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/textmin/R/textdoccol.R revision 689, Fri Dec 8 14:21:46 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  # The "..." are additional arguments for the function_generator parser  FCorpus <- function(object, readerControl = list(language = "eng")) {
4  setGeneric("TextDocCol", function(object, parser = plaintext_parser, ...) standardGeneric("TextDocCol"))      if (is.null(readerControl$language))
5  setMethod("TextDocCol",          readerControl$language <- "eng"
6            signature(object = "Source"),  
7            function(object, parser = plaintext_parser, ...) {      if (!object@Vectorized)
8                if (inherits(parser, "function_generator"))          stop("Source is not vectorized")
9                    parser <- parser(...)  
10        tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
11                      function(x) readSlim(x[c("content", "uri")],
12                                           readerControl$language,
13                                           as.character(x$id)))
14    
15        new("FCorpus", .Data = tdl)
16    }
17    
18    PCorpus <- function(object,
19                        readerControl = list(reader = object@DefaultReader, language = "eng"),
20                        dbControl = list(dbName = "", dbType = "DB1"),
21                        ...) {
22        if (is.null(readerControl$reader))
23            readerControl$reader <- object@DefaultReader
24        if (is(readerControl$reader, "FunctionGenerator"))
25            readerControl$reader <- readerControl$reader(...)
26        if (is.null(readerControl$language))
27            readerControl$language <- "eng"
28    
29        if (!filehash::dbCreate(dbControl$dbName, dbControl$dbType))
30            stop("error in creating database")
31        db <- filehash::dbInit(dbControl$dbName, dbControl$dbType)
32    
33        # Allocate memory in advance if length is known
34        tdl <- if (object@Length > 0)
35            vector("list", as.integer(object@Length))
36        else
37            list()
38    
               tdl <- list()  
39                counter <- 1                counter <- 1
40                while (!eoi(object)) {                while (!eoi(object)) {
41                    object <- step_next(object)          object <- stepNext(object)
42                    elem <- get_elem(object)          elem <- getElem(object)
43                    # If there is no Load on Demand support          doc <- readerControl$reader(elem, readerControl$language, as.character(counter))
44                    # we need to load the corpus into memory at startup          filehash::dbInsert(db, ID(doc), doc)
45                    if (object@LoDSupport)          if (object@Length > 0) tdl[[counter]] <- ID(doc)
46                        load <- object@Load          else tdl <- c(tdl, ID(doc))
                   else  
                       load <- TRUE  
                   tdl <- c(tdl, list(parser(elem, object@LoDSupport, load, as.character(counter))))  
47                    counter <- counter + 1                    counter <- counter + 1
48                }                }
49    
50                dmeta.df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
51                dcmeta.node <- new("MetaDataNode",      filehash::dbInsert(db, "DMetaData", df)
52        dmeta.df <- data.frame(key = "DMetaData", subset = I(list(NA)))
53    
54        cmeta.node <- new("MetaDataNode",
55                              NodeID = 0,                              NodeID = 0,
56                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
57                              children = list())                              children = list())
58    
59                return(new("TextDocCol", .Data = tdl, DMetaData = dmeta.df, DCMetaData = dcmeta.node))      new("PCorpus", .Data = tdl, DMetaData = dmeta.df, CMetaData = cmeta.node, DBControl = dbControl)
           })  
   
 setGeneric("load_doc", function(object, ...) standardGeneric("load_doc"))  
 setMethod("load_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- readLines(con)  
                   close(con)  
                   Corpus(object) <- corpus  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
               }  
           })  
 setMethod("load_doc",  
           signature(object =  "XMLTextDocument"),  
           function(object, ...) {  
               if (!Cached(object)) {  
                   con <- eval(URI(object))  
                   corpus <- paste(readLines(con), "\n", collapse = "")  
                   close(con)  
                   doc <- xmlTreeParse(corpus, asText = TRUE)  
                   class(doc) <- "list"  
                   Corpus(object) <- doc  
                   Cached(object) <- TRUE  
                   return(object)  
               } else {  
                   return(object)  
60                }                }
61            })  
62  setMethod("load_doc",  # The "..." are additional arguments for the FunctionGenerator reader
63            signature(object = "NewsgroupDocument"),  SCorpus <- Corpus <- function(object,
64            function(object, ...) {                      readerControl = list(reader = object@DefaultReader, language = "eng"),
65                if (!Cached(object)) {                      ...) {
66                    con <- eval(URI(object))      if (is.null(readerControl$reader))
67                    mail <- readLines(con)          readerControl$reader <- object@DefaultReader
68                    close(con)      if (is(readerControl$reader, "FunctionGenerator"))
