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

pkg/R/textdoccol.R revision 905, Sat Mar 21 10:13:08 2009 UTC pkg/R/corpus.R revision 1383, Thu May 29 07:32:14 2014 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator reader  PCorpus <-
4  setGeneric("Corpus", function(object,  function(x,
5                                readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),           readerControl = list(reader = reader(x), language = "en"),
6                                dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),           dbControl = list(dbName = "", dbType = "DB1"))
7                                ...) standardGeneric("Corpus"))  {
8  setMethod("Corpus",      stopifnot(inherits(x, "Source"))
           signature(object = "Source"),  
           function(object,  
                    readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),  
                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),  
                    ...) {  
               if (is.null(readerControl$reader))  
                   readerControl$reader <- object@DefaultReader  
               if (is(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
               if (is.null(readerControl$language))  
                   readerControl$language = "en_US"  
               if (is.null(readerControl$load))  
                   readerControl$load = TRUE  
9    
10                if (dbControl$useDb && require("filehash")) {      readerControl <- prepareReader(readerControl, reader(x))
                   if (!dbCreate(dbControl$dbName, dbControl$dbType))  
                       stop("error in creating database")  
                   db <- dbInit(dbControl$dbName, dbControl$dbType)  
               }  
11    
12                # Allocate memory in advance if length is known      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
13                tdl <- if (object@Length > 0)          stop("error in creating database")
14                    vector("list", as.integer(object@Length))      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
               else  
                   list()  
15    
16        tdl <- vector("list", length(x))
17                counter <- 1                counter <- 1
18                while (!eoi(object)) {      while (!eoi(x)) {
19                    object <- stepNext(object)          x <- stepNext(x)
20                    elem <- getElem(object)          elem <- getElem(x)
21                    # If there is no Load on Demand support          doc <- readerControl$reader(elem,
22                    # we need to load the corpus into memory at startup                                      readerControl$language,
23                    if (!object@LoDSupport)                                      as.character(counter))
24                        readerControl$load <- TRUE          filehash::dbInsert(db, meta(doc, "id"), doc)
25                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))          tdl[[counter]] <- meta(doc, "id")
                   if (dbControl$useDb && require("filehash")) {  
                       dbInsert(db, ID(doc), doc)  
                       if (object@Length > 0)  
                           tdl[[counter]] <- ID(doc)  
                       else  
                           tdl <- c(tdl, ID(doc))  
                   }  
                   else {  
                       if (object@Length > 0)  
                           tdl[[counter]] <- doc  
                       else  
                           tdl <- c(tdl, list(doc))  
                   }  
26                    counter <- counter + 1                    counter <- counter + 1
27                }                }
28    
29                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      structure(list(content = tdl,
30                if (dbControl$useDb && require("filehash")) {                     meta = CorpusMeta(),
31                    dbInsert(db, "DMetaData", df)                     dmeta = data.frame(row.names = seq_along(tdl)),
32                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))                     dbcontrol = dbControl),
33                }                class = c("PCorpus", "Corpus"))
34                else  }
35                    dmeta.df <- df  
36    Corpus <-
37                cmeta.node <- new("MetaDataNode",  VCorpus <-
38                              NodeID = 0,  function(x, readerControl = list(reader = reader(x), language = "en"))
39                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),  {
40                              children = list())      stopifnot(inherits(x, "Source"))
41    
42                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))      readerControl <- prepareReader(readerControl, reader(x))
43            })  
44        tdl <- vector("list", length(x))
45  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))      # Check for parallel element access
46  setMethod("loadDoc",      if (is.function(getS3method("pGetElem", class(x), TRUE)))
47            signature(object = "PlainTextDocument"),          tdl <- mapply(function(elem, id)
48            function(object, ...) {                            readerControl$reader(elem, readerControl$language, id),
49                if (!Cached(object)) {                        pGetElem(x),
50                    con <- eval(URI(object))                        id = as.character(seq_along(x)),
51                    corpus <- readLines(con)                        SIMPLIFY = FALSE)
                   close(con)  
                   Content(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object) && require("XML")) {  
                   con <- eval(URI(object))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Content(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object = "NewsgroupDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   mail <- readLines(con)  
                   close(con)  
                   Cached(object) <- TRUE  
                   for (index in seq_along(mail)) {  
                       if (mail[index] == "")  
                           break  
                   }  
                   Content(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("loadDoc",  
           signature(object = "StructuredTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   warning("load on demand not (yet) supported for StructuredTextDocuments")  
                   return(object)  
               } else  
                   return(object)  
           })  
   
