SCM

SCM Repository

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

Diff of /pkg/R/corpus.R

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

trunk/R/trunk/tm/R/textdoccol.R revision 45, Wed Jul 5 17:27:29 2006 UTC pkg/R/corpus.R revision 950, Thu May 14 15:17:18 2009 UTC
# Line 1  Line 1 
1  # Author: Ingo Feinerer  # Author: Ingo Feinerer
2    
3  setGeneric("textdoccol", function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) standardGeneric("textdoccol"))  FCorpus <- function(object, readerControl = list(language = "eng")) {
4  setMethod("textdoccol",      if (is.null(readerControl$language))
5            c("character"),          readerControl$language <- "eng"
6            function(object, inputType = "CSV", stripWhiteSpace = FALSE, toLower = FALSE) {  
7                # Add a new type for each unique input source format      if (!object@Vectorized)
8                type <- match.arg(inputType,c("CSV", "RCV1", "REUT21578", "RIS"))          stop("Source is not vectorized")
9                switch(type,  
10                       # Text in a special CSV format      tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
11                       # For details on the file format see the R documentation file                    function(x) readSlim(x[c("content", "uri")],
12                       # The first argument is a directory with .csv files                                         readerControl$language,
13                       "CSV" = {                                         as.character(x$id)))
14                           filelist <- dir(object, pattern = ".csv", full.names = TRUE)  
15                           tdl <- sapply(filelist,      new("FCorpus", .Data = tdl)
16                                         function(file) {  }
17                                             m <- as.matrix(read.csv(file, header = FALSE))  
18                                             l <- vector("list", dim(m)[1])  PCorpus <- function(object,
19                                             for (i in 1:dim(m)[1]) {                      readerControl = list(reader = object@DefaultReader, language = "eng"),
20                                                 author <- ""                      dbControl = list(dbName = "", dbType = "DB1"),
21                                                 datetimestamp <- date()                      ...) {
22                                                 description <- ""      if (is.null(readerControl$reader))
23                                                 id <- as.integer(m[i,1])          readerControl$reader <- object@DefaultReader
24                                                 corpus <- as.character(m[i,2:dim(m)[2]])      if (is(readerControl$reader, "FunctionGenerator"))
25                                                 if (stripWhiteSpace)          readerControl$reader <- readerControl$reader(...)
26                                                     corpus <- gsub("[[:space:]]+", " ", corpus)      if (is.null(readerControl$language))
27                                                 if (toLower)          readerControl$language <- "eng"
28                                                     corpus <- tolower(corpus)  
29                                                 origin <- "CSV"      if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
30                                                 heading <- ""          stop("error in creating database")
31        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
32                                                 l[[i]] <- new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,  
33                                                               description = description, id = id, origin = origin, heading = heading)      # Allocate memory in advance if length is known
34                                             }      tdl <- if (object@Length > 0)
35                                             l          vector("list", as.integer(object@Length))
36                                         })      else
37                           if (length(filelist) > 1)          list()
38                               tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))  
39                           else      counter <- 1
40                               tdcl <- new("textdoccol", .Data = tdl)      while (!eoi(object)) {
41                       },          object <- stepNext(object)
42                       # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format          elem <- getElem(object)
43                       # The first argument is a directory with the RCV1 XML files          doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
44                       "RCV1" = {          filehash::dbInsert(db, ID(doc), doc)
45                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)          if (object@Length > 0) tdl[[counter]] <- ID(doc)
46                           tdl <- sapply(filelist,          else tdl <- c(tdl, ID(doc))
47                                         function(file) {          counter <- counter + 1
48                                             tree <- xmlTreeParse(file)      }
49                                             xmlApply(xmlRoot(tree), parseNewsItem, stripWhiteSpace, toLower)  
50                                         })      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
51                           if (length(filelist) > 1)      filehash::dbInsert(db, "DMetaData", df)