69                    Cached(object) <- TRUE          readerControl$reader <- readerControl$reader(...)
70                    for (index in seq(along = mail)) {      if (is.null(readerControl$language))
71                        if (mail[index] == "")          readerControl$language <- "eng"
72                            break  
73        # Allocate memory in advance if length is known
74        tdl <- if (object@Length > 0)
75            vector("list", as.integer(object@Length))
76        else
77            list()
78    
79        if (object@Vectorized)
80            tdl <- lapply(mapply(c, pGetElem(object), id = seq_len(object@Length), SIMPLIFY = FALSE),
81                          function(x) readerControl$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
93                    tdl <- c(tdl, list(doc))
94                counter <- counter + 1
95                    }                    }
                   Corpus(object) <- mail[(index + 1):length(mail)]  
                   return(object)  
               } else {  
                   return(object)  
96                }                }
           })  
97    
98  setGeneric("tm_update", function(object, origin, parser = plaintext_parser, ...) standardGeneric("tm_update"))      df <- data.frame(MetaID = rep(0, length(tdl)), stringsAsFactors = FALSE)
99  # Update is only supported for directories      cmeta.node <- new("MetaDataNode",
100  # At the moment no other LoD devices are available anyway                        NodeID = 0,
101  setMethod("tm_update",                        MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
102            signature(object = "TextDocCol", origin = "DirSource"),                        children = list())
103            function(object, origin, parser = plaintext_parser, ...) {  
104                if (inherits(parser, "function_generator"))      new("SCorpus", .Data = tdl, DMetaData = df, CMetaData = cmeta.node)
                   parser <- parser(...)  
   
               object.filelist <- unlist(lapply(object, function(x) {as.character(URI(x))[2]}))  
               new.files <- setdiff(origin@FileList, object.filelist)  
   
               for (filename in new.files) {  
                   elem <- list(content = readLines(filename),  
                                uri = substitute(file(filename)))  
                   object <- append_doc(object, parser(elem, TRUE, origin@Load, filename), NA)  
105                }                }
106    
107                return(object)  setGeneric("tmMap", function(object, FUN, ..., lazy = FALSE) standardGeneric("tmMap"))
108            })  setMethod("tmMap",
109              signature(object = "FCorpus", FUN = "function"),
110              function(object, FUN, ..., lazy = FALSE) {
111                  if (lazy)
112                      warning("lazy mapping is deactivated")
113    
114  setGeneric("tm_transform", function(object, FUN, ...) standardGeneric("tm_transform"))                lapply(object, FUN, ..., DMetaData = data.frame())
 setMethod("tm_transform",  
           signature(object = "TextDocCol", FUN = "function"),  
           function(object, FUN, ...) {  
               result <- object  
               # Note that text corpora are automatically loaded into memory via \code{[[}  
               result@.Data <- lapply(object, FUN, ..., DMetaData = DMetaData(object))  
               return(result)  
115            })            })
116    setMethod("tmMap",
117  setGeneric("as.plaintext_doc", function(object, FUN, ...) standardGeneric("as.plaintext_doc"))            signature(object = "SCorpus", FUN = "function"),
118  setMethod("as.plaintext_doc",            function(object, FUN, ..., lazy = FALSE) {
119            signature(object = "PlainTextDocument"),                result <- object
120            function(object, FUN, ...) {                # Lazy mapping
121                return(object)                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
137                          lapply(object, FUN, ..., DMetaData = DMetaData(object))
138                  }
139                  result
140            })            })
141  setMethod("as.plaintext_doc",  setMethod("tmMap",
142            signature(object = "XMLTextDocument", FUN = "function"),            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                  object
157              })
158    
159    # Materialize lazy mappings
160    # 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$index[idx] <- FALSE
172           }
173        }
174        # Clean up if everything is materialized
175        if (!any(lazyTmMap$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, ...) {            function(object, FUN, ...) {
187                corpus <- Corpus(object)                require("XML")
188    
189                  corpus <- Content(object)
190    
191                # As XMLDocument is no native S4 class, restore valid information                # As XMLDocument is no native S4 class, restore valid information
192                class(corpus) <- "XMLDocument"                class(corpus) <- "XMLDocument"
# Line 130  Line 194 
194    
195                return(FUN(xmlRoot(corpus), ...))                return(FUN(xmlRoot(corpus), ...))