 setGeneric("tmUpdate", function(object,  
                                 origin,  
                                 readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),  
                                 ...) standardGeneric("tmUpdate"))  
 # Update is only supported for directories  
 # At the moment no other LoD devices are available anyway  
 setMethod("tmUpdate",  
           signature(object = "Corpus", origin = "DirSource"),  
           function(object, origin,  
                    readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),  
                    ...) {  
               if (is.null(readerControl$reader))  
                   readerControl$reader <- origin@DefaultReader  
               if (is(readerControl$reader, "FunctionGenerator"))  
                   readerControl$reader <- readerControl$reader(...)  
               if (is.null(readerControl$language))  
                   readerControl$language = "en_US"  
               if (is.null(readerControl$load))  
                   readerControl$load = TRUE  
   
               object.filelist <- unlist(lapply(object, function(x) {summary(eval(URI(x)))$description}))  
               new.files <- setdiff(origin@FileList, object.filelist)  
   
               for (filename in new.files) {  
                   encoding <- origin@Encoding  
                   elem <- list(content = readLines(filename, encoding = encoding),  
                                uri = substitute(file(filename, encoding = encoding)))  
                   object <- appendElem(object, readerControl$reader(elem, readerControl$load, readerControl$language, filename))  
               }  
   
               return(object)  
           })  
   
 setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))  
 setMethod("tmMap",  
           signature(object = "Corpus", FUN = "function"),  
           function(object, FUN, ..., lazy = FALSE) {  
               result <- object  
               # Note that text corpora are automatically loaded into memory via \code{[[}  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   if (lazy)  
                       warning("lazy mapping is deactived when using database backend")  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   i <- 1  
                   for (id in unlist(object)) {  
                       db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))  
                       i <- i + 1  
                   }  
                   # Suggested by Christian Buchta  
                   dbReorganize(db)  
               }  
               else {  
                   # Lazy mapping  
                   if (lazy) {  
                       lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")  
                       if (is.null(lazyTmMap)) {  
                           meta(result, tag = "lazyTmMap", type = "corpus") <-  
                               list(index = rep(TRUE, length(result)),  
                                    maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))  
                       }  
                       else {  
                           lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))  
                           meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
                       }  
                   }  
                   else {  
                       result@.Data <- if (clusterAvailable())  
                           snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))  
                       else  
                           lapply(object, FUN, ..., DMetaData = DMetaData(object))  
                   }  
               }  
               return(result)  
           })  
   
 # Materialize lazy mappings  
 # Improvements by Christian Buchta  
 materialize <- function(corpus, range = seq_along(corpus)) {  
     lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")  
     if (!is.null(lazyTmMap)) {  
        # Make valid and lazy index  
        idx <- (seq_along(corpus) %in% range) & lazyTmMap$index  
        if (any(idx)) {  
            res <- lapply(corpus@.Data[idx], loadDoc)  
            for (m in lazyTmMap$maps)  
                res <- lapply(res, m, DMetaData = DMetaData(corpus))  
            corpus@.Data[idx] <- res  
            lazyTmMap$index[idx] <- FALSE  
        }  
     }  
     # Clean up if everything is materialized  
     if (!any(lazyTmMap$index))  
         lazyTmMap <- NULL  
     meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
     return(corpus)  
 }  
   
 setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))  
 setMethod("asPlain",  
           signature(object = "PlainTextDocument"),  
           function(object, FUN, ...) {  
               return(object)  
           })  
 setMethod("asPlain",  
           signature(object = "XMLTextDocument"),  
           function(object, FUN, ...) {  
               require("XML")  
   
               corpus <- Content(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "Reuters21578Document"),  
           function(object, FUN, ...) {  
               require("XML")  
   
               FUN <- convertReut21578XMLPlain  
               corpus <- Content(object)  
   
