description <- ""  
   
     tree <- htmlTreeParse(file)  
     htmlElem <- unlist(tree$children$html$children)  
   
     if (is.null(htmlElem))  
         stop(paste("Empty document", file, "cannot be processed."))  
   
     textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  
     names(textElem) <- NULL  
   
     corpus <- paste(textElem, collapse = " ")  
   
     year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)  
     senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)  
     number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)  
   
     id <- as.integer(paste(year, senat, number, sep = ""))  
   
     if (is.na(id))  
         stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  
     origin <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- ""  
   
     new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading)  
 }  
   
 # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file  
 parseNewsItemPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- "Not yet implemented"  
     datetimestamp <- xmlAttrs(node)[["date"]]  
     description <- "Not yet implemented"  
     id <- as.integer(xmlAttrs(node)[["itemid"]])  
     origin <- "Reuters Corpus Volume 1 XML"  
     corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     heading <- xmlValue(node[["title"]])  
   
     new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading)  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReutersPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  
     # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["AUTHOR"]]))  
         author <- xmlValue(node[["TEXT"]][["AUTHOR"]])  
     else  
         author <- ""  
   
     datetimestamp <- xmlValue(node[["DATE"]])  
     description <- ""  
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
   
     origin <- "Reuters-21578 XML"  
   
     # The <BODY></BODY> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["BODY"]]))  
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
   
     # The <TITLE></TITLE> tag is unfortunately NOT obligatory!  
     if (!is.null(node[["TEXT"]][["TITLE"]]))  
         heading <- xmlValue(node[["TEXT"]][["TITLE"]])  
     else  
         heading <- ""  
   
     topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)  
   
     new("PlainTextDocument", .Data = corpus, Cached = 1, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  
 }  
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReutersXML<- function(file) {  
     new("XMLTextDocument", FileName = file, Cached = 0, Author = "REUTERS", DateTimeStamp = date(),  
         Description = "Reuters21578 file containing several news articles", ID = as.integer(0),  
         Origin = "Reuters-21578 XML", Heading = "Reuters21578 news articles")  
 }  
   