196            })            })
197    setMethod("asPlain",
198              signature(object = "Reuters21578Document"),
199              function(object, FUN, ...) {
200                  require("XML")
201    
202  setGeneric("tm_tolower", function(object, ...) standardGeneric("tm_tolower"))                FUN <- convertReut21578XMLPlain
203  setMethod("tm_tolower",                corpus <- Content(object)
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               Corpus(object) <- tolower(object)  
               return(object)  
           })  
204    
205  setGeneric("strip_whitespace", function(object, ...) standardGeneric("strip_whitespace"))                # As XMLDocument is no native S4 class, restore valid information
206  setMethod("strip_whitespace",                class(corpus) <- "XMLDocument"
207            signature(object = "PlainTextDocument"),                names(corpus) <- c("doc","dtd")
           function(object, ...) {  
               Corpus(object) <- gsub("[[:space:]]+", " ", object)  
               return(object)  
           })  
208    
209  setGeneric("stem_doc", function(object, ...) standardGeneric("stem_doc"))                return(FUN(xmlRoot(corpus), ...))
 setMethod("stem_doc",  
           signature(object = "PlainTextDocument"),  
           function(object, ...) {  
               require(Rstem)  
               splittedCorpus <- unlist(strsplit(object, " ", fixed = TRUE))  
               stemmedCorpus <- wordStem(splittedCorpus)  
               Corpus(object) <- paste(stemmedCorpus, collapse = " ")  
               return(object)  
210            })            })
211    setMethod("asPlain", signature(object = "RCV1Document"),
212  setGeneric("remove_words", function(object, stopwords, ...) standardGeneric("remove_words"))            function(object, FUN, ...) convertRCV1Plain(object, ...))
213  setMethod("remove_words",  setMethod("asPlain",
214            signature(object = "PlainTextDocument", stopwords = "character"),            signature(object = "NewsgroupDocument"),
215            function(object, stopwords, ...) {            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                noStopwordsCorpus <- splittedCorpus[!splittedCorpus %in% stopwords]                    Origin = Origin(object), Heading = Heading(object), Language = Language(object),
219                Corpus(object) <- paste(noStopwordsCorpus, collapse = " ")                    LocalMetaData = LocalMetaData(object))
               return(object)  
220            })            })
221    setMethod("asPlain",
222  setGeneric("tm_filter", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_filter"))            signature(object = "StructuredTextDocument"),
223  setMethod("tm_filter",            function(object, FUN, ...) {
224            signature(object = "TextDocCol"),                new("PlainTextDocument", .Data = unlist(Content(object)),
225            function(object, ..., FUN = s_filter, doclevel = FALSE) {                    Author = Author(object), DateTimeStamp = DateTimeStamp(object),
226                if (doclevel)                    Description = Description(object), ID = ID(object), Origin = Origin(object),
227                    return(object[sapply(object, FUN, ..., DMetaData = DMetaData(object))])                    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                else
                   return(object[FUN(object, ...)])  
           })  
   
 setGeneric("tm_index", function(object, ..., FUN = s_filter, doclevel = FALSE) standardGeneric("tm_index"))  
 setMethod("tm_index",  
           signature(object = "TextDocCol"),  
           function(object, ..., FUN = s_filter, doclevel = FALSE) {  
               if (doclevel)  
246                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))                    return(sapply(object, FUN, ..., DMetaData = DMetaData(object)))
247                  }
248                else                else
249                    return(FUN(object, ...))                    return(FUN(object, ...))
250            })            })
251    
252  s_filter <- function(object, s, ...) {  # TODO: Replace with c(Corpus, TextDocument)?