               # As XMLDocument is no native S4 class, restore valid information  
               class(corpus) <- "XMLDocument"  
               names(corpus) <- c("doc","dtd")  
   
               return(FUN(xmlRoot(corpus), ...))  
           })  
 setMethod("asPlain",  
           signature(object = "RCV1Document"),  
           function(object, FUN, ...) {  
               return(convertRCV1Plain(object, ...))  
           })  
 setMethod("asPlain",  
           signature(object = "NewsgroupDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),  
                   DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),  
                   Origin = Origin(object), Heading = Heading(object), Language = Language(object),  
                   LocalMetaData = LocalMetaData(object))  
           })  
 setMethod("asPlain",  
           signature(object = "StructuredTextDocument"),  
           function(object, FUN, ...) {  
               new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,  
                   URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),  
                   Description = Description(object), ID = ID(object), Origin = Origin(object),  
                   Heading = Heading(object), Language = Language(object),  
                   LocalMetaData = LocalMetaData(object))  
           })  
   
 setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))  
 setMethod("tmFilter",  
           signature(object = "Corpus"),  
           function(object, ..., FUN = searchFullText, doclevel = TRUE) {  
               if (!is.null(attr(FUN, "doclevel")))  
                   doclevel <- attr(FUN, "doclevel")  
               if (doclevel) {  
                   if (clusterAvailable())  
                       return(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])  
                   else  
                       return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])  
               }  
               else  
                   return(object[FUN(object, ...)])  
           })  
   
 setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))  
 setMethod("tmIndex",  
           signature(object = "Corpus"),  
           function(object, ..., FUN = searchFullText, doclevel = TRUE) {  
               if (!is.null(attr(FUN, "doclevel")))  
                   doclevel <- attr(FUN, "doclevel")  
               if (doclevel) {  
                   if (clusterAvailable())  
                       return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))  
                   else  
                       return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))  
               }  
               else  
                   return(FUN(object, ...))  
           })  
   
 setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  
 setMethod("appendElem",  
           signature(object = "Corpus", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   if (dbExists(db, ID(data)))  
                       warning("document with identical ID already exists")  
                   dbInsert(db, ID(data), data)  
                   object@.Data[[length(object)+1]] <- ID(data)  
               }  
               else  
                   object@.Data[[length(object)+1]] <- data  
               DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))  
               return(object)  
           })  
   
 setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  
 setMethod("appendMeta",  
           signature(object = "Corpus"),  
           function(object, cmeta = NULL, dmeta = NULL) {  
               object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)  
               if (!is.null(dmeta)) {  
                   DMetaData(object) <- cbind(DMetaData(object), eval(dmeta))  
               }  
               return(object)  
           })  
   
 setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  
 setMethod("removeMeta",  
           signature(object = "Corpus"),  
           function(object, cname = NULL, dname = NULL) {  
               if (!is.null(cname))  
                   object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]  
               if (!is.null(dname))  
                   DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]  
               return(object)  
           })  
   
 setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  
 setMethod("prescindMeta",  
           signature(object = "Corpus", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {  
                       local.m <- lapply(object, m)  
                       local.m <- sapply(local.m, paste, collapse = " ")  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
52                    else {                    else {
                       local.meta <- lapply(object, LocalMetaData)  
                       local.m <- lapply(local.meta, "[[", m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       if (length(local.m) == length(unlist(local.m)))  
                           local.m <- unlist(local.m)  
                       else  
                           local.m <- I(local.m)  
                       DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))  
                       names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m  
                   }  
               }  
               return(object)  
           })  
   
 setMethod("[",  
           signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),  
           function(x, i, j, ... , drop) {  
               if(missing(i))  
                   return(x)  
   
               object <- x  
               object@.Data <- x@.Data[i, ..., drop = FALSE]  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   index <- object@DMetaData[[1 , "subset"]]  
                   if (any(is.na(index)))  
                       object@DMetaData[[1 , "subset"]] <- i  
                   else  
                       object@DMetaData[[1 , "subset"]] <- index[i]  
               }  
               else  
                   DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]  
               return(object)  
           })  
   
 setMethod("[<-",  
           signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ... , value) {  
               object <- x  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
53                    counter <- 1                    counter <- 1
54                    for (id in object@.Data[i, ...]) {          while (!eoi(x)) {
55                        if (length(value) == 1)              x <- stepNext(x)
56                            db[[id]] <- value              elem <- getElem(x)
57                        else {              doc <- readerControl$reader(elem,
58                            db[[id]] <- value[[counter]]                                          readerControl$language,
59                        }                                          as.character(counter))
60                tdl[[counter]] <- doc
61                        counter <- counter + 1                        counter <- counter + 1
62                    }                    }
63                }                }
               else  
                   object@.Data[i, ...] <- value  
               return(object)  
           })  
   
