Wdrażanie wtyczki Norconex HTTP Collector Indexer

Ten przewodnik jest przeznaczony dla administratorów odpowiedzialnych za pobieranie, wdrażanie i utrzymywanie wtyczki indeksującej Norconex HTTP Collector Google Cloud Search. Powinni oni znać system Linux, podstawy indeksowania stron internetowych, język XML i Norconex HTTP Collector.

Ten przewodnik zawiera instrukcje dotyczące:

• pobierania oprogramowania wtyczki indeksującej,
• konfigurowania Cloud Search,
• konfigurowania Norconex HTTP Collector i indeksowania stron internetowych,
• rozpoczynania indeksowania stron internetowych i przesyłania treści.

Ten przewodnik nie zawiera informacji o zadaniach, które musi wykonać administrator Google Workspace. Więcej informacji o tych zadaniach znajdziesz w artykule Zarządzanie źródłami danych innych firm.

Omówienie wtyczki indeksującej Norconex HTTP Collector

Domyślnie Cloud Search może wykrywać, indeksować i udostępniać treści z usług Google Workspace, takich jak Dokumenty Google i Gmail. Możesz rozszerzyć tę funkcję, aby obejmowała treści internetowe, wdrażając wtyczkę indeksującą Norconex HTTP Collector, czyli narzędzie do indeksowania stron internetowych typu open source.

Pliki właściwości konfiguracji

Aby włączyć indeksowanie i przesyłanie treści przez wtyczkę, musisz podać określone informacje w 2 plikach konfiguracji:

• {gcs-crawl-config.xml}: ustawienia Norconex HTTP Collector.
• sdk-configuration.properties: ustawienia Cloud Search.

Indeksowanie stron internetowych i przesyłanie treści

Po wypełnieniu plików konfiguracji możesz rozpocząć indeksowanie stron internetowych. Norconex HTTP Collector indeksuje strony internetowe i przesyła oryginalne treści dokumentów binarnych lub tekstowych do interfejsu Cloud Search Indexing API.

Wymagania systemowe

• System operacyjny: tylko Linux.
• Wersja Norconex: 2.8.0.
• Oprogramowanie: Java JRE 1.8.

Obsługa list kontroli dostępu

Wtyczka indeksująca obsługuje listy kontroli dostępu, które umożliwiają kontrolowanie dostępu do dokumentów w domenie Google Workspace.

Jeśli włączysz domyślne listy kontroli dostępu w konfiguracji wtyczki (defaultAcl.mode ustawiony na wartość inną niż none), wtyczka zastosuje te ustawienia domyślne. W przeciwnym razie wtyczka przyzna uprawnienia do odczytu całej domenie. Zobacz Parametry łącznika dostarczone przez Google.

Wymagania wstępne

Zanim wdrożysz wtyczkę indeksującą, przygotuj te komponenty:

• Klucz prywatny Google Workspace (zawierający identyfikator konta usługi). Zobacz Konfigurowanie dostępu do Cloud Search API.
• Identyfikator źródła danych Google Workspace. Zobacz Zarządzanie źródłami danych innych firm.

Kroki wdrożenia

1. Zainstaluj Norconex HTTP Collector i oprogramowanie wtyczki
2. Skonfiguruj Cloud Search
3. Skonfiguruj Norconex HTTP Collector
4. Skonfiguruj indeksowanie stron internetowych
5. Rozpocznij indeksowanie stron internetowych i przesyłanie treści

Krok 1. Zainstaluj Norconex HTTP Collector i oprogramowanie wtyczki

1. Pobierz oprogramowanie Norconex committer ze strony pobierania Norconex download page.
2. Wyodrębnij oprogramowanie do katalogu ~/norconex/.

3. Sklonuj wtyczkę committer:

   git clone https://github.com/google-cloudsearch/norconex-committer-plugin.git
   cd norconex-committer-plugin
   

4. Sprawdź wybraną wersję i utwórz wtyczkę:

   git checkout tags/v1-0.0.3
   mvn package
   

   Aby pominąć testy, użyj polecenia mvn package -DskipTests.

5. Skopiuj plik JAR do katalogu lib Norconex:

   cp target/google-cloudsearch-norconex-committer-plugin-v1-0.0.3.jar ~/norconex/norconex-collector-http-VERSION/lib
   

6. Wyodrębnij utworzony plik ZIP:

   unzip target/google-cloudsearch-norconex-committer-plugin-v1-0.0.3.zip
   cd google-cloudsearch-norconex-committer-plugin-v1-0.0.3
   

7. Uruchom skrypt instalacyjny i podaj pełną ścieżkę do katalogu lib Norconex:

   sh install.sh
   

   Jeśli pojawi się prośba o podanie duplikatów plików, wybierz opcję 1.

Krok 2. Skonfiguruj Cloud Search

Utwórz plik sdk-configuration.properties w katalogu Norconex. Plik musi zawierać te parametry:

Przykład pliku sdk-configuration.properties:

# data source access
api.sourceId=1234567890abcdef
api.serviceAccountPrivateKeyFile=./PrivateKey.json

Możesz też uwzględnić parametry takie jak batch.*, aby kontrolować sposób przesyłania danych przez wtyczkę. Zobacz Parametry łącznika dostarczone przez Google.

Aby wypełnić metadane, skonfiguruj te opcjonalne parametry:

Krok 3. Skonfiguruj Norconex HTTP Collector

Wtyczka zawiera przykładowy plik minimum-config.xml.

1. Przejdź do katalogu Norconex i skopiuj przykład:

   cd ~/norconex/norconex-collector-http-VERSION/
   cp examples/minimum/minimum-config.xml gcs-crawl-config.xml
   

2. Edytuj gcs-crawl-config.xml, aby dodać lub zastąpić <committer> i <tagger> węzły:

Przykład pliku gcs-crawl-config.xml:

<committer class="com.norconex.committer.googlecloudsearch.GoogleCloudSearchCommitter">
    <configFilePath>/full/path/to/gcs-sdk-config.properties</configFilePath>
    <uploadFormat>raw</uploadFormat>
</committer>
<importer>
  <preParseHandlers>
    <tagger class="com.norconex.committer.googlecloudsearch.BinaryContentTagger"/>
  </preParseHandlers>
</importer>

Krok 4. Skonfiguruj indeksowanie stron internetowych

Skonfiguruj węzły <crawler> zgodnie z potrzebami, w tym:

• początkowe adresy URL,
• maksymalną głębokość indeksowania,
• liczbę wątków.

Zobacz stronę konfiguracji Norconex.

Krok 5. Rozpocznij indeksowanie stron internetowych i przesyłanie treści

Uruchom kolektor w trybie lokalnym:

./collector-http[.bat|.sh] -a start -c gcs-crawl-config.xml

Monitorowanie narzędzia do indeksowania za pomocą JEF Monitor

Norconex JEF (Job Execution Framework) Monitor wyświetla graficzny widok postępu. Zobacz Monitorowanie narzędzia do indeksowania za pomocą JEF Monitor.