从这个网站上的答案中学到了很多东西（谢谢！），终于是时候问我自己的问题了。
我使用 R（tm 和 lsa 包）来创建、清理和简化大约 15,000 个文本文档的语料库，然后运行 LSA（潜在语义分析）。我在 Mac OS X 10.6 下的 R 3.0.0 中执行此操作。
为了提高效率（并应对 RAM 太小的问题），我一直在尝试使用 tm 中的“PCorpus”（“filehash”包支持的后端数据库支持）选项，或较新的“tm.plugin.dc”所谓的“分布式”语料库处理选项）。但我真的不明白其中任何一个在引擎盖下是如何工作的。
使用 DCorpus 和 tm_map 时出现的一个明显错误（目前不相关）导致我转而使用 PCorpus 选项进行一些预处理工作。这需要几个小时。所以我使用 R CMD BATCH 来运行一个脚本，执行以下操作：
> # load corpus from predefined directory path,
> # and create backend database to support processing:
> bigCcorp = PCorpus(bigCdir, readerControl = list(load=FALSE), dbControl = list(useDb = TRUE, dbName = "bigCdb", dbType = "DB1"))
> # converting to lower case:
> bigCcorp = tm_map(bigCcorp, tolower)
> # removing stopwords:
> stoppedCcorp = tm_map(bigCcorp, removeWords, stoplist)
现在，假设我的脚本在此之后不久崩溃，或者我只是忘记以其他形式导出语料库，然后我重新启动 R。数据库仍然在我的硬盘上，充满了整理得很好的数据。我当然可以将其重新加载到新的 R 会话中，继续进行语料库处理，而不是重新开始？
这感觉就像一个面条问题......但是没有多少 dbInit() 或 dbLoad() 或“PCorpus()”函数的变体似乎起作用。有谁知道正确的咒语吗？
我已经搜索了所有相关文档以及我能找到的每一篇论文和网络论坛，但完全空白 - 似乎没有人做过。还是我错过了？
最初的问题来自 2013 年。同时，在 2015 年 2 月，重复或类似的问题已得到解答：
如何重新连接R tm包中的PCorpus？ https://stackoverflow.com/questions/28377646/how-to-reconnect-to-the-pcorpus-in-the-r-tm-package。这篇文章中的答案很重要，尽管相当简约，所以我将尝试在这里补充它。
这些是我在处理类似问题时刚刚发现的一些评论：
请注意，dbInit()函数不是 tm 包的一部分。
首先你需要安装filehash包，其中tm- 文档仅“建议”安装。这意味着它不是硬依赖tm.
据说，您还可以使用filehashSQLite封装有library("filehashSQLite")代替library("filehash")，并且由于面向对象的设计，这两个包具有相同的接口并且可以无缝地协同工作。因此还要安装“filehashSQLite”（2016 年编辑：filehashSQLite 未实现某些函数，例如 tn::content_transformer()）。
那么这有效：
library(filehashSQLite)
# this string becomes filename, must not contain dots.
# Example: "mydata.sqlite" is not permitted.
s <- "sqldb_pcorpus_mydata" #replace mydat with something more descriptive
suppressMessages(library(filehashSQLite))
if(! file.exists(s)){
# csv is a data frame of 900 documents, 18 cols/features
pc = PCorpus(DataframeSource(csv), readerControl = list(language = "en"), dbControl = list(dbName = s, dbType = "SQLite"))
dbCreate(s, "SQLite")
db <- dbInit(s, "SQLite")
set.seed(234)
# add another record, just to show we can.
# key="test", value = "Hi there"
dbInsert(db, "test", "hi there")
} else {
db <- dbInit(s, "SQLite")
pc <- dbLoad(db)
}
show(pc)
# <<PCorpus>>
# Metadata: corpus specific: 0, document level (indexed): 0
#Content: documents: 900
dbFetch(db, "test")
# remove it
rm(db)
rm(pc)
#reload it
db <- dbInit(s, "SQLite")
pc <- dbLoad(db)
# the corpus entries are now accessible, but not loaded into memory.
# now 900 documents are bound via "Active Bindings", created by makeActiveBinding() from the base package
show(pc)
# [1] "1" "2" "3" "4" "5" "6" "7" "8" "9"
# ...
# [900]
#[883] "883" "884" "885" "886" "887" "888" "889" "890" "891" "892"
#"893" "894" "895" "896" "897" "898" "899" "900"
#[901] "test"
dbFetch(db, "900")
# <<PlainTextDocument>>
# Metadata: 7
# Content: chars: 33
dbFetch(db, "test")
#[1] "hi there"
这就是数据库后端的样子。您可以看到数据帧中的文档已在 sqlite 表内以某种方式进行编码。
This is what my RStudio IDE shows me:
