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 720, Tue Mar 20 10:43:11 2007 UTC pkg/R/textdoccol.R revision 905, Sat Mar 21 10:13:08 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  # The "..." are additional arguments for the FunctionGenerator parser  # The "..." are additional arguments for the FunctionGenerator reader
4  setGeneric("TextDocCol", function(object,  setGeneric("Corpus", function(object,
5                                    parserControl = list(parser = readPlain, language = "en_US", load = FALSE),                                readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
6                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),                                    dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
7                                    ...) standardGeneric("TextDocCol"))                                ...) standardGeneric("Corpus"))
8  setMethod("TextDocCol",  setMethod("Corpus",
9            signature(object = "Source"),            signature(object = "Source"),
10            function(object,            function(object,
11                     parserControl = list(parser = readPlain, language = "en_US", load = FALSE),                     readerControl = list(reader = object@DefaultReader, language = "en_US", load = TRUE),
12                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),                     dbControl = list(useDb = FALSE, dbName = "", dbType = "DB1"),
13                     ...) {                     ...) {
14                if (inherits(parserControl$parser, "FunctionGenerator"))                if (is.null(readerControl$reader))
15                    parserControl$parser <- parserControl$parser(...)                    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$useDb) {                if (dbControl$useDb && require("filehash")) {
24                    if (!dbCreate(dbControl$dbName, dbControl$dbType))                    if (!dbCreate(dbControl$dbName, dbControl$dbType))
25                        stop("error in creating database")                        stop("error in creating database")
26                    db <- dbInit(dbControl$dbName, dbControl$dbType)                    db <- dbInit(dbControl$dbName, dbControl$dbType)
27                }                }
28    
29                tdl <- list()                # 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    
35                counter <- 1                counter <- 1
36                while (!eoi(object)) {                while (!eoi(object)) {
37                    object <- stepNext(object)                    object <- stepNext(object)
# Line 28  Line 39 
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                        parserControl$load <- TRUE                        readerControl$load <- TRUE
43                    doc <- parserControl$parser(elem, parserControl$load, parserControl$language, as.character(counter))                    doc <- readerControl$reader(elem, readerControl$load, readerControl$language, as.character(counter))
44                    if (dbControl$useDb) {                    if (dbControl$useDb && require("filehash")) {
45                        dbInsert(db, ID(doc), doc)                        dbInsert(db, ID(doc), doc)
46                          if (object@Length > 0)
47                              tdl[[counter]] <- ID(doc)
48                          else
49                        tdl <- c(tdl, ID(doc))                        tdl <- c(tdl, ID(doc))
50                    }                    }
51                      else {
52                          if (object@Length > 0)
53                              tdl[[counter]] <- doc
54                    else                    else
55                        tdl <- c(tdl, list(doc))                        tdl <- c(tdl, list(doc))
56                      }
57                    counter <- counter + 1                    counter <- counter + 1
58                }                }
59    
60                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)                df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
61                if (dbControl$useDb) {                if (dbControl$useDb && require("filehash")) {
62                    dbInsert(db, "DMetaData", df)                    dbInsert(db, "DMetaData", df)
63                    dmeta.df <- data.frame(key = "DMetaData")                    dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
                   dbDisconnect(db)  
64                }                }
65                else                else
66                    dmeta.df <- df                    dmeta.df <- df
67    
68                cmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
69                              NodeID = 0,                              NodeID = 0,
70                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
71                              children = list())                              children = list())
72    
73                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))                return(new("Corpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl))
74            })            })
75    
76  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))  setGeneric("loadDoc", function(object, ...) standardGeneric("loadDoc"))
# Line 64  Line 81 
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 {
# Line 74  Line 91 
91  setMethod("loadDoc",  setMethod("loadDoc",
92            signature(object =  "XMLTextDocument"),            signature(object =  "XMLTextDocument"),
93            function(object, ...) {            function(object, ...) {
94                if (!Cached(object)) {                if (!Cached(object) && require("XML")) {
95                    con <- eval(URI(object))                    con <- eval(URI(object))
96                    corpus <- paste(readLines(con), "\n", collapse = "")                    corpus <- paste(readLines(con), "\n", collapse = "")
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 {
# Line 95  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("tmUpdate", function(object,  setGeneric("tmUpdate", function(object,
136                                  origin,                                  origin,
137                                  parserControl = list(parser = readPlain, language = "en_US", load = FALSE),                                  readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
138                                  ...) standardGeneric("tmUpdate"))                                  ...) 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("tmUpdate",  setMethod("tmUpdate",