52                               tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
53                           else  
54                               tdcl <- new("textdoccol", .Data = tdl)      cmeta.node <- new("MetaDataNode",
55                       },                        NodeID = 0,
56                       # Read in text documents in Reuters-21578 XML (not SGML) format                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
57                       # Typically the first argument will be a directory where we can                        children = list())
58                       # find the files reut2-000.xml ... reut2-021.xml  
59                       "REUT21578" = {      new("PCorpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl)
60                           filelist <- dir(object, pattern = ".xml", full.names = TRUE)  }
61                           tdl <- sapply(filelist,  
62                                         function(file) {  # The "..." are additional arguments for the FunctionGenerator reader
63                                             tree <- xmlTreeParse(file)  SCorpus <- Corpus <- function(object,
64                                             xmlApply(xmlRoot(tree), parseReuters, stripWhiteSpace, toLower)                      readerControl = list(reader = object@DefaultReader, language = "eng"),
65                                         })                      ...) {
66                           if (length(filelist) > 1)      if (is.null(readerControl$reader))
67                               tdcl <- new("textdoccol", .Data = unlist(tdl, recursive = FALSE))          readerControl$reader <- object@DefaultReader
68                           else      if (is(readerControl$reader, "FunctionGenerator"))
69                               tdcl <- new("textdoccol", .Data = tdl)          readerControl$reader <- readerControl$reader(...)
70                       },      if (is.null(readerControl$language))
71                       # Read in HTML documents as used by http://ris.bka.gv.at/vwgh          readerControl$language <- "eng"
72                       "RIS" = {  
73                           filelist <- dir(object, pattern = ".html", full.names = TRUE)      # Allocate memory in advance if length is known
74                           tdl <- sapply(filelist,      tdl <- if (object@Length > 0)
75                                         function(file) {          vector("list", as.integer(object@Length))
76                                             # Ignore warnings from misformed HTML documents      else
77                                             suppressWarnings(RISDoc <- parseHTML(file, stripWhiteSpace, toLower))          list()
78                                             if (!is.null(RISDoc)) {  
79                                                 l <- list()      if (object@Vectorized)
80                                                 l[[length(l) + 1]] <- RISDoc          tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
81                                                 l                        function(x) readerControl$reader(x[c("content", "uri")],
82                                             }                                                         readerControl$language,
83                                         })                                                         as.character(x$id)))
84                           tdcl <- new("textdoccol", .Data = tdl)      else {
85                       })          counter <- 1
86                tdcl          while (!eoi(object)) {
87            })              object <- stepNext(object)
88                elem <- getElem(object)
89  # Parse an Austrian RIS HTML document              doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
90  parseHTML <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {              if (object@Length > 0)
91      author <- ""                  tdl[[counter]] <- doc
92      datetimestamp <- date()              else
93      description <- ""                  tdl <- c(tdl, list(doc))
94                counter <- counter + 1
95      tree <- htmlTreeParse(file)          }
96      htmlElem <- unlist(tree$children$html$children)      }
97    
98      if (is.null(htmlElem))      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
99          stop(paste("Empty document", file, "cannot be processed."))      cmeta.node <- new("MetaDataNode",
100                          NodeID = 0,
101      textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
102      names(textElem) <- NULL                        children = list())
103    
104      corpus <- paste(textElem, collapse = " ")      new("SCorpus", .Data = tdl, DMetaData = df, CMetaData = cmeta.node)
105    }
106      year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)  
107      senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
108      number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)  setMethod("tmMap",
109              signature(object = "FCorpus", FUN = "function"),
110      id <- as.integer(paste(year, senat, number, sep = ""))            function(object, FUN, ..., lazy = FALSE) {
111                  if (lazy)
112      if (is.na(id))                    warning("lazy mapping is deactivated")
113          stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))  
114      origin <- ""                lapply(object, FUN, ..., DMetaData = data.frame())
115              })
116      if (stripWhiteSpace)  setMethod("tmMap",