 setMethod("[[",  
           signature(x = "Corpus", i = "ANY", j = "ANY"),  
           function(x, i, j, ...) {  
               if (DBControl(x)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])  
                   result <- dbFetch(db, x@.Data[[i]])  
                   return(loadDoc(result))  
               }  
               else {  
                   lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap))  
                       .Call("copyCorpus", x, materialize(x, i))  
                   return(loadDoc(x@.Data[[i]]))  
               }  
           })  
   
 setMethod("[[<-",  
           signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),  
           function(x, i, j, ..., value) {  
               object <- x  
               if (DBControl(object)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])  
                   index <- object@.Data[[i]]  
                   db[[index]] <- value  
               }  
               else {  
                   # Mark new objects as not active for lazy mapping  
                   lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap)) {  
                       lazyTmMap$index[i] <- FALSE  
                       meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap  
                   }  
                   # Set the value  
                   object@.Data[[i, ...]] <- value  
               }  
               return(object)  
           })  
   
 # Update \code{NodeID}s of a CMetaData tree  
 update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {  
     # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s  
     set_id <- function(object) {  
         object@NodeID <- id  
         id <<- id + 1  
         level <<- level + 1  
   
         if (length(object@children) > 0) {  
             mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))  
             left <- set_id(object@children[[1]])  
             if (level == 1) {  
                 left.mapping <<- mapping  
                 mapping <<- NULL  
             }  
             mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))  
             right <- set_id(object@children[[2]])  
64    
65              object@children <- list(left, right)      structure(list(content = tdl,
66          }                     meta = CorpusMeta(),
67          level <<- level - 1                     dmeta = data.frame(row.names = seq_along(tdl))),
68                  class = c("VCorpus", "Corpus"))
69          return(object)  }
70      }  
71    `[.PCorpus` <-
72      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))  function(x, i)
73  }  {
74        if (!missing(i)) {
75  setMethod("c",          x$content <- x$content[i]
76            signature(x = "Corpus"),          x$dmeta <- x$dmeta[i, , drop = FALSE]
77            function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {      }
78        x
79    }
80    
81    `[.VCorpus` <-
82    function(x, i)
83    {
84        if (!missing(i)) {
85            x$content <- x$content[i]
86            x$dmeta <- x$dmeta[i, , drop = FALSE]
87            if (!is.null(x$lazy))
88                x$lazy$index <- x$lazy$index[i]
89        }
90        x
91    }
92    
93    .map_name_index <-
94    function(x, i)
95    {
96        if (is.character(i))
97            match(i, meta(x, "id", "local"))
98        else
99            i
100    }
101    
102    `[[.PCorpus` <-
103    function(x, i)
104    {
105        i <- .map_name_index(x, i)
106        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
107        filehash::dbFetch(db, x$content[[i]])
108    }
109    `[[.VCorpus` <-
110    function(x, i)
111    {
112        i <- .map_name_index(x, i)
113        if (!is.null(x$lazy))
114            .Call(copyCorpus, x, materialize(x, i))
115        x$content[[i]]
116    }
117    
118    `[[<-.PCorpus` <-
119    function(x, i, value)
120    {
121        i <- .map_name_index(x, i)
122        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
123        db[[x$content[[i]]]] <- value
124        x
125    }
126    `[[<-.VCorpus` <-
127    function(x, i, value)
128    {
129        i <- .map_name_index(x, i)
130        # Mark new objects as inactive for lazy mapping
131        if (!is.null(x$lazy))
132            x$lazy$index[i] <- FALSE
133        x$content[[i]] <- value
134        x
135    }
136    
137    as.list.PCorpus <- as.list.VCorpus <-
138    function(x, ...)
139        content(x)
140    
141    as.VCorpus <-
142    function(x)
143        UseMethod("as.VCorpus")
144    as.VCorpus.VCorpus <- identity
145    
146    outer_union <-
147    function(x, y, ...)
148    {
149        if (nrow(x) > 0L)
150            x[, setdiff(names(y), names(x))] <- NA
151        if (nrow(y) > 0L)
152            y[, setdiff(names(x), names(y))] <- NA
153        res <- rbind(x, y)
154        if (ncol(res) == 0L)
155            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
156        res
157    }
158    
159    c.VCorpus <-
160    function(..., recursive = FALSE)
161    {
162                args <- list(...)                args <- list(...)
163                if (length(args) == 0)      x <- args[[1L]]
                   return(x)  
164    
165                if (!all(sapply(args, inherits, "Corpus")))      if (length(args) == 1L)
                   stop("not all arguments are corpora")  
               if (DBControl(x)[["useDb"]] || any(unlist(sapply(args, DBControl)["useDb", ])))  
                   stop("concatenating corpora with activated database is not supported")  
   