142            signature(object = "TextDocCol", origin = "DirSource"),            signature(object = "Corpus", origin = "DirSource"),
143            function(object, origin,            function(object, origin,
144                     parserControl = list(parser = readPlain, language = "en_US", load = FALSE),                     readerControl = list(reader = origin@DefaultReader, language = "en_US", load = TRUE),
145                     ...) {                     ...) {
146                if (inherits(parserControl$parser, "FunctionGenerator"))                if (is.null(readerControl$reader))
147                    parserControl$parser <- parserControl$parser(...)                    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)))$description}))
156                new.files <- setdiff(origin@FileList, object.filelist)                new.files <- setdiff(origin@FileList, object.filelist)
157    
158                for (filename in new.files) {                for (filename in new.files) {
159                    elem <- list(content = readLines(filename),                    encoding <- origin@Encoding
160                                 uri = substitute(file(filename)))                    elem <- list(content = readLines(filename, encoding = encoding),
161                    object <- appendElem(object, parserControl$parser(elem, parserControl$load, parserControl$language, filename))                                 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("tmMap", function(object, FUN, ...) standardGeneric("tmMap"))  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
169  setMethod("tmMap",  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                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
175                      if (lazy)
176                          warning("lazy mapping is deactived when using database backend")
177                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
178                    new <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                    i <- 1
179                    ids <- lapply(object, ID)                    for (id in unlist(object)) {
180                    # Avoidance of explicit loop is probably more efficient                        db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
181                    for (i in length(new)) {                        i <- i + 1
182                        db[[ids[i]]] <- new[[i]]                    }
183                      # Suggested by Christian Buchta
184                      dbReorganize(db)
185                    }                    }
186                    dbDisconnect(db)                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$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
197                              meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
198                          }
199                      }
200                      else {
201                          result@.Data <- if (clusterAvailable())
202                              snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
203                else                else
204                    result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))                            lapply(object, FUN, ..., DMetaData = DMetaData(object))
205                      }
206                  }
207                return(result)                return(result)
208            })            })
209    
210    # Materialize lazy mappings
211    # Improvements by Christian Buchta
212    materialize <- function(corpus, range = seq_along(corpus)) {
213        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
214        if (!is.null(lazyTmMap)) {
215           # Make valid and lazy index
216           idx <- (seq_along(corpus) %in% range) & lazyTmMap$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"))  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
233  setMethod("asPlain",  setMethod("asPlain",
234            signature(object = "PlainTextDocument"),            signature(object = "PlainTextDocument"),
# Line 160  Line 236 
236                return(object)                return(object)
237            })            })
238  setMethod("asPlain",  setMethod("asPlain",
239            signature(object = "XMLTextDocument", FUN = "function"),            signature(object = "XMLTextDocument"),
240            function(object, FUN, ...) {            function(object, FUN, ...) {
241                corpus <- Corpus(object)                require("XML")
242    
243                  corpus <- Content(object)
244    
245                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
246                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 170  Line 248 
248    
249                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
250            })            })
251    setMethod("asPlain",
252              signature(object = "Reuters21578Document"),
253              function(object, FUN, ...) {
254                  require("XML")
255    
256  setGeneric("tmTolower", function(object, ...) standardGeneric("tmTolower"))                FUN <- convertReut21578XMLPlain
257  setMethod("tmTolower",                corpus <- Content(object)
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
258    
259  setGeneric("stripWhitespace", function(object, ...) standardGeneric("stripWhitespace"))                # As XMLDocument is no native S4 class, restore valid information
260  setMethod("stripWhitespace",                class(corpus) <- "XMLDocument"
261            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
262    
263  setGeneric("stemDoc", function(object, language = "english", ...) standardGeneric("stemDoc"))                return(FUN(xmlRoot(corpus), ...))
 setMethod("stemDoc",  
           signature(object = "PlainTextDocument"),  
           function(object, language = "english", ...) {  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- if (require("Rstem"))  
                   Rstem::wordStem(splittedCorpus, language)  
               else  
                   SnowballStemmer(splittedCorpus, Weka_control(S = language))  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
264            })            })
265    setMethod("asPlain",
266  setGeneric("removeWords", function(object, stopwords, ...) standardGeneric("removeWords"))            signature(object = "RCV1Document"),
267  setMethod("removeWords",            function(object, FUN, ...) {
268            signature(object = "PlainTextDocument", stopwords = "character"),                return(convertRCV1Plain(object, ...))
