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 1481, Sat May 20 10:28:00 2017 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator reader  Corpus <-
4  setGeneric("Corpus", function(object,  function(x, readerControl = list(reader = reader(x), language = "en"))
5                                readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),  {
6                                dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),      stopifnot(inherits(x, "Source"))
                               ...) standardGeneric("Corpus"))  
 setMethod("Corpus",  
           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$load = TRUE  
7    
8                if (dbControl$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)  
               }  
9    
10                # Allocate memory in advance if length is known      if ( (inherits(x, "DataframeSource") || inherits(x, "DirSource") ||
11                tdl <- if (object@Length > 0)            inherits(x, "VectorSource") ) &&
12                    vector("list", as.integer(object@Length))          identical(readerControl$reader, reader(x)))
13                else          SimpleCorpus(x, readerControl)
                   list()  
   
               counter <- 1  
               while (!eoi(object)) {  
                   object <- stepNext(object)  
                   elem <- getElem(object)  
                   # If there is no Load on Demand support  
                   # we need to load the corpus into memory at startup  
                   if (!object@LoDSupport)  
                       readerControl$load <- TRUE  
                   doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))  
                   if (dbControl$useDb && require("filehash")) {  
                       dbInsert(db, ID(doc), doc)  
                       if (object@Length > 0)  
                           tdl[[counter]] <- ID(doc)  
14                        else                        else
15                            tdl <- c(tdl, ID(doc))          VCorpus(x, readerControl)
                   }  
                   else {  
                       if (object@Length > 0)  
                           tdl[[counter]] <- doc  
                       else  
                           tdl <- c(tdl, list(doc))  
                   }  
                   counter <- counter + 1  
16                }                }
17    
18                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)  PCorpus <-
19                if (dbControl$useDb && require("filehash")) {  function(x,
20                    dbInsert(db, "DMetaData", df)           readerControl = list(reader = reader(x), language = "en"),
21                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))           dbControl = list(dbName = "", dbType = "DB1"))
22                }  {
23                else      stopifnot(inherits(x, "Source"))
                   dmeta.df <- df  
24    
25                cmeta.node <- new("MetaDataNode",      readerControl <- prepareReader(readerControl, reader(x))
                             NodeID = 0,  
                             MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),  
                             children = list())  
   
               return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))  
           })  
   
 setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  
 setMethod("loadDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   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)  
           })  
26    
27  setGeneric("tmUpdate", function(object,      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
28                                  origin,          stop("error in creating database")
29                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
                                 ...) 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)  
           })  
30    
31  # Materialize lazy mappings      x <- open(x)
32  # Improvements by Christian Buchta      tdl <- vector("list", length(x))
33  materialize <- function(corpus, range = seq_along(corpus)) {      counter <- 1
34      lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")      while (!eoi(x)) {
35      if (!is.null(lazyTmMap)) {          x <- stepNext(x)
36         # Make valid and lazy index          elem <- getElem(x)
37         idx <- (seq_along(corpus) %in% range) & lazyTmMap$index          doc <- readerControl$reader(elem,
38         if (any(idx)) {                                      readerControl$language,
39             res <- lapply(corpus@.Data[idx], loadDoc)                                      as.character(counter))
40             for (m in lazyTmMap$maps)          filehash::dbInsert(db, meta(doc, "id"), doc)
41                 res <- lapply(res, m, DMetaData = DMetaData(corpus))          tdl[[counter]] <- meta(doc, "id")
42             corpus@.Data[idx] <- res          counter <- counter + 1
            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))])  
43                }                }
44                else      x <- close(x)
                   return(object[FUN(object, ...)])  
           })  
45    
46  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))      cmeta <- CorpusMeta()
47  setMethod("tmIndex",      dmeta <- data.frame(row.names = seq_along(tdl))
48            signature(object = "Corpus"),      # Check if metadata retrieval is supported
49            function(object, ..., FUN = searchFullText, doclevel = TRUE) {      if (is.function(getS3method("getMeta", class(x), TRUE))) {
50                if (!is.null(attr(FUN, "doclevel")))          m <- getMeta(x)
51                    doclevel <- attr(FUN, "doclevel")          if (!is.null(m$cmeta)) cmeta <- m$cmeta
52                if (doclevel) {          if (!is.null(m$dmeta)) dmeta <- m$dmeta
53                    if (clusterAvailable())      }
54                        return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))  
55                    else      p <- list(content = tdl, meta = cmeta, dmeta = dmeta, dbcontrol = dbControl)
56                        return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))      class(p) <- c("PCorpus", "Corpus")
57                }      p
58                else  }
59                    return(FUN(object, ...))  
60            })  SimpleCorpus <-
61    function(x, control = list(language = "en"))
62    {
63        stopifnot(inherits(x, "Source"))
64    
65        if (!is.null(control$reader) && !identical(control$reader, reader(x)))
66            warning("custom reader is ignored")
67    
68        content <- if (inherits(x, "VectorSource")) {
69            if (is.character(x$content)) x$content else as.character(x$content)
70        } else if (inherits(x, "DirSource")) {
71            setNames(as.character(
72                       lapply(x$filelist,
73                              function(f) paste(readContent(f, x$encoding, "text"),
74                                                collapse = "\n"))
75                       ),
76                     basename(x$filelist))
77        } else if (inherits(x, "DataframeSource")) {
78            setNames(as.character(x$content[, "text"]), x$content[, "doc_id"])
79        } else
80            stop("unsupported source type")
81    
82  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))      dmeta <- if (inherits(x, "DataframeSource"))
83  setMethod("appendElem",          x$content[, !names(x$content) %in% c("doc_id", "text")]
           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)  
               }  
84                else                else
85                    object@.Data[[length(object)+1]] <- data          data.frame(row.names = seq_along(x))
               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  
                   }  
                   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)  
86    
87                object <- x      s <- list(content = content,
88                object@.Data <- x@.Data[i, ..., drop = FALSE]                meta = CorpusMeta(language = control$language),
89                if (DBControl(object)[["useDb"]] && require("filehash")) {                dmeta = dmeta)
90                    index <- object@DMetaData[[1 , "subset"]]      class(s) <- c("SimpleCorpus", "Corpus")
91                    if (any(is.na(index)))      s
92                        object@DMetaData[[1 , "subset"]] <- i  }
93                    else  
94                        object@DMetaData[[1 , "subset"]] <- index[i]  VCorpus <-
95                }  function(x, readerControl = list(reader = reader(x), language = "en"))
96                else  {
97                    DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]      stopifnot(inherits(x, "Source"))
98                return(object)  
99            })      readerControl <- prepareReader(readerControl, reader(x))
100    
101  setMethod("[<-",      x <- open(x)
102            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),      tdl <- vector("list", length(x))
103            function(x, i, j, ... , value) {      # Check for parallel element access
104                object <- x      if (is.function(getS3method("pGetElem", class(x), TRUE)))
105                if (DBControl(object)[["useDb"]] && require("filehash")) {          tdl <- mapply(function(elem, id)
106                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                          readerControl$reader(elem, readerControl$language, id),
107                    counter <- 1                        pGetElem(x),
108                    for (id in object@.Data[i, ...]) {                        id = as.character(seq_along(x)),
109                        if (length(value) == 1)                        SIMPLIFY = FALSE)
                           db[[id]] <- value  
110                        else {                        else {
111                            db[[id]] <- value[[counter]]          counter <- 1
112                        }          while (!eoi(x)) {
113                x <- stepNext(x)
114                elem <- getElem(x)
115                doc <- readerControl$reader(elem,
116                                            readerControl$language,
117                                            as.character(counter))
118                tdl[[counter]] <- doc
119                        counter <- counter + 1                        counter <- counter + 1
120                    }                    }
121                }                }
122                else      x <- close(x)
                   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]])  
   