               Reduce(c2, base::c(list(x), args))  
           })  
   
 setGeneric("c2", function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))  
 setMethod("c2",  
           signature(x = "Corpus", y = "Corpus"),  
           function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {  
               object <- x  
               # Concatenate data slots  
               object@.Data <- c(as(x, "list"), as(y, "list"))  
   
               # Set the DBControl slot  
               object@DBControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")  
   
               # Update the CMetaData tree  
               cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))  
               update.struct <- update_id(cmeta)  
               object@CMetaData <- update.struct$root  
   
               # Find indices to be updated for the left tree  
               indices.mapping <- NULL  
               for (m in levels(as.factor(DMetaData(x)$MetaID))) {  
                   indices <- (DMetaData(x)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
   
               # Update the DMetaData data frames for the left tree  
               for (i in 1:ncol(update.struct$left.mapping)) {  
                   map <- update.struct$left.mapping[,i]  
                   x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Find indices to be updated for the right tree  
               indices.mapping <- NULL  
               for (m in levels(as.factor(DMetaData(y)$MetaID))) {  
                   indices <- (DMetaData(y)$MetaID == m)  
                   indices.mapping <- c(indices.mapping, list(m = indices))  
                   names(indices.mapping)[length(indices.mapping)] <- m  
               }  
   
               # Update the DMetaData data frames for the right tree  
               for (i in 1:ncol(update.struct$right.mapping)) {  
                   map <- update.struct$right.mapping[,i]  
                   y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])  
               }  
   
               # Merge the DMetaData data frames  
               labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))  
               x.dmeta.aug <- cbind(DMetaData(x), na.matrix)  
               labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))  
               na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))  
               y.dmeta.aug <- cbind(DMetaData(y), na.matrix)  
               object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)  
   
               return(object)  
           })  
   
 setMethod("c",  
           signature(x = "TextDocument"),  
           function(x, ..., recursive = TRUE){  
               args <- list(...)  
               if(length(args) == 0)  
166                    return(x)                    return(x)
167    
168                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
169                cmeta.node <- new("MetaDataNode",          stop("not all arguments are of the same corpus type")
170                              NodeID = 0,  
171                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),      structure(list(content = do.call("c", lapply(args, content)),
172                              children = list())                     meta = CorpusMeta(meta = do.call("c",
173                         lapply(args, function(a) meta(a, type = "corpus")))),
174                return(new("Corpus",                     dmeta = Reduce(outer_union, lapply(args, meta))),
175                           .Data = list(x, ...),                class = c("VCorpus", "Corpus"))
176                           DMetaData = dmeta.df,  }
177                           CMetaData = cmeta.node,  
178                           DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))  content.VCorpus <-
179            })  function(x)
180    {
181  setMethod("length",      if (!is.null(x$lazy))
182            signature(x = "Corpus"),          .Call(copyCorpus, x, materialize(x))
183            function(x){      x$content
184                return(length(as(x, "list")))  }
185      })  
186    content.PCorpus <-
187  setMethod("show",  function(x)
188            signature(object = "Corpus"),  {
189            function(object){      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
190                cat(sprintf(ngettext(length(object),      filehash::dbMultiFetch(db, unlist(x$content))
191                                     "A corpus with %d text document\n",  }
192                                     "A corpus with %d text documents\n"),  
193                            length(object)))  inspect <-
194      })  function(x)
195        UseMethod("inspect", x)
196  setMethod("summary",  inspect.PCorpus <- inspect.VCorpus <-
197            signature(object = "Corpus"),  function(x)
198            function(object){  {
199                show(object)      print(x)
               if (length(DMetaData(object)) > 0) {  
                   cat(sprintf(ngettext(length(CMetaData(object)@MetaData),  
                                               "\nThe metadata consists of %d tag-value pair and a data frame\n",  
                                               "\nThe metadata consists of %d tag-value pairs and a data frame\n"),  
                                        length(CMetaData(object)@MetaData)))  
                   cat("Available tags are:\n")  
                   cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")  
                   cat("Available variables in the data frame are:\n")  
                   cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")  
               }  
     })  
   