 setGeneric("loadFileIntoMem", function(object) standardGeneric("loadFileIntoMem"))  
 setMethod("loadFileIntoMem",  
           c("XMLTextDocument"),  
           function(object) {  
               if (object@Cached == 0) {  
                   file <- object@FileName  
                   doc <- xmlTreeParse(file)  
99                    class(doc) <- "list"                    class(doc) <- "list"
100                    object@.Data <- doc                    Content(object) <- doc
101                    object@Cached <- 1                    Cached(object) <- TRUE
102                    return(object)                    return(object)
103                } else {                } else {
104                    return(object)                    return(object)
105                }                }
106            })            })
107    setMethod("loadDoc",
108              signature(object = "NewsgroupDocument"),
109              function(object, ...) {
110                  if (!Cached(object)) {
111                      con <- eval(URI(object))
112                      mail <- readLines(con)
113                      close(con)
114                      Cached(object) <- TRUE
115                      for (index in seq_along(mail)) {
116                          if (mail[index] == "")
117                              break
118                      }
119                      Content(object) <- mail[(index + 1):length(mail)]
120                      return(object)
121                  } else {
122                      return(object)
123                  }
124              })
125    setMethod("loadDoc",
126              signature(object = "StructuredTextDocument"),
127              function(object, ...) {
128                  if (!Cached(object)) {
129                      warning("load on demand not (yet) supported for StructuredTextDocuments")
130                      return(object)
131                  } else
132                      return(object)
133              })
134    
135  setGeneric("transformTextDocCol", function(object, FUN, ...) standardGeneric("transformTextDocCol"))  setGeneric("tmUpdate", function(object,
136  setMethod("transformTextDocCol",                                  origin,
137            c("TextDocCol"),                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
138            function(object, FUN, ...) {                                  ...) standardGeneric("tmUpdate"))
139                lapply(object, FUN, ...)  # Update is only supported for directories
140    # At the moment no other LoD devices are available anyway
141    setMethod("tmUpdate",
142              signature(object = "Corpus", origin = "DirSource"),
143              function(object, origin,
144                       readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
145                       ...) {
146                  if (is.null(readerControl$reader))
147                      readerControl$reader <- origin@DefaultReader
148                  if (is(readerControl$reader, "FunctionGenerator"))
149                      readerControl$reader <- readerControl$reader(...)
150                  if (is.null(readerControl$language))
151                      readerControl$language = "en_US"
152                  if (is.null(readerControl$load))
153                      readerControl$load = TRUE
154    
155                  object.filelist <- unlist(lapply(object, function(x) {summary(eval(URI(x)))$description}))
156                  new.files <- setdiff(origin@FileList, object.filelist)
157    
158                  for (filename in new.files) {
159                      encoding <- origin@Encoding
160                      elem <- list(content = readLines(filename, encoding = encoding),
161                                   uri = substitute(file(filename, encoding = encoding)))
162                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
163                  }
164    
165                  return(object)
166              })
167    
168    setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
169    setMethod("tmMap",
170              signature(object = "Corpus", FUN = "function"),
171              function(object, FUN, ..., lazy = FALSE) {
172                  result <- object
173                  # Note that text corpora are automatically loaded into memory via \code{[[}
174                  if (DBControl(object)[["useDb"]]) {
175                      if (lazy)
176                          warning("lazy mapping is deactived when using database backend")
177                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
178                      i <- 1
179                      for (id in unlist(object)) {
180                          db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
181                          i <- i + 1
182                      }
183                      # Suggested by Christian Buchta
184                      dbReorganize(db)
185                  }
186                  else {
187                      # Lazy mapping
188                      if (lazy) {
189                          lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
190                          if (is.null(lazyTmMap)) {
191                              meta(result, tag = "lazyTmMap", type = "corpus") <-
192                                  list(index = rep(TRUE, length(result)),
193                                       maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
194                          }
195                          else {
196                              lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
197                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
198                          }
199                      }
200                      else {
201                          result@.Data <- if (clusterAvailable())
202                              snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
203                          else
204                              lapply(object, FUN, ..., DMetaData = DMetaData(object))
205                      }
206                  }
207                  return(result)
208            })            })
209    
210  setGeneric("toPlainTextDocument", function(object, FUN, ...) standardGeneric("toPlainTextDocument"))  # Materialize lazy mappings
211  setMethod("toPlainTextDocument",  # Improvements by Christian Buchta
212            c("PlainTextDocument"),  materialize <- function(corpus, range = seq_along(corpus)) {
213        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
214        if (!is.null(lazyTmMap)) {
215           # Make valid and lazy index
216           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
217           if (any(idx)) {
218               res <- lapply(corpus@.Data[idx], loadDoc)
219               for (m in lazyTmMap$maps)
220                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
221               corpus@.Data[idx] <- res
222               lazyTmMap$index[idx] <- FALSE
223           }
224        }
225        # Clean up if everything is materialized
226        if (!any(lazyTmMap$index))
227            lazyTmMap <- NULL
228        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
229        return(corpus)
230    }
231    
232    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
233    setMethod("asPlain",
234              signature(object = "PlainTextDocument"),
235            function(object, FUN, ...) {            function(object, FUN, ...) {
236                return(object)                return(object)
237            })            })
238  setMethod("toPlainTextDocument",  setMethod("asPlain",
239            c("XMLTextDocument"),            signature(object = "XMLTextDocument"),
240            function(object, FUN, ...) {            function(object, FUN, ...) {
241                if (object@Cached == 0)                corpus <- Content(object)