269            function(object, stopwords, ...) {            })
270                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  setMethod("asPlain",
271                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]            signature(object = "NewsgroupDocument"),
272                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")            function(object, FUN, ...) {
273                return(object)                new("PlainTextDocument", .Data = Content(object), Cached = TRUE, URI = NULL, Author = Author(object),
274                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
275                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
276                      LocalMetaData = LocalMetaData(object))
277              })
278    setMethod("asPlain",
279              signature(object = "StructuredTextDocument"),
280              function(object, FUN, ...) {
281                  new("PlainTextDocument", .Data = unlist(Content(object)), Cached = TRUE,
282                      URI = NULL, Author = Author(object), DateTimeStamp = DateTimeStamp(object),
283                      Description = Description(object), ID = ID(object), Origin = Origin(object),
284                      Heading = Heading(object), Language = Language(object),
285                      LocalMetaData = LocalMetaData(object))
286            })            })
287    
288  setGeneric("tmFilter", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmFilter"))  setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
289  setMethod("tmFilter",  setMethod("tmFilter",
290            signature(object = "TextDocCol"),            signature(object = "Corpus"),
291            function(object, ..., FUN = sFilter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
292                if (doclevel)                if (!is.null(attr(FUN, "doclevel")))
293                      doclevel <- attr(FUN, "doclevel")
294                  if (doclevel) {
295                      if (clusterAvailable())
296                          return(object[snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))])
297                      else
298                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])
299                  }
300                else                else
301                    return(object[FUN(object, ...)]) # TODO: Check that FUN knows about the database                    return(object[FUN(object, ...)])
302            })            })
303    
304  setGeneric("tmIndex", function(object, ..., FUN = sFilter, doclevel = FALSE) standardGeneric("tmIndex"))  setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
305  setMethod("tmIndex",  setMethod("tmIndex",
306            signature(object = "TextDocCol"),            signature(object = "Corpus"),
307            function(object, ..., FUN = sFilter, doclevel = FALSE) {            function(object, ..., FUN = searchFullText, doclevel = TRUE) {
308                if (doclevel)                if (!is.null(attr(FUN, "doclevel")))
309                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    doclevel <- attr(FUN, "doclevel")
310                  if (doclevel) {
311                      if (clusterAvailable())
312                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
313                else                else
314                    return(FUN(object, ...)) # TODO: Check that FUN knows about the database                        return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
           })  
   
 sFilter <- function(object, s, ...) {  
     query.df <- DMetaData(object)  
     con <- textConnection(s)  
     tokens <- scan(con, "character")  
     close(con)  
     local.meta <- lapply(object, LocalMetaData)  
     local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)  
     l.meta <- NULL  
     for (i in 1:length(object)) {  
         l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))  
     }  
     # 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)  
315                  }                  }
316                  else                  else
317                      query.df[i, m.name] <- m                    return(FUN(object, ...))
             }  
         }  
     }  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("searchFullText", function(object, pattern, ...) standardGeneric("searchFullText"))  
 setMethod("searchFullText",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               return(any(grep(pattern, Corpus(object))))  
318            })            })
319    
320  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
321  setMethod("appendElem",  setMethod("appendElem",
322            signature(object = "TextDocCol", data = "TextDocument"),            signature(object = "Corpus", data = "TextDocument"),
323            function(object, data, meta = NULL) {            function(object, data, meta = NULL) {
324                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
325                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
326                    if (dbExists(db, ID(data)))                    if (dbExists(db, ID(data)))
327                        warning("document with identical ID already exists")                        warning("document with identical ID already exists")
328                    dbInsert(db, ID(data), data)                    dbInsert(db, ID(data), data)
                   dbDisconnect(db)  
329                    object@.Data[[length(object)+1]] <- ID(data)                    object@.Data[[length(object)+1]] <- ID(data)
330                }                }
331                else                else
# Line 315  Line 336 
336    
337  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))  setGeneric("appendMeta", function(object, cmeta = NULL, dmeta = NULL) standardGeneric("appendMeta"))
338  setMethod("appendMeta",  setMethod("appendMeta",
339            signature(object = "TextDocCol"),            signature(object = "Corpus"),
340            function(object, cmeta = NULL, dmeta = NULL) {            function(object, cmeta = NULL, dmeta = NULL) {
341                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)                object@CMetaData@MetaData <- c(CMetaData(object)@MetaData, cmeta)
342                if (!is.null(dmeta)) {                if (!is.null(dmeta)) {
# Line 326  Line 347 
347    
348  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))  setGeneric("removeMeta", function(object, cname = NULL, dname = NULL) standardGeneric("removeMeta"))
349  setMethod("removeMeta",  setMethod("removeMeta",
350            signature(object = "TextDocCol"),            signature(object = "Corpus"),
351            function(object, cname = NULL, dname = NULL) {            function(object, cname = NULL, dname = NULL) {
352                if (!is.null(cname)) {                if (!is.null(cname))
353                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]                    object@CMetaData@MetaData <- CMetaData(object)@MetaData[names(CMetaData(object)@MetaData) != cname]
354                }                if (!is.null(dname))
355                if (!is.null(dname)) {                    DMetaData(object) <- DMetaData(object)[, names(DMetaData(object)) != dname, drop = FALSE]
                   DMetaData(object) <- DMetaData(object)[names(DMetaData(object)) != dname]  
               }  
356                return(object)                return(object)
357            })            })
358    