253      query.df <- DMetaData(object)  setGeneric("appendElem", function(object, data, meta = NULL) standardGeneric("appendElem"))
254      con <- textConnection(s)  setMethod("appendElem",
255      tokens <- scan(con, "character")            signature(object = "Corpus", data = "TextDocument"),
256      close(con)            function(object, data, meta = NULL) {
257      local.meta <- lapply(object, LocalMetaData)                if (DBControl(object)[["useDb"]] && require("filehash")) {
258      local.used.meta <- lapply(local.meta, function(x) names(x) %in% tokens)                    db <- dbInit(DBControl(object)[["dbName"]], DBControl(object)[["dbType"]])
259      l.meta <- NULL                    if (dbExists(db, ID(data)))
260      for (i in 1:length(object)) {                        warning("document with identical ID already exists")
261          l.meta <- c(l.meta, list(local.meta[[i]][local.used.meta[[i]]]))                    dbInsert(db, ID(data), data)
262      }                    object@.Data[[length(object)+1]] <- ID(data)
     # 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)  
263                  }                  }
264                  else                  else
                     query.df[i, m.name] <- m  
             }  
         }  
     }  
     attach(query.df)  
     try(result <- rownames(query.df) %in% row.names(query.df[eval(parse(text = s)), ]))  
     detach(query.df)  
     return(result)  
 }  
   
 setGeneric("fulltext_search_filter", function(object, pattern, ...) standardGeneric("fulltext_search_filter"))  
 setMethod("fulltext_search_filter",  
           signature(object = "PlainTextDocument", pattern = "character"),  
           function(object, pattern, ...) {  
               return(any(grep(pattern, Corpus(object))))  
           })  
   
 setGeneric("append_elem", function(object, data, meta = NULL) standardGeneric("append_elem"))  
 setMethod("append_elem",  
           signature(object = "TextDocCol", data = "TextDocument"),  
           function(object, data, meta = NULL) {  
265                object@.Data[[length(object)+1]] <- data                object@.Data[[length(object)+1]] <- data
266                object@DMetaData <- rbind(object@DMetaData, c(MetaID = DCMetaData(object)@NodeID, meta))                DMetaData(object) <- rbind(DMetaData(object), c(MetaID = CMetaData(object)@NodeID, meta))
267                return(object)                return(object)
268            })            })
269    
270  setGeneric("append_meta", function(object, dcmeta = NULL, dmeta = NULL) standardGeneric("append_meta"))  prescindMeta <- function(object, meta) {
271  setMethod("append_meta",      df <- DMetaData(object)
           signature(object = "TextDocCol"),  
           function(object, dcmeta = NULL, dmeta = NULL) {  
               object@DCMetaData@MetaData <- c(object@DCMetaData@MetaData, dcmeta)  
               if (!is.null(dcmeta))  
                   object@DMetaData <- cbind(object@DMetaData, dmeta)  
               return(object)  
           })  
272    
273  setGeneric("remove_meta", function(object, dcname = NULL, dname = NULL) standardGeneric("remove_meta"))      for (m in meta)
274  setMethod("remove_meta",          df <- cbind(df, structure(data.frame(I(meta(object, tag = m, type = "local"))), names = m))
           signature(object = "TextDocCol"),  
           function(object, dcname = NULL, dname = NULL) {  
               if (!is.null(dcname)) {  
                   object@DCMetaData@MetaData <- DCMetaData(object)@MetaData[names(DCMetaData(object)@MetaData) != dcname]  
               }  
               if (!is.null(dname)) {  
                   object@DMetaData <- DMetaData(object)[names(DMetaData(object)) != dname]  
               }  
               return(object)  
           })  
275    
276  setGeneric("prescind_meta", function(object, meta) standardGeneric("prescind_meta"))      df
 setMethod("prescind_meta",  
           signature(object = "TextDocCol", meta = "character"),  
           function(object, meta) {  
               for (m in meta) {  
                   if (m %in% c("Author", "DateTimeStamp", "Description", "ID", "Origin", "Heading")) {  
                       local.m <- lapply(object, m)  
                       local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))  
                       local.m <- unlist(local.m)  
                       object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)  
                       names(object@DMetaData)[length(object@DMetaData)] <- m  
277                    }                    }
278                    else {  
279                        local.meta <- lapply(object, LocalMetaData)  setMethod("[",
280                        local.m <- lapply(local.meta, "[[", m)            signature(x = "PCorpus", i = "ANY", j = "ANY", drop = "ANY"),
