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/textmin/R/textdoccol.R revision 55, Thu Sep 14 12:31:07 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", "REUT21578_XML", "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)))
                          filelist <- dir(object, pattern = ".csv", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            m <- as.matrix(read.csv(file, header = FALSE))  
                                            l <- vector("list", dim(m)[1])  
                                            for (i in 1:dim(m)[1]) {  
                                                author <- ""  
                                                datetimestamp <- date()  
                                                description <- ""  
                                                id <- as.integer(m[i,1])  
                                                corpus <- as.character(m[i,2:dim(m)[2]])  
                                                if (stripWhiteSpace)  
                                                    corpus <- gsub("[[:space:]]+", " ", corpus)  
                                                if (toLower)  
                                                    corpus <- tolower(corpus)  
                                                origin <- "CSV"  
                                                heading <- ""  
14    
15                                                 l[[i]] <- new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,      new("FCorpus", .Data = tdl)
                                                              Description = description, ID = id, Origin = origin, Heading = heading)  
16                                             }                                             }
                                            l  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in text documents in XML Reuters Corpus Volume 1 (RCV1) format  
                      # The first argument is a directory with the RCV1 XML files  
                      "RCV1" = {  
                          filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseNewsItemPlain, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in text documents in Reuters-21578 XML (not SGML) format  
                      # Typically the first argument will be a directory where we can  
                      # find the files reut2-000.xml ... reut2-021.xml  
                      "REUT21578" = {  
                          filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            tree <- xmlTreeParse(file)  
                                            xmlApply(xmlRoot(tree), parseReutersPlain, stripWhiteSpace, toLower)  
                                        })  
                          if (length(filelist) > 1)  
                              tdcl <- new("TextDocCol", .Data = unlist(tdl, recursive = FALSE))  
                          else  
                              tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      "REUT21578_XML" = {  
                          filelist <- dir(object, pattern = ".xml", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            parseReutersXML(file)  
                                        })  
                          tdcl <- new("TextDocCol", .Data = tdl)  
                      },  
                      # Read in HTML documents as used by http://ris.bka.gv.at/vwgh  
                      "RIS" = {  
                          filelist <- dir(object, pattern = ".html", full.names = TRUE)  
                          tdl <- sapply(filelist,  
                                        function(file) {  
                                            # Ignore warnings from misformed HTML documents  
                                            suppressWarnings(RISDoc <- parseRISPlain(file, stripWhiteSpace, toLower))  
                                            if (!is.null(RISDoc)) {  
                                                l <- list()  
                                                l[[length(l) + 1]] <- RISDoc  
                                                l  
                                            }  
                                        })  
                          tdcl <- new("TextDocCol", .Data = tdl)  
                      })  
               tdcl  
           })  
   
 # Parse an Austrian RIS HTML document  
 parseRISPlain <- function(file, stripWhiteSpace = FALSE, toLower = FALSE) {  
     author <- ""  
     datetimestamp <- date()  
     description <- ""  
   
     tree <- htmlTreeParse(file)  
     htmlElem <- unlist(tree$children$html$children)  
   
     if (is.null(htmlElem))  
         stop(paste("Empty document", file, "cannot be processed."))  
   
     textElem <- htmlElem[which(regexpr("text.value", names(htmlElem)) > 0)]  
     names(textElem) <- NULL  
17    
18      corpus <- paste(textElem, collapse = " ")  PCorpus <- function(object,
19                        readerControl = list(reader = object@DefaultReader, language = "eng"),
20      year <- substring(corpus, regexpr("..../../", corpus), regexpr("..../../", corpus) + 3)                      dbControl = list(dbName = "", dbType = "DB1"),
21      senat <- substring(corpus, regexpr("..../../", corpus) + 5, regexpr("..../../", corpus) + 6)                      ...) {
22      number <- substring(corpus, regexpr("..../../", corpus) + 8, regexpr("..../../", corpus) + 11)      if (is.null(readerControl$reader))
23            readerControl$reader <- object@DefaultReader
24      id <- as.integer(paste(year, senat, number, sep = ""))      if (is(readerControl$reader, "FunctionGenerator"))
25            readerControl$reader <- readerControl$reader(...)
