SCM

SCM Repository

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

Diff of /pkg/R/corpus.R

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

trunk/tm/R/textdoccol.R revision 697, Fri Jan 5 23:09:12 2007 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  # 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                  # Allocate memory in advance if length is known
30                  tdl <- if (object@Length > 0)
31                      vector("list", as.integer(object@Length))
32                  else
33                      list()
34    
               tdl <- list()  
35                counter <- 1                counter <- 1
36                while (!eoi(object)) {                while (!eoi(object)) {
37                    object <- step_next(object)                    object <- stepNext(object)
38                    elem <- get_elem(object)                    elem <- getElem(object)
39                    # If there is no Load on Demand support                    # If there is no Load on Demand support
40                    # we need to load the corpus into memory at startup                    # we need to load the corpus into memory at startup
41                    if (!object@LoDSupport)                    if (!object@LoDSupport)
42                        load <- TRUE                        readerControl$load <- TRUE
43                    tdl <- c(tdl, list(parser(elem, load, as.character(counter))))                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
44                      if (dbControl$useDb) {
45                          dbInsert(db, ID(doc), doc)
46                          if (object@Length > 0)
47                              tdl[[counter]] <- ID(doc)
48                          else
49                              tdl <- c(tdl, ID(doc))
50                      }
51                      else {
52                          if (object@Length > 0)
53                              tdl[[counter]] <- doc
54                          else
55                              tdl <- c(tdl, list(doc))
56                      }
57                    counter <- counter + 1                    counter <- counter + 1
58                }                }
59    
60                dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
61                dcmeta.node <- new("MetaDataNode",                if (dbControl$useDb) {
62                      dbInsert(db, "DMetaData", df)
63                      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
64                  }
65                  else
66                      dmeta.df <- df
67    
68                  cmeta.node <- new("MetaDataNode",
69                              NodeID = 0,                              NodeID = 0,
70                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
71                              children = list())                              children = list())
72    
73                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
74            })            })
75    
76  setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
77  setMethod("load_doc",  setMethod("loadDoc",
78            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
79            function(object, ...) {            function(object, ...) {
80                if (!Cached(object)) {                if (!Cached(object)) {
81                    con <- eval(URI(object))                    con <- eval(URI(object))
82                    corpus <- readLines(con)                    corpus <- readLines(con)
83                    close(con)                    close(con)
84                    Corpus(object) <- corpus                    Content(object) <- corpus
85                    Cached(object) <- TRUE                    Cached(object) <- TRUE
86                    return(object)                    return(object)
87                } else {                } else {
88                    return(object)                    return(object)
89                }                }
90            })            })
91  setMethod("load_doc",  setMethod("loadDoc",
92            signature(object =  "XMLTextDocument"),            signature(object =  "XMLTextDocument"),
93            function(object, ...) {            function(object, ...) {
94                if (!Cached(object)) {                if (!Cached(object)) {
# Line 54  Line 97 
97                    close(con)                    close(con)
98                    doc <- xmlTreeParse(corpus, asText = TRUE)                    doc <- xmlTreeParse(corpus, asText = TRUE)
99                    class(doc) <- "list"                    class(doc) <- "list"
100                    Corpus(object) <- doc                    Content(object) <- doc
101                    Cached(object) <- TRUE                    Cached(object) <- TRUE
102                    return(object)                    return(object)
103                } else {                } else {
104                    return(object)                    return(object)
105                }                }
106            })            })
107  setMethod("load_doc",  setMethod("loadDoc",
108            signature(object = "NewsgroupDocument"),            signature(object = "NewsgroupDocument"),
109            function(object, ...) {            function(object, ...) {
110                if (!Cached(object)) {                if (!Cached(object)) {
# Line 69  Line 112 
112                    mail <- readLines(con)                    mail <- readLines(con)
113                    close(con)                    close(con)
114                    Cached(object) <- TRUE                    Cached(object) <- TRUE
115                    for (index in seq(along = mail)) {                    for (index in seq_along(mail)) {
116                        if (mail[index] == "")                        if (mail[index] == "")
117                            break                            break
118                    }                    }
119                    Corpus(object) <- mail[(index + 1):length(mail)]                    Content(object) <- mail[(index + 1):length(mail)]
120                    return(object)                    return(object)
121                } else {                } else {
122                    return(object)                    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("tm_update", function(object, origin, parser = read_plain, ...) standardGeneric("tm_update"))  setGeneric("tmUpdate", function(object,
136                                    origin,
137                                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
138                                    ...) standardGeneric("tmUpdate"))
139  # Update is only supported for directories  # Update is only supported for directories
140  # At the moment no other LoD devices are available anyway  # At the moment no other LoD devices are available anyway
141  setMethod("tm_update",  setMethod("tmUpdate",
142            signature(object = "TextDocCol", origin = "DirSource"),            signature(object = "Corpus", origin = "DirSource"),
143            function(object, origin, parser = read_plain, ...) {            function(object, origin,
144                if (inherits(parser, "function_generator"))                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