                   object <- loadFileIntoMem(object)  
242    
243                corpus <- object@.Data                # As XMLDocument is no native S4 class, restore valid information
244                  class(corpus) <- "XMLDocument"
245                  names(corpus) <- c("doc","dtd")
246    
247                  return(FUN(xmlRoot(corpus), ...))
248              })
249    setMethod("asPlain",
250              signature(object = "Reuters21578Document"),
251              function(object, FUN, ...) {
252                  FUN <- convertReut21578XMLPlain
253                  corpus <- Content(object)
254    
255                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
256                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
257                names(corpus) <- c("doc","dtd")                names(corpus) <- c("doc","dtd")
258    
259                return(xmlApply(xmlRoot(corpus), FUN, ...))                return(FUN(xmlRoot(corpus), ...))
260              })
261    setMethod("asPlain",
262              signature(object = "RCV1Document"),
263              function(object, FUN, ...) {
264                  return(convertRCV1Plain(object, ...))
265              })
266    setMethod("asPlain",
267              signature(object = "NewsgroupDocument"),
268              function(object, FUN, ...) {
269                  new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),
270                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
271                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
272                      LocalMetaData = LocalMetaData(object))
273              })
274    setMethod("asPlain",
275              signature(object = "StructuredTextDocument"),
276              function(object, FUN, ...) {
277                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
278                      URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),
279                      Description = Description(object), ID = ID(object), Origin = Origin(object),
280                      Heading = Heading(object), Language = Language(object),
281                      LocalMetaData = LocalMetaData(object))
282              })
283    
284    setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
285    setMethod("tmFilter",
286              signature(object = "Corpus"),
287              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
288                  if (!is.null(attr(FUN, "doclevel")))
289                      doclevel <- attr(FUN, "doclevel")
290                  if (doclevel) {
291                      if (clusterAvailable())
292                          return(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])
293                      else
294                          return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
295                  }
296                  else
297                      return(object[FUN(object, ...)])
298              })
299    
300    setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
301    setMethod("tmIndex",
302              signature(object = "Corpus"),
303              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
304                  if (!is.null(attr(FUN, "doclevel")))
305                      doclevel <- attr(FUN, "doclevel")
306                  if (doclevel) {
307                      if (clusterAvailable())
308                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
309                      else
310                          return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
311                  }
312                  else
313                      return(FUN(object, ...))
314            })            })
315    
316  setGeneric("stemTextDocument", function(object) standardGeneric("stemTextDocument"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
317  setMethod("stemTextDocument",  setMethod("appendElem",
318            c("PlainTextDocument"),            signature(object = "Corpus", data = "TextDocument"),
319            function(object) {            function(object, data, meta = NULL) {
320                require(Rstem)                if (DBControl(object)[["useDb"]]) {
321                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
322                stemmedCorpus <- wordStem(splittedCorpus)                    if (dbExists(db, ID(data)))
323                object@.Data <- paste(stemmedCorpus, collapse = " ")                        warning("document with identical ID already exists")
324                      dbInsert(db, ID(data), data)
325                      object@.Data[[length(object)+1]] <- ID(data)
326                  }
327                  else
328                      object@.Data[[length(object)+1]] <- data
329                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
330                return (object)                return (object)
331            })            })
332    
333  setGeneric("removeStopWordsInTextDocument", function(object, stopwords) standardGeneric("removeStopWordsInTextDocument"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
334  setMethod("removeStopWordsInTextDocument",  setMethod("appendMeta",
335            c("PlainTextDocument", "character"),            signature(object = "Corpus"),
336            function(object, stopwords) {            function(object, cmeta = NULL, dmeta = NULL) {
337                require(Rstem)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
338                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                if (!is.null(dmeta)) {
339                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                    DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
340                object@.Data <- paste(noStopwordsCorpus, collapse = " ")                }
341                return (object)                return (object)
342            })            })
343    
344  setGeneric("filterTextDocCol", function(object, FUN, ...) standardGeneric("filterTextDocCol"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
345  setMethod("filterTextDocCol",  setMethod("removeMeta",
346            c("TextDocCol"),            signature(object = "Corpus"),
347            function(object, FUN, ...) {            function(object, cname = NULL, dname = NULL) {
348                sapply(object, FUN, ...)                if (!is.null(cname))
349                      object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
350                  if (!is.null(dname))
351                      DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
352                  return(object)
353              })
354    
355    setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
356    setMethod("prescindMeta",
357              signature(object = "Corpus", meta = "character"),
358              function(object, meta) {
359                  for (m in meta) {
360                      if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
361                          local.m <- lapply(object, m)
362                          local.m <- sapply(local.m, paste, collapse = " ")
363                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
364                          local.m <- unlist(local.m)
365                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
366                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
367                      }
368                      else {
369                          local.meta <- lapply(object, LocalMetaData)
370                          local.m <- lapply(local.meta, "[[", m)
371                          local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
372                          if (length(local.m) == length(unlist(local.m)))
373                              local.m <- unlist(local.m)
374                          else