26      if (is.na(id))      if (is.null(readerControl$language))
27          stop(paste("Cannot extract 'Geschaeftszahl' out of malformed document", file))          readerControl$language <- "eng"
28      origin <- ""  
29        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
30      if (stripWhiteSpace)          stop("error in creating database")
31          corpus <- gsub("[[:space:]]+", " ", corpus)      db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
32      if (toLower)  
33          corpus <- tolower(corpus)      # Allocate memory in advance if length is known
34        tdl <- if (object@Length > 0)
35      heading <- ""          vector("list", as.integer(object@Length))
36        else
37      new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,          list()
38          Description = description, ID = id, Origin = origin, Heading = heading)  
39        counter <- 1
40        while (!eoi(object)) {
41            object <- stepNext(object)
42            elem <- getElem(object)
43            doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
44            filehash::dbInsert(db, ID(doc), doc)
45            if (object@Length > 0) tdl[[counter]] <- ID(doc)
46            else tdl <- c(tdl, ID(doc))
47            counter <- counter + 1
48  }  }
49    
50  # Parse a <newsitem></newsitem> element from a well-formed RCV1 XML file      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
51  parseNewsItemPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {      filehash::dbInsert(db, "DMetaData", df)
52      author <- "Not yet implemented"      dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
53      datetimestamp <- xmlAttrs(node)[["date"]]  
54      description <- "Not yet implemented"      cmeta.node <- new("MetaDataNode",
55      id <- as.integer(xmlAttrs(node)[["itemid"]])                        NodeID = 0,
56      origin <- "Reuters Corpus Volume 1 XML"                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
57      corpus <- unlist(xmlApply(node[["text"]], xmlValue), use.names = FALSE)                        children = list())
   
     if (stripWhiteSpace)  
         corpus <- gsub("[[:space:]]+", " ", corpus)  
     if (toLower)  
         corpus <- tolower(corpus)  
58    
59      heading <- xmlValue(node[["title"]])      new("PCorpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl)
   
     new("PlainTextDocument", .Data = corpus, Author = author, DateTimeStamp = datetimestamp,  
         Description = description, ID = id, Origin = origin, Heading = heading)  
60  }  }
61    
62  # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  # The "..." are additional arguments for the FunctionGenerator reader
63  parseReutersPlain <- function(node, stripWhiteSpace = FALSE, toLower = FALSE) {  SCorpus <- Corpus <- function(object,
64      # The <AUTHOR></AUTHOR> tag is unfortunately NOT obligatory!                      readerControl = list(reader = object@DefaultReader, language = "eng"),
65      if (!is.null(node[["TEXT"]][["AUTHOR"]]))                      ...) {
66          author <- xmlValue(node[["TEXT"]][["AUTHOR"]])      if (is.null(readerControl$reader))
67            readerControl$reader <- object@DefaultReader
68        if (is(readerControl$reader, "FunctionGenerator"))
69            readerControl$reader <- readerControl$reader(...)
