全文検索サーバ Fess 〜全文検索システム構築時の悩みどころ

全文検索サーバ Fess 全文検索システム構築時の悩みどころ
第14回Solr勉強会

名前: 菅谷信介
所属: N2SM, Inc. (http://www.n2sm.net/)
オープンソース活動:
Apache Portals コミッタ
Seasarプロジェクトコミッタ
CodeLibsプロジェクト運営 (https://github.com/codelibs) などなど・・・
Github: https://github.com/codelibs
Blog: http://www.chazine.com/
Twitter: https://twitter.com/shinsuke_sugaya/
自己紹介

アジェンダ
検索ソフトウェアについて
Fessとは
全文検索システム構築の悩みどころ
Fessの今後

FessはSolrベースの全文検索サーバです。検索関連のソフトウェアはいろいろとあるけどまずは全体的なところから…

検索システム
Fess、商用検索システム(GSAとか) 検索サーバ+クローラ
Hyper Estraier、Namazu、Nutchなど検索サーバ
Solr、Elasticsearch、groongaなど検索ライブラリ
Luceneなど
検索関連のソフトウェア
検索関連の知識が必要（ガッツリ作りこみが必要）
検索関連の知識なくても利用可能（すぐに使える）
ざっくりと個人的な観点で分類してみました

つまり、 FessはSolrと競合するものではありません (ターゲットユーザーが異なります)

簡単に構築可能なオープンソースの全文検索サーバ
Javaがあれば、すぐに利用できます！
Fess 9.2ではSolr 4.8.1を採用(同梱してます)
Web、共有フォルダ、DBなどのクロール可能
MS Office、PDF、圧縮ファイルもサポート
独自の実装＆Tikaで読めるだけ読む
検索画面はPCからスマホまで最適化された画面で検索
ブラウザによる管理画面
ActiveDirectory等の認証情報で検索結果の出し分け可能
登録したカテゴリごとに検索可能
ファセット検索やジオ・サーチにも対応
検索ログやクリックログで集計
サジェストや関連表示などにも対応
スクリーンショット表示機能
Fessとは

すぐに利用できるようにオールインワンで提供
アーキテクチャ
Solr インデックス管理
Fess クローラ設定情報管理検索画面
Tomcat (アプリケーションサーバなど)

Fessの検索結果画面
デモ：http://search.n2sm.co.jp/

N2SMではFess(Solrを含む)に関する商用サポートを提供
導入支援からカスタマイズ開発まで
いろいろな質問等の対応
商用製品としては、N2 Searchとして提供
基本はFessと同じ(ブランチ管理されている)
設定を最適化したパッケージを利用
ApacheやMySQLなど含めて提供
管理ユーザなどを管理するコンソール
ASPとしても提供
その他
いろいろとお問い合わせをいただいています
入札要件にFessが指定されていたりも…
商用サポート

全文検索システム構築時の悩みどころ Solrベースの検索システムを作る際のご参考になれば…

Fessのコミュニティや Fess案件を通して遭遇する事象ベースに考えてみる…

ケース1 ファイルシステムをクロールして検索結果をクリックしても表示されないのですけど…

概要
http://～の検索結果ページで、検索結果の file://～のリンクが機能しない
Fessを作った当初はブラウザで機能していたが、時間とともに file://～の扱いが厳しくなった
汎用的な解決策がない Fessでの対応
デスクトップ検索
ローカル環境でしか利用できない
ファイルランチャー
Java Web Startを利用→いろいろと面倒…
コンテンツプロキシ (デフォルト)
Fessがプロキシとして動作してコンテンツを返却
場合によりロール検索と組み合わせが必要
file://～問題

ケース2 社内の数百万ドキュメントを夜間バッチで更新したいですでも、1台くらいで…

概要
社内ドキュメント検索の場合によくある話
数台のサーバ環境かつ夜間バッチ等で、数百万ドキュメントを超えるドキュメントを更新する要件
差分クロールで解決できる範囲ではない
ファイルサイズやネットワークに依存するが、1台でクロールすると、1時間あたり数万ドキュメントくらい
実際には全件更新する必要がない Fessでの対応
ファイルサーバの更新ファイル一覧生成機能と連携
データストアクロールで対応
CSVなどの更新ファイル一覧情報を元にクロール
更新ファイルだけを効率よくインデックス化
クロール時間問題

ケース3 Webは月曜、共有フォルダは水曜、 DBは金曜にクロールしたいのだけど…

概要
複雑なスケジュールでクロールやインデックスのコミットなどを組みたい
昔のFessでは基本は1つのスケジュールを組んで、クロールからインデックスまで行う方式でした Fessでの対応
ジョブ管理機能を実装しました
ログのパージなどもジョブとして処理
Groovyで任意のジョブを組むことができます
他のスクリプト言語も対応可能ですが、現時点では Groovyだけをサポート
クロールジョブ問題

ケース4 クロールが止まるのですけど…

概要
クロールのスレッドが止まる事象が発生する
Javaのバグ
Zip爆弾（Excelも？） Fessでの対応
昔のFessではTomcat上のスレッドでクロールを実行していたがスレッドを停止できないため、現在は別のプロセスとしてクロールを実行
Zip爆弾等は利用するライブラリを更新したり、独自の拡張したりして対応
クロール停止問題

ケース5 PDFをクロールしたのですが文字化けしているようです…

概要
FessではPDFBoxでPDFからテキスト抽出を行っている
PDF仕様の古いバージョンなどで文字化けする Fessでの対応
テキスト抽出処理はS2Robotで管理している
設定ファイルでMIMEタイプごとに処理をカスタマイズ可能
対応はケースバイケースですが、コマンド呼び出しや IFilterなど、要件に応じた対応が必要
MS Office系のファイルのテキスト抽出はPOIを利用しているが、抽出できないものがあれば同様の対応
PDF文字化け問題

ケース6 クリック数やお気に入り数でリアルタイムにソートしたいです…

概要
そのときのクリック数やお気に入り数でソートしたい
クリック数やお気に入り数はSolr内でドキュメントに含まれている
ドキュメントを更新して、コミットしないと情報が反映されない
クリックされるたびにコミットするのは微妙… Fessでの対応
クリック数やお気に入り数の数値はDocValueのフィールドとして格納する
Solrで更新するインターフェースがなかったため、Fessでは数値のDocValueを更新するSolrプラグインを提供
リアルタイム更新問題

ケース7 辞書ファイルを更新するのに再起動が必要なの？

概要
形態素解析やシノニムなどの辞書はインデックスで初回に読み込まれる
辞書の反映に再起動＆再インデクシングが必要
政治的な要件な気がする Fessでの対応
辞書を動的に再読み込みをする拡張
Tokenizerのインスタンスを動的に差し替える
再インデクシングは必要
積極的に採用するかは置いておいて…
辞書反映問題

Fessの今後
Solrの更新と共に、今後も更新していきます！
検索ログを利用したサジェストも導入
現在はコンテンツベース
キーマッチ機能
独自のQuery Elevation
Go for Global!
検索ログの表示や分析方法の改善

全文検索サーバ Fess 〜全文検索システム構築時の悩みどころ

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (20)

Similar a 全文検索サーバ Fess 〜全文検索システム構築時の悩みどころ

Similar a 全文検索サーバ Fess 〜全文検索システム構築時の悩みどころ (20)

Más de Shinsuke Sugaya

Más de Shinsuke Sugaya (8)