             object@children <- list(left, right)  
         }  
         level <<- level - 1  
   
         return(object)  
     }  
123    
124      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))      cmeta <- CorpusMeta()
125  }      dmeta <- data.frame(row.names = seq_along(tdl))
126        # Check if metadata retrieval is supported
127  setMethod("c",      if (is.function(getS3method("getMeta", class(x), TRUE))) {
128            signature(x = "Corpus"),          m <- getMeta(x)
129            function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {          if (!is.null(m$cmeta)) cmeta <- m$cmeta
130            if (!is.null(m$dmeta)) dmeta <- m$dmeta
131        }
132    
133        v <- as.VCorpus(tdl)
134        v$meta <- cmeta
135        v$dmeta <- dmeta
136    
137        v
138    }
139    
140    `[.PCorpus` <-
141    `[.SimpleCorpus` <-
142    function(x, i)
143    {
144        if (!missing(i)) {
145            x$content <- x$content[i]
146            x$dmeta <- x$dmeta[i, , drop = FALSE]
147        }
148        x
149    }
150    `[.VCorpus` <-
151    function(x, i)
152    {
153        if (!missing(i)) {
154            x$content <- x$content[i]
155            x$dmeta <- x$dmeta[i, , drop = FALSE]
156            if (!is.null(x$lazy))
157                x$lazy$index <- x$lazy$index[i]
158        }
159        x
160    }
161    
162    .map_name_index <-
163    function(x, i)
164    {
165        if (is.character(i))
166            match(i, meta(x, "id", "local"))
167        else
168            i
169    }
170    
171    `[[.PCorpus` <-
172    function(x, i)
173    {
174        i <- .map_name_index(x, i)
175        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
176        filehash::dbFetch(db, x$content[[i]])
177    }
178    `[[.SimpleCorpus` <-
179    function(x, i)
180    {
181        i <- .map_name_index(x, i)
182        n <- names(x$content)
183        PlainTextDocument(x$content[[i]],
184                          id = if (is.null(n)) i else n[i],
185                          language = meta(x, "language"))
186    }
187    `[[.VCorpus` <-
188    function(x, i)
189    {
190        i <- .map_name_index(x, i)
191        if (!is.null(x$lazy))
192            .Call(tm_copyCorpus, x, materialize(x, i))
193        x$content[[i]]
194    }
195    
196    `[[<-.PCorpus` <-
197    function(x, i, value)
198    {
199        i <- .map_name_index(x, i)
200        db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
201        db[[x$content[[i]]]] <- value
202        x
203    }
204    `[[<-.VCorpus` <-
205    function(x, i, value)
206    {
207        i <- .map_name_index(x, i)
208        # Mark new objects as inactive for lazy mapping
209        if (!is.null(x$lazy))
210            x$lazy$index[i] <- FALSE
211        x$content[[i]] <- value
212        x
213    }
214    
215    as.list.PCorpus <- as.list.VCorpus <-
216    function(x, ...)
217        setNames(content(x), as.character(lapply(content(x), meta, "id")))
218    
219    as.list.SimpleCorpus <-
220    function(x, ...)
221        as.list(content(x))
222    
223    as.VCorpus <-
224    function(x)
225        UseMethod("as.VCorpus")
226    as.VCorpus.VCorpus <- identity
227    as.VCorpus.list <-
228    function(x)
229    {
230        v <- list(content = x,
231                  meta = CorpusMeta(),
232                  dmeta = data.frame(row.names = seq_along(x)))
233        class(v) <- c("VCorpus", "Corpus")
234        v
235    }
236    
237    outer_union <-
238    function(x, y, ...)
239    {
240        if (nrow(x) > 0L)
241            x[, setdiff(names(y), names(x))] <- NA
242        if (nrow(y) > 0L)
243            y[, setdiff(names(x), names(y))] <- NA
244        res <- rbind(x, y)
245        if (ncol(res) == 0L)
246            res <- data.frame(row.names = seq_len(nrow(x) + nrow(y)))
247        res
248    }
249    
250    c.VCorpus <-
251    function(..., recursive = FALSE)
252    {
253                args <- list(...)                args <- list(...)
254                if (length(args) == 0)      x <- args[[1L]]
                   return(x)  
255    
256                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)  
257                    return(x)                    return(x)
258    
259                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)      if (!all(unlist(lapply(args, inherits, class(x)))))
260                cmeta.node <- new("MetaDataNode",          stop("not all arguments are of the same corpus type")
261                              NodeID = 0,  
262                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),      v <- list(content = do.call("c", lapply(args, content)),
263                              children = list())                meta = CorpusMeta(meta = do.call("c",
264                    lapply(args, function(a) meta(a, type = "corpus")))),
265                return(new("Corpus",                dmeta = Reduce(outer_union, lapply(args, meta)))
266                           .Data = list(x, ...),      class(v) <- c("VCorpus", "Corpus")
267                           DMetaData = dmeta.df,      v
268                           CMetaData = cmeta.node,  }
269                           DBControl = list(useDb = FALSE, dbName = "", dbType = "DB1")))  
270            })  content.VCorpus <-
271    function(x)