70        if (is.null(readerControl$language))
71            readerControl$language <- "eng"
72    
73        # Allocate memory in advance if length is known
74        tdl <- if (object@Length > 0)
75            vector("list", as.integer(object@Length))
76        else
77            list()
78    
79        if (object@Vectorized)
80            tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
81                          function(x) readerControl$reader(x[c("content", "uri")],
82                                                           readerControl$language,
83                                                           as.character(x$id)))
84        else {
85            counter <- 1
86            while (!eoi(object)) {
87                object <- stepNext(object)
88                elem <- getElem(object)
89                doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
90                if (object@Length > 0)
91                    tdl[[counter]] <- doc
92      else      else
93          author <- ""                  tdl <- c(tdl, list(doc))
94                counter <- counter + 1
95      datetimestamp <- xmlValue(node[["DATE"]])          }
96      description <- ""      }
     id <- as.integer(xmlAttrs(node)[["NEWID"]])  
97    
98      origin <- "Reuters-21578 XML"      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
99        cmeta.node <- new("MetaDataNode",
100                          NodeID = 0,
101                          MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
102                          children = list())
103    
104      # The <BODY></BODY> tag is unfortunately NOT obligatory!      new("SCorpus", .Data = tdl, DMetaData = df, CMetaData = cmeta.node)
105      if (!is.null(node[["TEXT"]][["BODY"]]))  }
         corpus <- xmlValue(node[["TEXT"]][["BODY"]])  
     else  
         corpus <- ""  
106    
107      if (stripWhiteSpace)  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
108          corpus <- gsub("[[:space:]]+", " ", corpus)  setMethod("tmMap",
109      if (toLower)            signature(object = "FCorpus", FUN = "function"),
110          corpus <- tolower(corpus)            function(object, FUN, ..., lazy = FALSE) {
111                  if (lazy)
112      # The <TITLE></TITLE> tag is unfortunately NOT obligatory!                    warning("lazy mapping is deactivated")
113      if (!is.null(node[["TEXT"]][["TITLE"]]))  
114          heading <- xmlValue(node[["TEXT"]][["TITLE"]])                lapply(object, FUN, ..., DMetaData = data.frame())
115              })
116    setMethod("tmMap",
117              signature(object = "SCorpus", FUN = "function"),
118              function(object, FUN, ..., lazy = FALSE) {
119                  result <- object
120                  # Lazy mapping
121                  if (lazy) {
122                      lazyTmMap <- meta(object, tag = "lazyTmMap", type = "corpus")
123                      if (is.null(lazyTmMap)) {
124                          meta(result, tag = "lazyTmMap", type = "corpus") <-
125                              list(index = rep(TRUE, length(result)),
126                                   maps = list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
127                      }
128                      else {
129                          lazyTmMap$maps <- c(lazyTmMap$maps, list(function(x, DMetaData) FUN(x, ..., DMetaData = DMetaData)))
130                          meta(result, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
131                      }
132                  }
133                  else {
134                      result@.Data <- if (clusterAvailable())
135                          snow::parLapply(snow::getMPIcluster(), object, FUN, ..., DMetaData = DMetaData(object))
136      else      else
137          heading <- ""                        lapply(object, FUN, ..., DMetaData = DMetaData(object))
138                  }
139                  result
140              })
141    setMethod("tmMap",
142              signature(object = "PCorpus", FUN = "function"),
143              function(object, FUN, ..., lazy = FALSE) {
144                  # TODO: When should lazy mapping be conceptually available?