117          corpus <- gsub("[[:space:]]+", " ", corpus)            signature(object = "SCorpus", FUN = "function"),
118      if (toLower)            function(object, FUN, ..., lazy = FALSE) {
119          corpus <- tolower(corpus)                result <- object
120                  # Lazy mapping
121      heading <- ""                if (lazy) {
122                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
123      new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,                    if (is.null(lazyTmMap)) {
124          description = description, id = id, origin = origin, heading = heading)                        meta(result, tag = "lazyTmMap", type = "corpus") <-
125  }                            list(index = rep(TRUE, length(result)),
126                                   maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
127  # TODO: Implement lacking fields as soon I have access to the original RCV1                    }
128  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file                    else {
129  parseNewsItem <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {                        lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
130      author <- "Not yet implemented"                        meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
131      datetimestamp <- xmlAttrs(node)[["date"]]                    }
132      description <- "Not yet implemented"                }
133      id <- as.integer(xmlAttrs(node)[["itemid"]])                else {
134      origin <- "Reuters Corpus Volume 1 XML"                    result@.Data <- if (clusterAvailable())
135      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)                        snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
136                      else
137      if (stripWhiteSpace)                        lapply(object, FUN, ..., DMetaData = DMetaData(object))
138          corpus <- gsub("[[:space:]]+", " ", corpus)                }
139      if (toLower)                result
140          corpus <- tolower(corpus)            })
141    setMethod("tmMap",
142      heading <- xmlValue(node[["title"]])            signature(object = "PCorpus", FUN = "function"),
143              function(object, FUN, ..., lazy = FALSE) {
144      new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,                # TODO: When should lazy mapping be conceptually available?
145          description = description, id = id, origin = origin, heading = heading)                if (lazy)
146  }                    warning("lazy mapping is deactived when using database backend")
147                  db <- filehash::dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
148  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file                i <- 1
149  parseReuters <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {                for (id in unlist(object)) {
150      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!                    db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
151      if (!is.null(node[["TEXT"]][["AUTHOR"]]))                    i <- i + 1
152          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])                }
153      else                # Suggested by Christian Buchta
154          author <- ""                filehash::dbReorganize(db)
155    
156      datetimestamp <- xmlValue(node[["DATE"]])                object
157      description <- ""            })
158      id <- as.integer(xmlAttrs(node)[["NEWID"]])  
159    # Materialize lazy mappings
160      origin <- "Reuters-21578 XML"  # Improvements by Christian Buchta
161    materialize <- function(corpus, range = seq_along(corpus)) {
162      # The <BODY></BODY> tag is unfortunately NOT obligatory!      lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
163      if (!is.null(node[["TEXT"]][["BODY"]]))      if (!is.null(lazyTmMap)) {
164          corpus <- xmlValue(node[["TEXT"]][["BODY"]])         # Make valid and lazy index
165      else         idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
166          corpus <- ""         if (any(idx)) {
167               res <- corpus@.Data[idx]
168      if (stripWhiteSpace)             for (m in lazyTmMap$maps)
169          corpus <- gsub("[[:space:]]+", " ", corpus)                 res <- lapply(res, m, DMetaData = DMetaData(corpus))
170      if (toLower)             corpus@.Data[idx] <- res
171          corpus <- tolower(corpus)             lazyTmMap$index[idx] <- FALSE
172           }
173      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!      }
174      if (!is.null(node[["TEXT"]][["TITLE"]]))      # Clean up if everything is materialized
175          heading <- xmlValue(node[["TEXT"]][["TITLE"]])      if (!any(lazyTmMap$index))
176            lazyTmMap <- NULL
177        meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
178        corpus
179    }
180    
181    setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
182    setMethod("asPlain", signature(object = "PlainTextDocument"),
183              function(object, FUN, ...) object)
184    setMethod("asPlain",
185              signature(object = "XMLTextDocument"),
186              function(object, FUN, ...) {
187                  require("XML")
188    
189                  corpus <- Content(object)
190    
191                  # As XMLDocument is no native S4 class, restore valid information
192                  class(corpus) <- "XMLDocument"
193                  names(corpus) <- c("doc","dtd")
194    
195                  return(FUN(xmlRoot(corpus), ...))
