r - 在 R 中使用 tm 的语料库功能处理大数据

Question

我正在尝试使用 tm 对 R 中的大数据进行文本挖掘.

我经常遇到内存问题(例如 can not allocation vector of size.... )并使用已建立的方法来解决这些问题，例如

使用 64 位 R

尝试不同的操作系统(Windows、Linux、Solaris 等)

设置 memory.limit()达到最大值

确保服务器(有)上有足够的 RAM 和计算可用

自由使用 gc()

分析瓶颈的代码

将大型操作分解为多个较小的操作

但是，当尝试运行 Corpus 时在包含一百万个左右文本字段的向量上，我遇到了与平常略有不同的内存错误，我不确定如何解决该问题。错误是:

> ds <- Corpus(DataframeSource(dfs))
Error: memory exhausted (limit reached?)

我可以(也应该)运行 Corpus在来自该源数据帧的行块上递增，然后组合结果？有没有更有效的方法来运行它？

会产生这个错误的数据大小取决于运行它的计算机，但是如果你拿内置的 crude数据集并复制文档直到它足够大，然后您可以复制错误。

更新

我一直在尝试合并较小的语料库，即

test1 <- dfs[1:10000,]
test2 <- dfs[10001:20000,]

ds.1 <- Corpus(DataframeSource(test1))
ds.2 <- Corpus(DataframeSource(test2))

虽然我没有成功，但我确实发现了 tm_combine这是 supposed to solve this exact problem .唯一的问题是，出于某种原因，我的 R 3.1.1 的 64 位版本带有最新版本的 tm找不到函数 tm_combine .也许它出于某种原因从包中删除了？我正在调查...

> require(tm)
> ds.12 <- tm_combine(ds.1,ds.2)
Error: could not find function "tm_combine"

Answer 1

不知道是不是tm_combine已被弃用或为什么在 tm 中找不到它命名空间，但我确实通过使用 Corpus 找到了解决方案在较小的数据帧块上然后组合它们。

This StackOverflow 帖子有一个简单的方法来做到这一点，而无需 tm_combine :

test1 <- dfs[1:100000,]
test2 <- dfs[100001:200000,]

ds.1 <- Corpus(DataframeSource(test1))
ds.2 <- Corpus(DataframeSource(test2))

#ds.12 <- tm_combine(ds.1,ds.2) ##Error: could not find function "tm_combine"
ds.12 <- c(ds.1,ds.2)

这给了你:

ds.12

<<VCorpus (documents: 200000, metadata (corpus/indexed): 0/0)>>

很抱歉在问之前没有自己弄清楚这一点。我尝试了其他组合对象的方法，但失败了。