145                  if (lazy)
146                      warning("lazy mapping is deactived when using database backend")
147                  db <- filehash::dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
148                  i <- 1
149                  for (id in unlist(object)) {
150                      db[[id]] <- FUN(object[[i]], ..., DMetaData = DMetaData(object))
151                      i <- i + 1
152                  }
153                  # Suggested by Christian Buchta
154                  filehash::dbReorganize(db)
155    
156      topics <- unlist(xmlApply(node[["TOPICS"]], function(x) xmlValue(x)), use.names = FALSE)                object
157              })
158    
159      new("PlainTextDocument", .Data = corpus, Cached = 1, Author = author, DateTimeStamp = datetimestamp,  # Materialize lazy mappings
160          Description = description, ID = id, Origin = origin, Heading = heading, LocalMetaData = list(Topics = topics))  # Improvements by Christian Buchta
161    materialize <- function(corpus, range = seq_along(corpus)) {
162        lazyTmMap <- meta(corpus, tag = "lazyTmMap", type = "corpus")
163        if (!is.null(lazyTmMap)) {
164           # Make valid and lazy index
165           idx <- (seq_along(corpus) %in% range) & lazyTmMap$index
166           if (any(idx)) {
167               res <- corpus@.Data[idx]
168               for (m in lazyTmMap$maps)
169                   res <- lapply(res, m, DMetaData = DMetaData(corpus))
170               corpus@.Data[idx] <- res
171               lazyTmMap$index[idx] <- FALSE
172  }  }
   
 # Parse a <REUTERS></REUTERS> element from a well-formed Reuters-21578 XML file  
 parseReutersXML<- function(file) {  
     new("XMLTextDocument", FileName = file, Cached = 0, Author = "REUTERS", DateTimeStamp = date(),  
         Description = "Reuters21578 file containing several news articles", ID = as.integer(0),  
         Origin = "Reuters-21578 XML", Heading = "Reuters21578 news articles")  
173  }  }
174        # Clean up if everything is materialized
175  setGeneric("loadFileIntoMem", function(object) standardGeneric("loadFileIntoMem"))      if (!any(lazyTmMap$index))
176  setMethod("loadFileIntoMem",          lazyTmMap <- NULL
177            c("XMLTextDocument"),      meta(corpus, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
178            function(object) {      corpus
               if (object@Cached == 0) {  
                   file <- object@FileName  
                   doc <- xmlTreeParse(file)  
                   class(doc) <- "list"  
                   object@.Data <- doc  
                   object@Cached <- 1  
                   return(object)  
               } else {  
                   return(object)  
179                }                }
           })  
180    
181  setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))  setGeneric("asPlain", function(object, FUN, ...) standardGeneric("asPlain"))
182  setMethod("tm_transform",  setMethod("asPlain", signature(object = "PlainTextDocument"),
183            c("TextDocCol"),            function(object, FUN, ...) object)
184    setMethod("asPlain",
185              signature(object = "XMLTextDocument"),
186            function(object, FUN, ...) {            function(object, FUN, ...) {
187                lapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object))                require("XML")
           })  
188    
189  setGeneric("toPlainTextDocument", function(object, FUN, ...) standardGeneric("toPlainTextDocument"))                corpus <- Content(object)
190  setMethod("toPlainTextDocument",  
191            c("PlainTextDocument"),                # As XMLDocument is no native S4 class, restore valid information
192            function(object, FUN, ...) {                class(corpus) <- "XMLDocument"
193                return(object)                names(corpus) <- c("doc","dtd")
194    
195                  return(FUN(xmlRoot(corpus), ...))
196            })            })
197  setMethod("toPlainTextDocument",  setMethod("asPlain",
198            c("XMLTextDocument"),            signature(object = "Reuters21578Document"),
199            function(object, FUN, ...) {            function(object, FUN, ...) {
200                if (object@Cached == 0)                require("XML")
                   object <- loadFileIntoMem(object)  
201    
202                corpus <- object@.Data                FUN <- convertReut21578XMLPlain
203                  corpus <- Content(object)
204    
205                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
206                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
207                names(corpus) <- c("doc","dtd")                names(corpus) <- c("doc","dtd")
208    
209                return(xmlApply(xmlRoot(corpus), FUN, ...))                return(FUN(xmlRoot(corpus), ...))
210            })            })
211    setMethod("asPlain", signature(object = "RCV1Document"),
212  setGeneric("stemTextDocument", function(object, ...) standardGeneric("stemTextDocument"))            function(object, FUN, ...) convertRCV1Plain(object, ...))
213  setMethod("stemTextDocument",  setMethod("asPlain",
214            c("PlainTextDocument"),            signature(object = "NewsgroupDocument"),
215            function(object) {            function(object, FUN, ...) {
216                require(Rstem)                new("PlainTextDocument", .Data = Content(object), Author = Author(object),
217                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                    DateTimeStamp = DateTimeStamp(object), Description = Description(object), ID = ID(object),
218                stemmedCorpus <- wordStem(splittedCorpus)                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
219                object@.Data <- paste(stemmedCorpus, collapse = " ")                    LocalMetaData = LocalMetaData(object))
220                return (object)            })
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
249                      return(FUN(object, ...))