375                              local.m <- I(local.m)
376                          DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
377                          names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
378                      }
379                  }
380                  return(object)
381              })
382    
383    setMethod("[",
384              signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
385              function(x, i, j, ... , drop) {
386                  if(missing(i))
387                      return(x)
388    
389                  object <- x
390                  object@.Data <- x@.Data[i, ..., drop = FALSE]
391                  if (DBControl(object)[["useDb"]]) {
392                      index <- object@DMetaData[[1 , "subset"]]
393                      if (any(is.na(index)))
394                          object@DMetaData[[1 , "subset"]] <- i
395                      else
396                          object@DMetaData[[1 , "subset"]] <- index[i]
397                  }
398                  else
399                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
400                  return(object)
401              })
402    
403    setMethod("[<-",
404              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
405              function(x, i, j, ... , value) {
406                  object <- x
407                  if (DBControl(object)[["useDb"]]) {
408                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
409                      counter <- 1
410                      for (id in object@.Data[i, ...]) {
411                          if (length(value) == 1)
412                              db[[id]] <- value
413                          else {
414                              db[[id]] <- value[[counter]]
415                          }
416                          counter <- counter + 1
417                      }
418                  }
419                  else
420                      object@.Data[i, ...] <- value
421                  return(object)
422              })
423    
424    setMethod("[[",
425              signature(x = "Corpus", i = "ANY", j = "ANY"),
426              function(x, i, j, ...) {
427                  if (DBControl(x)[["useDb"]]) {
428                      db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
429                      result <- dbFetch(db, x@.Data[[i]])
430                      return(loadDoc(result))
431                  }
432                  else {
433                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
434                      if (!is.null(lazyTmMap))
435                          .Call("copyCorpus", x, materialize(x, i))
436                      return(loadDoc(x@.Data[[i]]))
437                  }
438              })
439    
440    setMethod("[[<-",
441              signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
442              function(x, i, j, ..., value) {
443                  object <- x
444                  if (DBControl(object)[["useDb"]]) {
445                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
446                      index <- object@.Data[[i]]
447                      db[[index]] <- value
448                  }
449                  else {
450                      # Mark new objects as not active for lazy mapping
451                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
452                      if (!is.null(lazyTmMap)) {
453                          lazyTmMap$index[i] <- FALSE
454                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
455                      }
456                      # Set the value
457                      object@.Data[[i, ...]] <- value
458                  }
459                  return(object)
460              })
461    
462    # Update \code{NodeID}s of a CMetaData tree
463    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
464        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
465        set_id <- function(object) {
466            object@NodeID <- id
467            id <<- id + 1
468            level <<- level + 1
469    
470            if (length(object@children) > 0) {
471                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
472                left <- set_id(object@children[[1]])
473                if (level == 1) {
474                    left.mapping <<- mapping
475                    mapping <<- NULL
476                }
477                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
478                right <- set_id(object@children[[2]])
479    
480                object@children <- list(left, right)
481            }
482            level <<- level - 1
483    
484            return(object)
485        }
486    
487        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
488    }
489    
490    setMethod("c",
491              signature(x = "Corpus"),
492              function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
493                  args <- list(...)
494                  if (length(args) == 0)
495                      return(x)
496    
497                  if (!all(sapply(args, inherits, "Corpus")))
498                      stop("not all arguments are text document collections")
499                  if (DBControl(x)[["useDb"]] == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))
500                      stop("concatenating text document collections with activated database is not supported")
501    
502                  result <- x
503                  for (c in args) {
504                      result <- c2(result, c)
505                  }
506                  return(result)
507            })            })
508    
509  setGeneric("filterREUT21578Topics", function(object, topics, ...) standardGeneric("filterREUT21578Topics"))  setGeneric("c2", function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
510  setMethod("filterREUT21578Topics",  setMethod("c2",
511            c("PlainTextDocument", "character"),            signature(x = "Corpus", y = "Corpus"),
512            function(object, topics, ...) {            function(x, y, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
513                if (object@Cached == 0)                object <- x
514                    object <- loadFileIntoMem(object)                # Concatenate data slots
515                  object@.Data <- c(as(x, "list"), as(y, "list"))
516    
517                  # Set the DBControl slot
518                  object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
519    
520                  # Update the CMetaData tree
521                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
522                  update.struct <- update_id(cmeta)
523                  object@CMetaData <- update.struct$root
524    
525                  # Find indices to be updated for the left tree
526                  indices.mapping <- NULL
527                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
528                      indices <- (DMetaData(x)$MetaID == m)
529                      indices.mapping <- c(indices.mapping, list(m = indices))
530                      names(indices.mapping)[length(indices.mapping)] <- m
531                  }
532    
533                  # Update the DMetaData data frames for the left tree
534                  for (i in 1:ncol(update.struct$left.mapping)) {
535                      map <- update.struct$left.mapping[,i]
536                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
537                  }
538    
539                  # Find indices to be updated for the right tree
540                  indices.mapping <- NULL
541                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
542                      indices <- (DMetaData(y)$MetaID == m)
543                      indices.mapping <- c(indices.mapping, list(m = indices))