 setGeneric("inspect", function(object) standardGeneric("inspect"))  
 setMethod("inspect",  
           signature("Corpus"),  
           function(object) {  
               summary(object)  
200                cat("\n")                cat("\n")
201                if (DBControl(object)[["useDb"]] && require("filehash")) {      print(noquote(content(x)))
202                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      invisible(x)
                   show(dbMultiFetch(db, unlist(object)))  
203                }                }
               else  
                   print(noquote(lapply(object, identity)))  
           })  
204    
205  # No metadata is checked  length.PCorpus <- length.VCorpus <-
206  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  function(x)
207  setMethod("%IN%",      length(x$content)
208            signature(x = "TextDocument", y = "Corpus"),  
209            function(x, y) {  names.PCorpus <- names.VCorpus <-
210                if (DBControl(y)[["useDb"]] && require("filehash")) {  function(x)
211                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])      as.character(meta(x, "id", "local"))
212                    result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))  
213                }  `names<-.PCorpus` <- `names<-.VCorpus` <-
214                else  function(x, value)
215                    result <- x %in% y  {
216                return(result)      meta(x, "id", "local") <- as.character(value)
217            })      x
218    }
219  setMethod("lapply",  
220            signature(X = "Corpus"),  print.PCorpus <- print.VCorpus <-
221            function(X, FUN, ...) {  function(x, ...)
222                if (DBControl(X)[["useDb"]] && require("filehash")) {  {
223                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])      writeLines(sprintf("<<%s (documents: %d, metadata (corpus/indexed): %d/%d)>>",
224                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)                         class(x)[1],
225                }                         length(x),
226                else {                         length(meta(x, type = "corpus")),
227                    lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")                         ncol(meta(x, type = "indexed"))))
228                    if (!is.null(lazyTmMap))      invisible(x)
229                        .Call("copyCorpus", X, materialize(X))  }
230                    result <- base::lapply(X, FUN, ...)  
231                }  writeCorpus <-
232                return(result)  function(x, path = ".", filenames = NULL)
233            })  {
   
 setMethod("sapply",  
           signature(X = "Corpus"),  
           function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {  
               if (DBControl(X)[["useDb"]] && require("filehash")) {  
                   db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
                   result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)  
               }  
               else {  
                   lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")  
                   if (!is.null(lazyTmMap))  
                       .Call("copyCorpus", X, materialize(X))  
                   result <- base::sapply(X, FUN, ...)  
               }  
               return(result)  
           })  
   
 setAs("list", "Corpus", function(from) {  
     cmeta.node <- new("MetaDataNode",  
                       NodeID = 0,  
                       MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),  
                       children = list())  
     data <- list()  
     counter <- 1  
     for (f in from) {  
         doc <- new("PlainTextDocument",  
                    .Data = f, URI = NULL, Cached = TRUE,  
                    Author = "", DateTimeStamp = as.POSIXlt(Sys.time(), tz = "GMT"),  
                    Description = "", ID = as.character(counter),  
                    Origin = "", Heading = "", Language = "en_US")  
         data <- c(data, list(doc))  
         counter <- counter + 1  
     }  
     return(new("Corpus", .Data = data,  
                DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),  
                CMetaData = cmeta.node,  
                DBControl = dbControl <- list(useDb = FALSE, dbName = "", dbType = "DB1")))  
 })  
   
 setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))  
 setMethod("writeCorpus",  
           signature(object = "Corpus"),  
           function(object, path = ".", filenames = NULL) {  
234                filenames <- file.path(path,                filenames <- file.path(path,
235                                       if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))        if (is.null(filenames))
236              sprintf("%s.txt", as.character(meta(x, "id", "local")))
237                                       else filenames)                                       else filenames)
238                i <- 1  
239                for (o in object) {      stopifnot(length(x) == length(filenames))
240                    writeLines(asPlain(o), filenames[i])  
241                    i <- i + 1      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
242    
243        invisible(x)
244                }                }
           })  

Legend:
Removed from v.905  
changed lines
  Added in v.1383

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