281                        local.m <- lapply(local.m, function(x) if (is.null(x)) return(NA) else return(x))            function(x, i, j, ... , drop) {
282                        if (length(local.m) == length(unlist(local.m)))                if (missing(i)) return(x)
283                            local.m <- unlist(local.m)  
284                        else                x@.Data <- x@.Data[i, ..., drop = FALSE]
285                            local.m <- I(local.m)                index <- x@DMetaData[[1 , "subset"]]
286                        object@DMetaData <- cbind(DMetaData(object), data.frame(m = local.m), stringsAsFactors = FALSE)                if (any(is.na(index))) x@DMetaData[[1 , "subset"]] <- i
287                        names(object@DMetaData)[length(object@DMetaData)] <- m                else x@DMetaData[[1 , "subset"]] <- index[i]
288                    }                x
               }  
               return(object)  
289            })            })
290    
291  setMethod("[",  setMethod("[",
292            signature(x = "TextDocCol", i = "ANY", j = "ANY", drop = "ANY"),            signature(x = "SCorpus", i = "ANY", j = "ANY", drop = "ANY"),
293            function(x, i, j, ... , drop) {            function(x, i, j, ... , drop) {
294                if(missing(i))                if (missing(i)) return(x)
                   return(x)  
295    
296                object <- x                x@.Data <- x@.Data[i, ..., drop = FALSE]
297                object@.Data <- x@.Data[i, ..., drop = FALSE]                DMetaData(x) <- DMetaData(x)[i, , drop = FALSE]
298                df <- as.data.frame(DMetaData(object)[i, ])                x
               names(df) <- names(DMetaData(object))  
               object@DMetaData <- df  
               return(object)  
299            })            })
300    
301  setMethod("[<-",  setMethod("[<-",
302            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
303            function(x, i, j, ... , value) {            function(x, i, j, ... , value) {
304                object <- x                db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
305                object@.Data[i, ...] <- value                counter <- 1
306                return(object)                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("[[",  setMethod("[[",
321            signature(x = "TextDocCol", i = "ANY", j = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY"),
322            function(x, i, j, ...) {            function(x, i, j, ...) {
323                return(load_doc(x@.Data[[i]]))                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("[[<-",  setMethod("[[<-",
337            signature(x = "TextDocCol", i = "ANY", j = "ANY", value = "ANY"),            signature(x = "PCorpus", i = "ANY", j = "ANY", value = "ANY"),
338            function(x, i, j, ..., value) {            function(x, i, j, ..., value) {
339                object <- x                db <- filehash::dbInit(DBControl(x)[["dbName"]], DBControl(x)[["dbType"]])
340                object@.Data[[i, ...]] <- value                index <- x@.Data[[i]]
341                return(object)                db[[index]] <- value
342                  x
343            })            })
344    setMethod("[[<-",
345  # Update \code{NodeID}s of a DCMetaData tree            signature(x = "SCorpus", i = "ANY", j = "ANY", value = "ANY"),
346  # TODO: Avoid global variables outside of update_id function            function(x, i, j, ..., value) {
347  update_id <- function(object) {                # Mark new objects as not active for lazy mapping
348      id <<- 0                lazyTmMap <- meta(x, tag = "lazyTmMap", type = "corpus")
349      mapping <<- left.mapping <<- NULL                if (!is.null(lazyTmMap)) {
350      level <<- 0                    lazyTmMap$index[i] <- FALSE
351      return(list(root = set_id(object), left.mapping = left.mapping, right.mapping = mapping))                    meta(x, tag = "lazyTmMap", type = "corpus") <- lazyTmMap
352  }  }
353                  # Set the value
354                  x@.Data[[i, ...]] <- value
355    
356                  x
357              })
358    
359  # Traversal of (binary) DCMetaData tree with setup of \code{NodeID}s  # 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) {  set_id <- function(object) {
363      object@NodeID <- id      object@NodeID <- id
364      id <<- id + 1      id <<- id + 1
# Line 381  Line 381 
381      return(object)      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",  setMethod("c",
389            signature(x = "TextDocCol"),            signature(x = "Corpus"),
390            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) {
391                args <- list(...)                args <- list(...)