272  setMethod("length",  {
273            signature(x = "Corpus"),      if (!is.null(x$lazy))
274            function(x){          .Call(tm_copyCorpus, x, materialize(x))
275                return(length(as(x, "list")))      x$content
276      })  }
277    
278  setMethod("show",  content.SimpleCorpus <-
279            signature(object = "Corpus"),  function(x)
280            function(object){      x$content
281                cat(sprintf(ngettext(length(object),  
282                                     "A corpus with %d text document\n",  content.PCorpus <-
283                                     "A corpus with %d text documents\n"),  function(x)
284                            length(object)))  {
285      })      db <- filehash::dbInit(x$dbcontrol[["dbName"]], x$dbcontrol[["dbType"]])
286        filehash::dbMultiFetch(db, unlist(x$content))
287  setMethod("summary",  }
288            signature(object = "Corpus"),  
289            function(object){  inspect <-
290                show(object)  function(x)
291                if (length(DMetaData(object)) > 0) {      UseMethod("inspect", x)
292                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),  inspect.PCorpus <-
293                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",  inspect.SimpleCorpus <-
294                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),  inspect.VCorpus <-
295                                         length(CMetaData(object)@MetaData)))  function(x)
296                    cat("Available tags are:\n")  {
297                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")      print(x)
                   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)  
298                cat("\n")                cat("\n")
299                if (DBControl(object)[["useDb"]] && require("filehash")) {      print(noquote(content(x)))
300                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])      invisible(x)
                   show(dbMultiFetch(db, unlist(object)))  
301                }                }
               else  
                   print(noquote(lapply(object, identity)))  
           })  
302    
303  # No metadata is checked  length.PCorpus <-
304  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  length.SimpleCorpus <-
305  setMethod("%IN%",  length.VCorpus <-
306            signature(x = "TextDocument", y = "Corpus"),  function(x)
307            function(x, y) {      length(x$content)
308                if (DBControl(y)[["useDb"]] && require("filehash")) {  
309                    db <- dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])  names.PCorpus <-
310                    result <- any(sapply(y, function(x, z) {x %in% Content(z)}, x))  names.SimpleCorpus <-
311                }  names.VCorpus <-
312                else  function(x)
313                    result <- x %in% y      as.character(meta(x, "id", "local"))
314                return(result)  
315            })  `names<-.PCorpus` <- `names<-.VCorpus` <-
316    function(x, value)
317  setMethod("lapply",  {
318            signature(X = "Corpus"),      meta(x, "id", "local") <- as.character(value)
319            function(X, FUN, ...) {      x
320                if (DBControl(X)[["useDb"]] && require("filehash")) {  }
321                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])  
322                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)  format.PCorpus <-
323                }  format.SimpleCorpus <-
324                else {  format.VCorpus <-
325                    lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")  function(x, ...)
326                    if (!is.null(lazyTmMap))  {
327                        .Call("copyCorpus", X, materialize(X))      c(sprintf("<<%s>>", class(x)[1L]),
328                    result <- base::lapply(X, FUN, ...)        sprintf("Metadata:  corpus specific: %d, document level (indexed): %d",
329                }                length(meta(x, type = "corpus")),
330                return(result)                ncol(meta(x, type = "indexed"))),
331            })        sprintf("Content:  documents: %d", length(x)))
332    }
333  setMethod("sapply",  
334            signature(X = "Corpus"),  writeCorpus <-
335            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {  function(x, path = ".", filenames = NULL)
336                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) {  
337                filenames <- file.path(path,                filenames <- file.path(path,
338                                       if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))        if (is.null(filenames))
339              sprintf("%s.txt", as.character(meta(x, "id", "local")))
340                                       else filenames)                                       else filenames)
341                i <- 1  
342                for (o in object) {      stopifnot(length(x) == length(filenames))
343                    writeLines(asPlain(o), filenames[i])  
344                    i <- i + 1      mapply(function(doc, f) writeLines(as.character(doc), f), x, filenames)
345    
346        invisible(x)
347                }                }
           })  

Legend:
Removed from v.905  
changed lines
  Added in v.1481

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