544                      names(indices.mapping)[length(indices.mapping)] <- m
545                  }
546    
547                  # Update the DMetaData data frames for the right tree
548                  for (i in 1:ncol(update.struct$right.mapping)) {
549                      map <- update.struct$right.mapping[,i]
550                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
551                  }
552    
553                  # Merge the DMetaData data frames
554                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
555                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
556                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
557                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
558                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
559                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
560                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
561    
562                  return(object)
563              })
564    
565    setMethod("c",
566              signature(x = "TextDocument"),
567              function(x, ..., recursive = TRUE){
568                  args <- list(...)
569                  if(length(args) == 0)
570                      return(x)
571    
572                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
573                  cmeta.node <- new("MetaDataNode",
574                                NodeID = 0,
575                                MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
576                                children = list())
577    
578                  return(new("Corpus",
579                             .Data = list(x, ...),
580                             DMetaData = dmeta.df,
581                             CMetaData = cmeta.node,
582                             DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))
583              })
584    
585    setMethod("length",
586              signature(x = "Corpus"),
587              function(x){
588                  return(length(as(x, "list")))
589        })
590    
591    setMethod("show",
592              signature(object = "Corpus"),
593              function(object){
594                  cat(sprintf(ngettext(length(object),
595                                       "A text document collection with %d text document\n",
596                                       "A text document collection with %d text documents\n"),
597                              length(object)))
598        })
599    
600    setMethod("summary",
601              signature(object = "Corpus"),
602              function(object){
603                  show(object)
604                  if (length(DMetaData(object)) > 0) {
605                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
606                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
607                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
608                                           length(CMetaData(object)@MetaData)))
609                      cat("Available tags are:\n")
610                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
611                      cat("Available variables in the data frame are:\n")
612                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
613                  }
614        })
615    
616    setGeneric("inspect", function(object) standardGeneric("inspect"))
617    setMethod("inspect",
618              signature("Corpus"),
619              function(object) {
620                  summary(object)
621                  cat("\n")
622                  if (DBControl(object)[["useDb"]]) {
623                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
624                      show(dbMultiFetch(db, unlist(object)))
625                  }
626                  else
627                      print(noquote(lapply(object, identity)))
628              })
629    
630                if (any(object@LocalMetaData$Topics %in% topics))  # No metadata is checked
631                    return(TRUE)  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
632    setMethod("%IN%",
633              signature(x = "TextDocument", y = "Corpus"),
634              function(x, y) {
635                  if (DBControl(y)[["useDb"]]) {
636                      db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
637                      result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))
638                  }
639                else                else
640                    return(FALSE)                    result <- x %in% y
641                  return(result)
642              })
643    
644    setMethod("lapply",
645              signature(X = "Corpus"),
646              function(X, FUN, ...) {
647                  if (DBControl(X)[["useDb"]]) {
648                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
649                      result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
650                  }
651                  else {
652                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
653                      if (!is.null(lazyTmMap))
654                          .Call("copyCorpus", X, materialize(X))
655                      result <- base::lapply(X, FUN, ...)
656                  }
657                  return(result)
658              })
659    
660    setMethod("sapply",
661              signature(X = "Corpus"),
662              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
663                  if (DBControl(X)[["useDb"]]) {
664                      db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
665                      result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
666                  }
667                  else {
668                      lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
669                      if (!is.null(lazyTmMap))
670                          .Call("copyCorpus", X, materialize(X))
671                      result <- base::sapply(X, FUN, ...)
672                  }
673                  return(result)
674              })
675    
676    setAs("list", "Corpus", function(from) {
677        cmeta.node <- new("MetaDataNode",
678                          NodeID = 0,
679                          MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
680                          children = list())
681        data <- list()
682        counter <- 1
683        for (f in from) {
684            doc <- new("PlainTextDocument",
685                       .Data = f, URI = NULL, Cached = TRUE,
686                       Author = "", DateTimeStamp = Sys.time(),
687                       Description = "", ID = as.character(counter),
688                       Origin = "", Heading = "", Language = "en_US")
689            data <- c(data, list(doc))
690            counter <- counter + 1
691        }
692        return(new("Corpus", .Data = data,
693                   DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
694                   CMetaData = cmeta.node,
695                   DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))
696    })
697    
698    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
699    setMethod("writeCorpus",
700              signature(object = "Corpus"),
701              function(object, path = ".", filenames = NULL) {
702                  filenames <- file.path(path,
703                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
704                                         else filenames)
705                  i <- 1
706                  for (o in object) {
707                      writeLines(asPlain(o), filenames[i])
708                      i <- i + 1
709                  }
710            })            })

Legend:
Removed from v.51  
changed lines
  Added in v.884

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