196              })
197    setMethod("asPlain",
198              signature(object = "Reuters21578Document"),
199              function(object, FUN, ...) {
200                  require("XML")
201    
202                  FUN <- convertReut21578XMLPlain
203                  corpus <- Content(object)
204    
205                  # As XMLDocument is no native S4 class, restore valid information
206                  class(corpus) <- "XMLDocument"
207                  names(corpus) <- c("doc","dtd")
208    
209                  return(FUN(xmlRoot(corpus), ...))
210              })
211    setMethod("asPlain", signature(object = "RCV1Document"),
212              function(object, FUN, ...) convertRCV1Plain(object, ...))
213    setMethod("asPlain",
214              signature(object = "NewsgroupDocument"),
215              function(object, FUN, ...) {
216                  new("PlainTextDocument", .Data = Content(object), Author = Author(object),
217                      DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
218                      Origin = Origin(object), Heading = Heading(object), Language = Language(object),
219                      LocalMetaData = LocalMetaData(object))
220              })
221    setMethod("asPlain",
222              signature(object = "StructuredTextDocument"),
223              function(object, FUN, ...) {
224                  new("PlainTextDocument", .Data = unlist(Content(object)),
225                      Author = Author(object), DateTimeStamp = DateTimeStamp(object),
226                      Description = Description(object), ID = ID(object), Origin = Origin(object),
227                      Heading = Heading(object), Language = Language(object),
228                      LocalMetaData = LocalMetaData(object))
229              })
230    
231    setGeneric("tmFilter", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmFilter"))
232    setMethod("tmFilter", signature(object = "Corpus"),
233              function(object, ..., FUN = searchFullText, doclevel = TRUE)
234                  object[tmIndex(object, ..., FUN = FUN, doclevel = doclevel)])
235    
236    setGeneric("tmIndex", function(object, ..., FUN = searchFullText, doclevel = TRUE) standardGeneric("tmIndex"))
237    setMethod("tmIndex",
238              signature(object = "Corpus"),
239              function(object, ..., FUN = searchFullText, doclevel = TRUE) {
240                  if (!is.null(attr(FUN, "doclevel")))
241                      doclevel <- attr(FUN, "doclevel")
242                  if (doclevel) {
243                      if (clusterAvailable())
244                          return(snow::parSapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object)))
245                      else
246                          return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
247                  }
248      else      else
249          heading <- ""                    return(FUN(object, ...))
250              })
251    
252    # TODO: Replace with c(Corpus, TextDocument)?