250            })            })
251    
252  setGeneric("removeStopWords", function(object, stopwords, ...) standardGeneric("removeStopWords"))  # TODO: Replace with c(Corpus, TextDocument)?
253  setMethod("removeStopWords",  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
254            c("PlainTextDocument", "character"),  setMethod("appendElem",
255            function(object, stopwords) {            signature(object = "Corpus", data = "TextDocument"),
256                require(Rstem)            function(object, data, meta = NULL) {
257                splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))                if (DBControl(object)[["useDb"]] && require("filehash")) {
258                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
259                object@.Data <- paste(noStopwordsCorpus, collapse = " ")                    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)                return (object)
268            })            })
269    
270  setGeneric("tm_filter", function(object, FUN, ...) standardGeneric("tm_filter"))  prescindMeta <- function(object, meta) {
271  setMethod("tm_filter",      df <- DMetaData(object)
           c("TextDocCol"),  
           function(object, FUN, ...) {  
               sapply(object, FUN, ..., GlobalMetaData = GlobalMetaData(object))  
           })  
272    
273  setGeneric("filterREUT21578Topics", function(object, topics, ...) standardGeneric("filterREUT21578Topics"))      for (m in meta)
274  setMethod("filterREUT21578Topics",          df <- cbind(df, structure(data.frame(I(meta(object, tag = m, type = "local"))), names = m))
           c("PlainTextDocument", "character"),  
           function(object, topics) {  
               if (object@Cached == 0)  
                   object <- loadFileIntoMem(object)  
275    
276                if (any(object@LocalMetaData$Topics %in% topics))      df
277                    return(TRUE)  }
               else  
                   return(FALSE)  
           })  
278    
279  setGeneric("filterIDs", function(object, IDs, ...) standardGeneric("filterIDs"))  setMethod("[",
280  setMethod("filterIDs",            signature(x = "PCorpus", i = "ANY", j = "ANY", drop = "ANY"),
281            c("TextDocument", "numeric"),            function(x, i, j, ... , drop) {
282            function(object, IDs) {                if (missing(i)) return(x)
283                if (object@ID %in% IDs)  
284                    return(TRUE)                x@.Data <- x@.Data[i, ..., drop = FALSE]
285                else                index <- x@DMetaData[[1 , "subset"]]
286                    return(FALSE)                if (any(is.na(index))) x@DMetaData[[1 , "subset"]] <- i
287                  else x@DMetaData[[1 , "subset"]] <- index[i]
288                  x
289            })            })
290    
291  setGeneric("attachData", function(object, data) standardGeneric("attachData"))  setMethod("[",
292  setMethod("attachData",            signature(x = "SCorpus", i = "ANY", j = "ANY", drop = "ANY"),
293            c("TextDocCol","TextDocument"),            function(x, i, j, ... , drop) {
294            function(object, data) {                if (missing(i)) return(x)
295                data <- as(list(data), "TextDocCol")  
296                object@.Data <- as(c(object@.Data, data), "TextDocCol")                x@.Data <- x@.Data[i, ..., drop = FALSE]
297                return(object)                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$index[i] <- FALSE
351                      meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
352                  }
353                  # Set the value
354                  x@.Data[[i, ...]] <- value
355    
356  setGeneric("attachMetaData", function(object, name, metadata) standardGeneric("attachMetaData"))                x
 setMethod("attachMetaData",  
           c("TextDocCol"),  
           function(object, name, metadata) {  
               object@GlobalMetaData <- c(object@GlobalMetaData, new = list(metadata))  
               names(object@GlobalMetaData)[length(names(object@GlobalMetaData))] <- name  
               return(object)  
357            })            })
358    
359  setGeneric("setSubscriptable", function(object, name) standardGeneric("setSubscriptable"))  # Update \code{NodeID}s of a CMetaData tree
360  setMethod("setSubscriptable",  update_id <- function(object, id = 0, mapping = NULL, left.mapping = NULL, level = 0) {
361            c("TextDocCol"),      # Traversal of (binary) CMetaData tree with setup of \code{NodeID}s
362            function(object, name) {      set_id <- function(object) {
363                if (!is.character(object@GlobalMetaData$subscriptable))          object@NodeID <- id