145                    parser <- parser(...)                     ...) {
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$load = TRUE
154    
155                object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))                object.filelist <- unlist(lapply(object, function(x) {summary(eval(URI(x)))$description}))
156                new.files <- setdiff(origin@FileList, object.filelist)                new.files <- setdiff(origin@FileList, object.filelist)
157    
158                for (filename in new.files) {                for (filename in new.files) {
159                    elem <- list(content = readLines(filename),                    encoding <- origin@Encoding
160                                 uri = substitute(file(filename)))                    elem <- list(content = readLines(filename, encoding = encoding),
161                    object <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)                                 uri = substitute(file(filename, encoding = encoding)))
162                      object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))
163                }                }
164    
165                return(object)                return(object)
166            })            })
167    
168  setGeneric("tm_map", function(object, FUN, ...) standardGeneric("tm_map"))  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
169  setMethod("tm_map",  setMethod("tmMap",
170            signature(object = "TextDocCol", FUN = "function"),            signature(object = "Corpus", FUN = "function"),
171            function(object, FUN, ...) {            function(object, FUN, ..., lazy = FALSE) {
172                result <- object                result <- object
173                # Note that text corpora are automatically loaded into memory via \code{[[}                # Note that text corpora are automatically loaded into memory via \code{[[}
174                result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                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$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
197                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
198                          }
199                      }
200                      else {
201                          result@.Data <- if (clusterAvailable())
202                              snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
203                          else
204                              lapply(object, FUN, ..., DMetaData = DMetaData(object))
205                      }
206                  }
207                return(result)                return(result)
208            })            })
209    
210  setGeneric("as.plain", function(object, FUN, ...) standardGeneric("as.plain"))  # Materialize lazy mappings
211  setMethod("as.plain",  # Improvements by Christian Buchta
212    materialize <- function(corpus, range = seq_along(corpus)) {
213        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
214        if (!is.null(lazyTmMap)) {
215           # Make valid and lazy index
216           idx <- (seq_along(corpus) %in% range) & lazyTmMap$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"),            signature(object = "PlainTextDocument"),
235            function(object, FUN, ...) {            function(object, FUN, ...) {
236                return(object)                return(object)
237            })            })
238  setMethod("as.plain",  setMethod("asPlain",
239            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "XMLTextDocument"),
240            function(object, FUN, ...) {            function(object, FUN, ...) {
241                corpus <- Corpus(object)                corpus <- Content(object)
242    
243                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
244                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 128  Line 246 
246    
247                return(FUN(xmlRoot(corpus), ...))                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  setGeneric("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))                # As XMLDocument is no native S4 class, restore valid information
256  setMethod("tm_tolower",                class(corpus) <- "XMLDocument"
257            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
258    
259  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)  
260            })            })
261    setMethod("asPlain",
262  setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))            signature(object = "RCV1Document"),
263  setMethod("stem_doc",            function(object, FUN, ...) {
264            signature(object = "PlainTextDocument"),                return(convertRCV1Plain(object, ...))
           function(object, ...) {  
               require("Rstem")  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
265            })            })
266    setMethod("asPlain",
267  setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))            signature(object = "NewsgroupDocument"),
268  setMethod("remove_words",            function(object, FUN, ...) {
269            signature(object = "PlainTextDocument", stopwords = "character"),                new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),
270            function(object, stopwords, ...) {                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
271                require("Rstem")                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
272                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                    LocalMetaData = LocalMetaData(object))
               noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]  
               Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")  
               return(object)  
273            })            })
274    setMethod("asPlain",
275  setGeneric("tm_filter", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_filter"))            signature(object = "StructuredTextDocument"),
276  setMethod("tm_filter",            function(object, FUN, ...) {
277            signature(object = "TextDocCol"),                new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
278            function(object, ..., FUN = s_filter, doclevel = FALSE) {                    URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),
279                if (doclevel)                    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))])                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
295                  }
296                else                else
297                    return(object[FUN(object, ...)])                    return(object[FUN(object, ...)])
298            })            })
299    
300  setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
301  setMethod("tm_index",  setMethod("tmIndex",
302            signature(object = "TextDocCol"),            signature(object = "Corpus"),
303            function(object, ..., FUN = s_filter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
304                if (doclevel)                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)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
311                  }
312                else                else
313                    return(FUN(object, ...))                    return(FUN(object, ...))