359  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))  setGeneric("prescindMeta", function(object, meta) standardGeneric("prescindMeta"))
360  setMethod("prescindMeta",  setMethod("prescindMeta",
361            signature(object = "TextDocCol", meta = "character"),            signature(object = "Corpus", meta = "character"),
362            function(object, meta) {            function(object, meta) {
363                for (m in meta) {                for (m in meta) {
364                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {                    if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading", "Language")) {
365                        local.m <- lapply(object, m)                        local.m <- lapply(object, m)
366                          local.m <- sapply(local.m, paste, collapse = " ")
367                        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))
368                        local.m <- unlist(local.m)                        local.m <- unlist(local.m)
369                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
370                        names(DMetaData(object))[length(DMetaData(object))] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
371                    }                    }
372                    else {                    else {
373                        local.meta <- lapply(object, LocalMetaData)                        local.meta <- lapply(object, LocalMetaData)
# Line 357  Line 377 
377                            local.m <- unlist(local.m)                            local.m <- unlist(local.m)
378                        else                        else
379                            local.m <- I(local.m)                            local.m <- I(local.m)
380                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                        DMetaData(object) <- cbind(DMetaData(object), data.frame(m = local.m, stringsAsFactors = FALSE))
381                        names(DMetaData(object))[length(DMetaData(object))] <- m                        names(DMetaData(object))[which(names(DMetaData(object)) == "m")] <- m
382                    }                    }
383                }                }
384                return(object)                return(object)
385            })            })
386    
 # WARNING: DMetaData is changed (since both use the same database)  
387  setMethod("[",  setMethod("[",
388            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", drop = "ANY"),
389            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
390                if(missing(i))                if(missing(i))
391                    return(x)                    return(x)
392    
393                object <- x                object <- x
394                object@.Data <- x@.Data[i, ..., drop = FALSE]                object@.Data <- x@.Data[i, ..., drop = FALSE]
395                df <- as.data.frame(DMetaData(x)[i, ])                if (DBControl(object)[["useDb"]] && require("filehash")) {
396                names(df) <- names(DMetaData(x))                    index <- object@DMetaData[[1 , "subset"]]
397                DMetaData(object) <- df                    if (any(is.na(index)))
398                          object@DMetaData[[1 , "subset"]] <- i
399                      else
400                          object@DMetaData[[1 , "subset"]] <- index[i]
401                  }
402                  else
403                      DMetaData(object) <- DMetaData(x)[i, , drop = FALSE]
404                return(object)                return(object)
405            })            })
406    
 # TODO  
407  setMethod("[<-",  setMethod("[<-",
408            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
409            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
410                object <- x                object <- x
411                  if (DBControl(object)[["useDb"]] && require("filehash")) {
412                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
413                      counter <- 1
414                      for (id in object@.Data[i, ...]) {
415                          if (length(value) == 1)
416                              db[[id]] <- value
417                          else {
418                              db[[id]] <- value[[counter]]
419                          }
420                          counter <- counter + 1
421                      }
422                  }
423                  else
424                object@.Data[i, ...] <- value                object@.Data[i, ...] <- value
425                return(object)                return(object)
426            })            })
427    
428  setMethod("[[",  setMethod("[[",
429            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY"),
430            function(x, i, j, ...) {            function(x, i, j, ...) {
431                if (DBControl(x)[["useDb"]]) {                if (DBControl(x)[["useDb"]] && require("filehash")) {
432                    db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])                    db <- dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
433                    result <- dbFetch(db, x@.Data[[i]])                    result <- dbFetch(db, x@.Data[[i]])
                   dbDisconnect(db)  
434                    return(loadDoc(result))                    return(loadDoc(result))
435                }                }
436                else                else {
437                      lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
438                      if (!is.null(lazyTmMap))
439                          .Call("copyCorpus", x, materialize(x, i))
440                    return(loadDoc(x@.Data[[i]]))                    return(loadDoc(x@.Data[[i]]))
441                  }
442            })            })
443    
444  setMethod("[[<-",  setMethod("[[<-",
445            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "Corpus", i = "ANY", j = "ANY", value = "ANY"),
446            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
447                object <- x                object <- x
448                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
449                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
450                    index <- object@.Data[[i]]                    index <- object@.Data[[i]]
451                    db[[index]] <- value                    db[[index]] <- value
                   dbDisconnect(db)  
452                }                }
453                else                else {
454                      # Mark new objects as not active for lazy mapping
455                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
456                      if (!is.null(lazyTmMap)) {
457                          lazyTmMap$index[i] <- FALSE
458                          meta(object, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
459                      }
460                      # Set the value
461                    object@.Data[[i, ...]] <- value                    object@.Data[[i, ...]] <- value
462                  }
463                return(object)                return(object)
464            })            })
465    
# Line 445  Line 492 
492  }  }
493    
494  setMethod("c",  setMethod("c",
495            signature(x = "TextDocCol"),            signature(x = "Corpus"),
496            function(x, ..., meta = list(merge_date = Sys.time(), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {            function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
497                args <- list(...)                args <- list(...)