253    setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
254    setMethod("appendElem",
255              signature(object = "Corpus", data = "TextDocument"),
256              function(object, data, meta = NULL) {
257                  if (DBControl(object)[["useDb"]] && require("filehash")) {
258                      db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
259                      if (dbExists(db, ID(data)))
260                          warning("document with identical ID already exists")
261                      dbInsert(db, ID(data), data)
262                      object@.Data[[length(object)+1]] <- ID(data)
263                  }
264                  else
265                      object@.Data[[length(object)+1]] <- data
266                  DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
267                  return(object)
268              })
269    
270    prescindMeta <- function(object, meta) {
271        df <- DMetaData(object)
272    
273        for (m in meta)
274            df <- cbind(df, structure(data.frame(I(meta(object, tag = m, type = "local"))), names = m))
275    
276      new("textdocument", .Data = corpus, author = author, datetimestamp = datetimestamp,      df
         description = description, id = id, origin = origin, heading = heading)  
277  }  }
278    
279    setMethod("[",
280              signature(x = "PCorpus", i = "ANY", j = "ANY", drop = "ANY"),
281              function(x, i, j, ... , drop) {
282                  if (missing(i)) return(x)
283    
284                  x@.Data <- x@.Data[i, ..., drop = FALSE]
285                  index <- x@DMetaData[[1 , "subset"]]
286                  if (any(is.na(index))) x@DMetaData[[1 , "subset"]] <- i
287                  else x@DMetaData[[1 , "subset"]] <- index[i]
288                  x
289              })
290    
291    setMethod("[",
292              signature(x = "SCorpus", i = "ANY", j = "ANY", drop = "ANY"),
293              function(x, i, j, ... , drop) {
294                  if (missing(i)) return(x)
295    
296                  x@.Data <- x@.Data[i, ..., drop = FALSE]
297                  DMetaData(x) <- DMetaData(x)[i, , drop = FALSE]
298                  x
299              })
300    
301    setMethod("[<-",
302              signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
303              function(x, i, j, ... , value) {
304                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
305                  counter <- 1
306                  for (id in x@.Data[i, ...]) {
307                      if (identical(length(value), 1)) db[[id]] <- value
308                      else db[[id]] <- value[[counter]]
309                      counter <- counter + 1
310                  }
311                  x
312              })
313    setMethod("[<-",
314              signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
315              function(x, i, j, ... , value) {
316                  x@.Data[i, ...] <- value
317                  x
318              })
319    
320    setMethod("[[",
321              signature(x = "PCorpus", i = "ANY", j = "ANY"),
322              function(x, i, j, ...) {
323                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
324                  filehash::dbFetch(db, x@.Data[[i]])
325              })
326    setMethod("[[",
327              signature(x = "SCorpus", i = "ANY", j = "ANY"),
328              function(x, i, j, ...) {
329                  # TODO: For which corpora should lazy mapping be available?
330                  lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
331                  if (!is.null(lazyTmMap))
332                      .Call("copyCorpus", x, materialize(x, i))
333                  x@.Data[[i]]
334              })
335    
336    setMethod("[[<-",
337              signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
338              function(x, i, j, ..., value) {
339                  db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
340                  index <- x@.Data[[i]]
341                  db[[index]] <- value
342                  x
343              })
344    setMethod("[[<-",
345              signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
346              function(x, i, j, ..., value) {
347                  # Mark new objects as not active for lazy mapping
348                  lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
349                  if (!is.null(lazyTmMap)) {
350                      lazyTmMap$index[i] <- FALSE
351                      meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
352                  }
353                  # Set the value
354                  x@.Data[[i, ...]] <- value
355    
356                  x
357              })
358    
359    # Update \code{NodeID}s of a CMetaData tree
360    update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
361        # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
362        set_id <- function(object) {
363            object@NodeID <- id
364            id <<- id + 1
365            level <<- level + 1
366    
367            if (length(object@children) > 0) {
368                mapping <<- cbind(mapping, c(object@children[[1]]@NodeID, id))
369                left <- set_id(object@children[[1]])
370                if (level == 1) {
371                    left.mapping <<- mapping
372                    mapping <<- NULL
373                }
374                mapping <<- cbind(mapping, c(object@children[[2]]@NodeID, id))
375                right <- set_id(object@children[[2]])
376    
377                object@children <- list(left, right)
378            }
379            level <<- level - 1
380    
381            return(object)
382        }
383    
384        return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
385    }
386    
387    # TODO: Implement concatenation for other corpus types
388    setMethod("c",
389              signature(x = "Corpus"),
390              function(x, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
391                  args <- list(...)