314            })            })
315    
316  s_filter <- function(object, s, ...) {  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
317      query.df <- DMetaData(object)  setMethod("appendElem",
318      con <- textConnection(s)            signature(object = "Corpus", data = "TextDocument"),
319      tokens <- scan(con, "character")            function(object, data, meta = NULL) {
320      close(con)                if (DBControl(object)[["useDb"]]) {
321      local.meta <- lapply(object, LocalMetaData)                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
322      local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)                    if (dbExists(db, ID(data)))
323      l.meta <- NULL                        warning("document with identical ID already exists")
324      for (i in 1:length(object)) {                    dbInsert(db, ID(data), data)
325          l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))                    object@.Data[[length(object)+1]] <- ID(data)
     }  
     # Load local meta data from text documents into data frame  
     for (i in 1:length(l.meta)) {  
         l.meta[[i]] <- c(l.meta[[i]], list(author = Author(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(datetimestamp = DateTimeStamp(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(description = Description(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(identifier = ID(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(origin = Origin(object[[i]])))  
         l.meta[[i]] <- c(l.meta[[i]], list(heading = Heading(object[[i]])))  
     }  
     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)  
326                  }                  }
327                  else                  else
                     query.df[i, m.name] <- m  
             }  
         }  
     }  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("search_fulltext", function(object, pattern, ...) standardGeneric("search_fulltext"))  
 setMethod("search_fulltext",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           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"),  
           function(object, data, meta = NULL) {  
328                object@.Data[[length(object)+1]] <- data                object@.Data[[length(object)+1]] <- data
329                object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))                DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
330                return(object)                return(object)
331            })            })
332    
333  setGeneric("append_meta", function(object, dcmeta = NULL, dmeta = NULL) standardGeneric("append_meta"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
334  setMethod("append_meta",  setMethod("appendMeta",
335            signature(object = "TextDocCol"),            signature(object = "Corpus"),
336            function(object, dcmeta = NULL, dmeta = NULL) {            function(object, cmeta = NULL, dmeta = NULL) {
337                object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
338                if (!is.null(dcmeta))                if (!is.null(dmeta)) {
339                    object@DMetaData <- cbind(object@DMetaData, dmeta)                    DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))
340                  }
341                return(object)                return(object)
342            })            })
343    
344  setGeneric("remove_meta", function(object, dcname = NULL, dname = NULL) standardGeneric("remove_meta"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
345  setMethod("remove_meta",  setMethod("removeMeta",
346            signature(object = "TextDocCol"),            signature(object = "Corpus"),
347            function(object, dcname = NULL, dname = NULL) {            function(object, cname = NULL, dname = NULL) {
348                if (!is.null(dcname)) {                if (!is.null(cname))
349                    object@DCMetaData@MetaData <- DCMetaData(object)@MetaData[names(DCMetaData(object)@MetaData) != dcname]                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
350                }                if (!is.null(dname))
351                if (!is.null(dname)) {                    DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
                   object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != dname]  
               }  
352                return(object)                return(object)
353            })            })
354    
355  setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
356  setMethod("prescind_meta",  setMethod("prescindMeta",
357            signature(object = "TextDocCol", meta = "character"),            signature(object = "Corpus", meta = "character"),
358            function(object, meta) {            function(object, meta) {
359                for (m in meta) {                for (m in meta) {
360                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading")) {                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
361                        local.m <- lapply(object, m)                        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))                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))
364                        local.m <- unlist(local.m)                        local.m <- unlist(local.m)
365                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
366                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
367                    }                    }
368                    else {                    else {
369                        local.meta <- lapply(object, LocalMetaData)                        local.meta <- lapply(object, LocalMetaData)
# Line 304  Line 373 
373                            local.m <- unlist(local.m)                            local.m <- unlist(local.m)
374                        else                        else
375                            local.m <- I(local.m)                            local.m <- I(local.m)
376                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
377                        names(object@DMetaData)[length(object@DMetaData)] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
378                    }                    }
379                }                }
380                return(object)                return(object)
381            })            })
382    
383  setMethod("[",  setMethod("[",
384            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
385            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
386                if(missing(i))                if(missing(i))
387                    return(x)                    return(x)
388    
389                object <- x                object <- x
390                object@.Data <- x@.Data[i, ..., drop = FALSE]                object@.Data <- x@.Data[i, ..., drop = FALSE]
391                df <- as.data.frame(DMetaData(object)[i, ])                if (DBControl(object)[["useDb"]]) {
392                names(df) <- names(DMetaData(object))                    index <- object@DMetaData[[1 , "subset"]]
393                object@DMetaData <- df                    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)                return(object)
401            })            })
402    
403  setMethod("[<-",  setMethod("[<-",
404            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
405            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
406                object <- x                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                object@.Data[i, ...] <- value
421                return(object)                return(object)
422            })            })
423    
424  setMethod("[[",  setMethod("[[",
425            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY"),
426            function(x, i, j, ...) {            function(x, i, j, ...) {
427                return(load_doc(x@.Data[[i]]))                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("[[<-",  setMethod("[[<-",
441            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
442            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
443                object <- x                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                object@.Data[[i, ...]] <- value
458                  }
459                return(object)                return(object)
460            })            })
461    
462  # Update \code{NodeID}s of a DCMetaData tree  # Update \code{NodeID}s of a CMetaData tree
463  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
464      # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
465      set_id <- function(object) {      set_id <- function(object) {
466          object@NodeID <- id          object@NodeID <- id
467          id <<- id + 1          id <<- id + 1
# Line 376  Line 488 
488  }  }
489    
490  setMethod("c",  setMethod("c",
491            signature(x = "TextDocCol"),            signature(x = "Corpus"),
492            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) {
493                args <- list(...)                args <- list(...)