498                if (length(args) == 0)                if (length(args) == 0)
499                    return(x)                    return(x)
500    
501                if (!all(sapply(args, inherits, "TextDocCol")))                if (!all(sapply(args, inherits, "Corpus")))
502                    stop("not all arguments are text document collections")                    stop("not all arguments are corpora")
503                if (DBControl(x)$useDb == TRUE || any(unlist(sapply(args, DBControl)["useDb", ])))                if (DBControl(x)[["useDb"]] || any(unlist(sapply(args, DBControl)["useDb", ])))
504                    stop("concatenating text document collections with activated database is not supported")                    stop("concatenating corpora with activated database is not supported")
505    
506                result <- x                Reduce(c2, base::c(list(x), args))
               for (c in args) {  
                   result <- c2(result, c)  
               }  
               return(result)  
507            })            })
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 = as.POSIXlt(Sys.time(), tz = "GMT"), 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 = as.POSIXlt(Sys.time(), tz = "GMT"), 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"))
# Line 529  Line 572 
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                cmeta.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 = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
576                              children = list())                              children = list())
577    
578                return(new("TextDocCol",                return(new("Corpus",
579                           .Data = list(x, ...),                           .Data = list(x, ...),
580                           DMetaData = dmeta.df,                           DMetaData = dmeta.df,
581                           CMetaData = cmeta.node,                           CMetaData = cmeta.node,
# Line 540  Line 583 
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 corpus with %d text document\n",
596                                     "A text document collection with %d text documents\n"),                                     "A corpus with %d text documents\n"),
597                            length(object)))                            length(object)))
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) {
# Line 564  Line 607 
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(CMetaData(object)@MetaData)))                                         length(CMetaData(object)@MetaData)))
609                    cat("Available tags are:\n")                    cat("Available tags are:\n")
610                    cat(names(CMetaData(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                if (DBControl(object)[["useDb"]]) {                if (DBControl(object)[["useDb"]] && require("filehash")) {
623                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
624                    show(dbMultiFetch(db, unlist(object)))                    show(dbMultiFetch(db, unlist(object)))
                   dbDisconnect(db)  
625                }                }
626                else                else
627                    show(object@.Data)                    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"]] && require("filehash")) {
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",  setMethod("lapply",
645            signature(X = "TextDocCol"),            signature(X = "Corpus"),
646            function(X, FUN, ...) {            function(X, FUN, ...) {
647                if (DBControl(X)[["useDb"]]) {                if (DBControl(X)[["useDb"]] && require("filehash")) {
648                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
649                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)                    result <- lapply(dbMultiFetch(db, unlist(X)), FUN, ...)
                   dbDisconnect(db)  
650                }                }
651                else                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, ...)                    result <- base::lapply(X, FUN, ...)
656                  }
657                return(result)                return(result)
658            })            })
659    
660  setMethod("sapply",  setMethod("sapply",
661            signature(X = "TextDocCol"),            signature(X = "Corpus"),
662            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {            function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
663                if (DBControl(X)[["useDb"]]) {                if (DBControl(X)[["useDb"]] && require("filehash")) {
664                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])                    db <- dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
665                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)                    result <- sapply(dbMultiFetch(db, unlist(X)), FUN, ...)
                   dbDisconnect(db)  
666                }                }
667                else                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, ...)                    result <- base::sapply(X, FUN, ...)
672                  }
673                return(result)                return(result)
674            })            })
675    
676    setAs("list", "Corpus", function(from) {
677        cmeta.node <- new("MetaDataNode",
678                          NodeID = 0,
679                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), 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 = as.POSIXlt(Sys.time(), tz = "GMT"),
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.720  
changed lines
  Added in v.905

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