392                  if (length(args) == 0)
393                      return(x)
394    
395                  if (!all(sapply(args, inherits, "SCorpus")))
396                      stop("not all arguments are standard corpora")
397    
398                  Reduce(c2, base::c(list(x), args))
399              })
400    
401    setGeneric("c2", function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) standardGeneric("c2"))
402    setMethod("c2",
403              signature(x = "SCorpus", y = "SCorpus"),
404              function(x, y, ..., meta = list(merge_date = as.POSIXlt(Sys.time(), tz = "GMT"), merger = Sys.getenv("LOGNAME")), recursive = TRUE) {
405                  object <- x
406                  # Concatenate data slots
407                  object@.Data <- c(as(x, "list"), as(y, "list"))
408    
409                  # Update the CMetaData tree
410                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
411                  update.struct <- update_id(cmeta)
412                  object@CMetaData <- update.struct$root
413    
414                  # Find indices to be updated for the left tree
415                  indices.mapping <- NULL
416                  for (m in levels(as.factor(DMetaData(x)$MetaID))) {
417                      indices <- (DMetaData(x)$MetaID == m)
418                      indices.mapping <- c(indices.mapping, list(m = indices))
419                      names(indices.mapping)[length(indices.mapping)] <- m
420                  }
421    
422                  # Update the DMetaData data frames for the left tree
423                  for (i in 1:ncol(update.struct$left.mapping)) {
424                      map <- update.struct$left.mapping[,i]
425                      x@DMetaData$MetaID <- replace(DMetaData(x)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
426                  }
427    
428                  # Find indices to be updated for the right tree
429                  indices.mapping <- NULL
430                  for (m in levels(as.factor(DMetaData(y)$MetaID))) {
431                      indices <- (DMetaData(y)$MetaID == m)
432                      indices.mapping <- c(indices.mapping, list(m = indices))
433                      names(indices.mapping)[length(indices.mapping)] <- m
434                  }
435    
436                  # Update the DMetaData data frames for the right tree
437                  for (i in 1:ncol(update.struct$right.mapping)) {
438                      map <- update.struct$right.mapping[,i]
439                      y@DMetaData$MetaID <- replace(DMetaData(y)$MetaID, indices.mapping[[as.character(map[1])]], map[2])
440                  }
441    
442                  # Merge the DMetaData data frames
443                  labels <- setdiff(names(DMetaData(y)), names(DMetaData(x)))
444                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(x)), ncol = length(labels), dimnames = list(row.names(DMetaData(x)), labels))
445                  x.dmeta.aug <- cbind(DMetaData(x), na.matrix)
446                  labels <- setdiff(names(DMetaData(x)), names(DMetaData(y)))
447                  na.matrix <- matrix(NA, nrow = nrow(DMetaData(y)), ncol = length(labels), dimnames = list(row.names(DMetaData(y)), labels))
448                  y.dmeta.aug <- cbind(DMetaData(y), na.matrix)
449                  object@DMetaData <- rbind(x.dmeta.aug, y.dmeta.aug)
450    
451                  return(object)
452              })
453    
454    setMethod("c",
455              signature(x = "TextDocument"),
456              function(x, ..., recursive = TRUE){
457                  args <- list(...)