494                if(length(args) == 0)                if(length(args) == 0)
495                    return(x)                    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                result <- x
503                for (c in args) {                for (c in args) {
                   if (!inherits(c, "TextDocCol"))  
                       stop("invalid argument")  
504                    result <- c2(result, c)                    result <- c2(result, c)
505                }                }
506                return(result)                return(result)
# Line 393  Line 508 
508    
509  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"))
510  setMethod("c2",  setMethod("c2",
511            signature(x = "TextDocCol", y = "TextDocCol"),            signature(x = "Corpus", y = "Corpus"),
512            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) {
513                object <- x                object <- x
514                # Concatenate data slots                # Concatenate data slots
515                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
516    
517                # Update the DCMetaData tree                # Set the DBControl slot
518                dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))                object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")
519                update.struct <- update_id(dcmeta)  
520                object@DCMetaData <- update.struct$root                # 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                # Find indices to be updated for the left tree
526                indices.mapping <- NULL                indices.mapping <- NULL
# Line 444  Line 562 
562                return(object)                return(object)
563            })            })
564    
   
565  setMethod("c",  setMethod("c",
566            signature(x = "TextDocument"),            signature(x = "TextDocument"),
567            function(x, ..., recursive = TRUE){            function(x, ..., recursive = TRUE){
# Line 453  Line 570 
570                    return(x)                    return(x)
571    
572                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
573                dcmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
574                              NodeID = 0,                              NodeID = 0,
575                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),
576                              children = list())                              children = list())
577    
578                return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))                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",  setMethod("length",
586            signature(x = "TextDocCol"),            signature(x = "Corpus"),
587            function(x){            function(x){
588                return(length(as(x, "list")))                return(length(as(x, "list")))
589      })      })
590    
591  setMethod("show",  setMethod("show",
592            signature(object = "TextDocCol"),            signature(object = "Corpus"),
593            function(object){            function(object){
594                cat(sprintf(ngettext(length(object),                cat(sprintf(ngettext(length(object),
595                                     "A text document collection with %d text document\n",                                     "A text document collection with %d text document\n",
# Line 477  Line 598 
598      })      })
599    
600  setMethod("summary",  setMethod("summary",
601            signature(object = "TextDocCol"),            signature(object = "Corpus"),
602            function(object){            function(object){
603                show(object)                show(object)
604                if (length(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
605                    cat(sprintf(ngettext(length(DCMetaData(object)@MetaData),                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
606                                                "\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",
607                                                "\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"),
608                                         length(DCMetaData(object)@MetaData)))                                         length(CMetaData(object)@MetaData)))
609                    cat("Available tags are:\n")                    cat("Available tags are:\n")
610                    cat(names(DCMetaData(object)@MetaData), "\n")                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
611                    cat("Available variables in the data frame are:\n")                    cat("Available variables in the data frame are:\n")
612                    cat(names(DMetaData(object)), "\n")                    cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
613                }                }
614      })      })
615    
616  setGeneric("inspect", function(object) standardGeneric("inspect"))  setGeneric("inspect", function(object) standardGeneric("inspect"))
617  setMethod("inspect",  setMethod("inspect",
618            signature("TextDocCol"),            signature("Corpus"),
619            function(object) {            function(object) {
620                summary(object)                summary(object)
621                cat("\n")                cat("\n")
622                show(object@.Data)                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  # No metadata is checked  # No metadata is checked
631  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
632  setMethod("%IN%",  setMethod("%IN%",
633            signature(x = "TextDocument", y = "TextDocCol"),            signature(x = "TextDocument", y = "Corpus"),
634            function(x, y) {            function(x, y) {
635                x %in% y                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
640                      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.697  
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