364                    object <- attachMetaData(object, "subscriptable", name)          id <<- id + 1
365                else          level <<- level + 1
366                    object@GlobalMetaData$subscriptable <- c(object@GlobalMetaData$subscriptable, name)  
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)                return(object)
382            })      }
383    
384  setMethod("[",      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))
385            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),  }
386            function(x, i, j, ... , drop) {  
387                if(missing(i))  # 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)                    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                object <- x
406                object@.Data <- x@.Data[i, ..., drop = FALSE]                # Concatenate data slots
407                for (m in names(object@GlobalMetaData)) {                object@.Data <- c(as(x, "list"), as(y, "list"))
408                    if (m %in% object@GlobalMetaData$subscriptable) {  
409                        object@GlobalMetaData[[m]] <- object@GlobalMetaData[[m]][i, ..., drop = FALSE]                # Update the CMetaData tree
410                  cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
411                  update.struct <- update_id(cmeta)
412                  object@CMetaData <- update.struct$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)                return(object)
452            })            })
453    
454  setMethod("c",  setMethod("c",
455            signature(x = "TextDocCol"),            signature(x = "TextDocument"),
456            function(x, ..., recursive = TRUE){            function(x, ..., recursive = TRUE){
457                args <- list(...)                args <- list(...)
458                if(length(args) == 0)                if (identical(length(args), 0)) return(x)
459                    return(x)  
460                return(as(c(as(x, "list"), ...), "TextDocCol"))                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  setMethod("length",                new("SCorpus", .Data = list(x, ...), DMetaData = dmeta.df, CMetaData = cmeta.node)
           signature(x = "TextDocCol"),  
           function(x){  
               return(length(as(x, "list")))  
467      })      })
468    
469  setMethod("show",  setMethod("show",
470            signature(object = "TextDocCol"),            signature(object = "Corpus"),
471            function(object){            function(object){
472                cat("A text document collection with", length(object), "text document")                cat(sprintf(ngettext(length(object),
473                if (length(object) == 1)                                     "A corpus with %d text document\n",
474                    cat("\n")                                     "A corpus with %d text documents\n"),
475                else                            length(object)))
                   cat("s\n")  
476      })      })
477    
478  setMethod("summary",  setMethod("summary",
479            signature(object = "TextDocCol"),            signature(object = "Corpus"),
480            function(object){            function(object){
481                show(object)                show(object)
482                if (length(GlobalMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
483                    cat("\nThe global metadata consists of", length(GlobalMetaData(object)), "tag-value pair")                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
484                    if (length(GlobalMetaData(object)) == 1)                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",
485                        cat(".\n")                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
486                    else                                         length(CMetaData(object)@MetaData)))
                       cat("s.\n")  
487                    cat("Available tags are:\n")                    cat("Available tags are:\n")
488                    cat(names(GlobalMetaData(object)), "\n")                    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  setGeneric("inspect", function(object) standardGeneric("inspect"))  inspect <- function(x) UseMethod("inspect", x)
495  setMethod("inspect",  inspect.PCorpus <- function(x) {
496            c("TextDocCol"),      summary(x)
497            function(object) {      cat("\n")
498                summary(object)      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")                cat("\n")
504                show(as(object, "list"))      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.55  
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