392                if(length(args) == 0)                if(length(args) == 0)
393                    return(x)                    return(x)
394    
395                result <- x                if (!all(sapply(args, inherits, "SCorpus")))
396                for (c in args) {                    stop("not all arguments are standard corpora")
397                    if (!inherits(c, "TextDocCol"))  
398                        stop("invalid argument")                Reduce(c2, base::c(list(x), args))
                   result <- c2(result, c)  
               }  
               return(result)  
399            })            })
400    
401  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"))
402  setMethod("c2",  setMethod("c2",
403            signature(x = "TextDocCol", y = "TextDocCol"),            signature(x = "SCorpus", y = "SCorpus"),
404            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) {
405                object <- x                object <- x
406                # Concatenate data slots                # Concatenate data slots
407                object@.Data <- c(as(x, "list"), as(y, "list"))                object@.Data <- c(as(x, "list"), as(y, "list"))
408    
409                # Update the DCMetaData tree                # Update the CMetaData tree
410                dcmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(DCMetaData(x), DCMetaData(y)))                cmeta <- new("MetaDataNode", NodeID = 0, MetaData = meta, children = list(CMetaData(x), CMetaData(y)))
411                update.struct <- update_id(dcmeta)                update.struct <- update_id(cmeta)
412                object@DCMetaData <- update.struct$root                object@CMetaData <- update.struct$root
413    
414                # Find indices to be updated for the left tree                # Find indices to be updated for the left tree
415                indices.mapping <- NULL                indices.mapping <- NULL
# Line 450  Line 451 
451                return(object)                return(object)
452            })            })
453    
   
454  setMethod("c",  setMethod("c",
455            signature(x = "TextDocument"),            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)
                   return(x)  
459    
460                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)                dmeta.df <- data.frame(MetaID = rep(0, length(list(x, ...))), stringsAsFactors = FALSE)
461                dcmeta.node <- new("MetaDataNode",                cmeta.node <- new("MetaDataNode",
462                              NodeID = 0,                              NodeID = 0,
463                              MetaData = list(create_date = Sys.time(), creator = Sys.getenv("LOGNAME")),                              MetaData = list(create_date = as.POSIXlt(Sys.time(), tz = "GMT"), creator = Sys.getenv("LOGNAME")),
464                              children = list())                              children = list())
465    
466                return(new("TextDocCol", .Data = list(x, ...), DMetaData = dmeta.df, DCMetaData = dcmeta.node))                new("SCorpus", .Data = list(x, ...), DMetaData = dmeta.df, CMetaData = cmeta.node)
           })  
   
 setMethod("length",  
           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(sprintf(ngettext(length(object),                cat(sprintf(ngettext(length(object),
473                                     "A text document collection with %d text document\n",                                     "A corpus with %d text document\n",
474                                     "A text document collection with %d text documents\n"),                                     "A corpus with %d text documents\n"),
475                            length(object)))                            length(object)))
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(DMetaData(object)) > 0) {                if (length(DMetaData(object)) > 0) {
483                    cat(sprintf(ngettext(length(DCMetaData(object)@MetaData),                    cat(sprintf(ngettext(length(CMetaData(object)@MetaData),
484                                                "\nThe metadata consists of %d tag-value pair and a data frame\n",                                                "\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"),                                                "\nThe metadata consists of %d tag-value pairs and a data frame\n"),
486                                         length(DCMetaData(object)@MetaData)))                                         length(CMetaData(object)@MetaData)))
487                    cat("Available tags are:\n")                    cat("Available tags are:\n")
488                    cat(names(DCMetaData(object)@MetaData), "\n")                    cat(strwrap(paste(names(CMetaData(object)@MetaData), collapse = " "), indent = 2, exdent = 2), "\n")
489                    cat("Available variables in the data frame are:\n")                    cat("Available variables in the data frame are:\n")
490                    cat(names(DMetaData(object)), "\n")                    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            signature("TextDocCol"),      summary(x)
           function(object) {  
               summary(object)  
497                cat("\n")                cat("\n")
498                show(as(object, "list"))      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  # No metadata is checked
508  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))  setGeneric("%IN%", function(x, y) standardGeneric("%IN%"))
509  setMethod("%IN%",  setMethod("%IN%", signature(x = "TextDocument", y = "PCorpus"),
           signature(x = "TextDocument", y = "TextDocCol"),  
510            function(x, y) {            function(x, y) {
511                x %in% y                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.689  
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