458                  if (identical(length(args), 0)) return(x)
459    
460                  dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
461                  cmeta.node <- new("MetaDataNode",
462                                NodeID = 0,
463                                MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
464                                children = list())
465    
466                  new("SCorpus", .Data = list(x, ...), DMetaData = dmeta.df, CMetaData = cmeta.node)
467              })
468    
469    setMethod("show",
470              signature(object = "Corpus"),
471              function(object){
472                  cat(sprintf(ngettext(length(object),
473                                       "A corpus with %d text document\n",
474                                       "A corpus with %d text documents\n"),
475                              length(object)))
476        })
477    
478    setMethod("summary",
479              signature(object = "Corpus"),
480              function(object){
481                  show(object)
482                  if (length(DMetaData(object)) > 0) {
483                      cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
484                                                  "\nThe metadata consists of %d tag-value pair and a data frame\n",
485                                                  "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
486                                           length(CMetaData(object)@MetaData)))
487                      cat("Available tags are:\n")
488                      cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
489                      cat("Available variables in the data frame are:\n")
490                      cat(strwrap(paste(names(DMetaData(object)), collapse = " "), indent = 2, exdent = 2), "\n")
491                  }
492        })
493    
494    inspect <- function(x) UseMethod("inspect", x)
495    inspect.PCorpus <- function(x) {
496        summary(x)
497        cat("\n")
498        db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
499        show(filehash::dbMultiFetch(db, unlist(x)))
500    }
501    inspect.FCorpus <- inspect.SCorpus <- function(x) {
502        summary(x)
503        cat("\n")
504        print(noquote(lapply(x, identity)))
505    }
506    
507    # No metadata is checked
508    setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
509    setMethod("%IN%", signature(x = "TextDocument", y = "PCorpus"),
510              function(x, y) {
511                  db <- filehash::dbInit(DBControl(y)[["dbName"]], DBControl(y)[["dbType"]])
512                  any(sapply(y, function(x, z) {x %in% Content(z)}, x))
513              })
514    setMethod("%IN%", signature(x = "TextDocument", y = "SCorpus"),
515              function(x, y) x %in% y)
516    
517    setMethod("lapply",
518              signature(X = "SCorpus"),
519              function(X, FUN, ...) {
520                  lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
521                  if (!is.null(lazyTmMap))
522                      .Call("copyCorpus", X, materialize(X))
523                  base::lapply(X, FUN, ...)
524              })
525    setMethod("lapply",
526              signature(X = "PCorpus"),
527              function(X, FUN, ...) {
528                  db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
529                  lapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
530              })
531    
532    setMethod("sapply",
533              signature(X = "SCorpus"),
534              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
535                  lazyTmMap <- meta(X, tag = "lazyTmMap", type = "corpus")
536                  if (!is.null(lazyTmMap))
537                      .Call("copyCorpus", X, materialize(X))
538                  base::sapply(X, FUN, ...)
539              })
540    setMethod("sapply",
541              signature(X = "PCorpus"),
542              function(X, FUN, ..., simplify = TRUE, USE.NAMES = TRUE) {
543                  db <- filehash::dbInit(DBControl(X)[["dbName"]], DBControl(X)[["dbType"]])
544                  sapply(filehash::dbMultiFetch(db, unlist(X)), FUN, ...)
545              })
546    
547    setAs("list", "SCorpus", function(from) {
548        cmeta.node <- new("MetaDataNode",
549                          NodeID = 0,
550                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
551                          children = list())
552        data <- list()
553        counter <- 1
554        for (f in from) {
555            doc <- new("PlainTextDocument",
556                       .Data = f,
557                       Author = "", DateTimeStamp = as.POSIXlt(Sys.time(), tz = "GMT"),
558                       Description = "", ID = as.character(counter),
559                       Origin = "", Heading = "", Language = "eng")
560            data <- c(data, list(doc))
561            counter <- counter + 1
562        }
563        new("SCorpus", .Data = data,
564            DMetaData = data.frame(MetaID = rep(0, length(from)), stringsAsFactors = FALSE),
565            CMetaData = cmeta.node)
566    })
567    
568    setGeneric("writeCorpus", function(object, path = ".", filenames = NULL) standardGeneric("writeCorpus"))
569    setMethod("writeCorpus",
570              signature(object = "Corpus"),
571              function(object, path = ".", filenames = NULL) {
572                  filenames <- file.path(path,
573                                         if (is.null(filenames)) sapply(object, function(x) sprintf("%s.txt", ID(x)))
574                                         else filenames)
575                  i <- 1
576                  for (o in object) {
577                      writeLines(asPlain(o), filenames[i])
578                      i <- i + 1
579                  }
580              })

Legend:
Removed from v.45  
changed lines
  Added in v.950

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