このページは Cloud Translation API によって翻訳されました。

Norconex HTTP Collector インデクサプラグインをデプロイする

このガイドは、Google Cloud Search Norconex HTTP Collector インデクサプラグインの管理者、つまり、インデクサプラグインのダウンロード、デプロイ、構成、保守を担当するユーザーを対象としています。また、読者が Linux オペレーティングシステムに精通し、ウェブクロール、XML、Norconex HTTP Collector の基礎知識があることを前提としています。

このガイドでは、インデクサプラグインのデプロイに関連する主要なタスクの実施手順について説明します。

インデクサプラグインソフトウェアをダウンロードする
Google Cloud Search を構成する
Norconex HTTP Collector とウェブクロールを構成する
ウェブクロールを開始してコンテンツをアップロードする

Google Workspace 管理者が行う必要があるタスクに関する情報 Google Cloud Search を Norconex HTTP Collector インデクサプラグインにマッピングするために実行する手順このガイドでは説明しません。これらのタスクについては、サードパーティのデータソースを管理するをご覧ください。

Cloud Search Norconex HTTP Collector インデクサプラグインの概要

デフォルトでは、Cloud Search は以下からコンテンツを検出し、インデックスに登録して提供できます。 Google ドキュメントや Gmail などの Google Workspace プロダクト。「新規顧客の獲得」目標を Google Cloud Search のリーチ拡大により、ウェブコンテンツの提供にもインデクサプラグインのデプロイを Norconex HTTP Collector オープンソースエンタープライズウェブクローラーです。

構成プロパティファイル

インデクサプラグインがウェブクロールを行って、インデックス API にコンテンツをアップロードできるようにするために、インデクサプラグイン管理者は、このドキュメントのデプロイ手順に記載されている構成手順の中で具体的な情報を指定します。

インデクサプラグインを使用するには、次の 2 つの構成ファイルでプロパティを設定する必要があります。

{gcs-crawl-config.xml} -- Norconex HTTP Collector の設定が含まれます。
sdk-configuration.properties -- Google Cloud Search の設定が含まれています。

各ファイルのプロパティにより、Google Cloud Search インデクサプラグインと Norconex HTTP Collector が相互に通信できるようになります。

ウェブクロールとコンテンツのアップロード

構成ファイルを設定すると、ウェブクロールを開始するために必要な設定がそろいます。Norconex HTTP Collector によってウェブがクロールされ、その構成に関連するドキュメントコンテンツが検出されます。また、元のバイナリ（またはテキスト）バージョンのドキュメントコンテンツが Cloud Search インデックス API にアップロードされ、インデックスに登録されて、最終的にユーザーに提供されます。

サポートされているオペレーティングシステム

Google Cloud Search Norconex HTTP Collector インデクサプラグインは、Linux にインストールする必要があります。

サポートされている Norconex HTTP Collector のバージョン

Google Cloud Search Norconex HTTP Collector インデクサプラグインは、 2.8.0.

ACL のサポート

インデクサプラグインでは、アクセス制御リスト（ACL）を使用して Google Workspace ドメインにアクセス。

Google Cloud Search プラグイン構成でデフォルトの ACL が有効になっている場合（defaultAcl.mode が none 以外に設定され、defaultAcl.* で構成されている）インデクサプラグインは、まずデフォルトの ACL を作成して適用しようとします。

デフォルトの ACL が有効になっていない場合、プラグインはフォールバックして読み取り権限を付与します Google Workspace ドメイン全体に提供します。

ACL 構成パラメータの詳細な説明については、Google 提供のコネクタパラメータをご覧ください。

前提条件

インデクサプラグインをデプロイする前に、次の要件を満たしていることを確認してください。

インデクサプラグインを実行するコンピュータに Java JRE 1.8 がインストールされている
組織間の関係を確立するために必要な Google Workspace の情報 Cloud Search と Norconex HTTP Collector:
- Google Workspace の秘密鍵（サービスアカウント ID を含む）
- Google Workspace データソース ID
通常、ドメインの Google Workspace 管理者は、これらの情報を提供します。

デプロイ手順

インデクサプラグインをデプロイする手順は、次のとおりです。

Norconex HTTP Collector とインデクサプラグインソフトウェアをインストールする
Google Cloud Search を構成する
Norconex HTTP Collector を構成する
ウェブクロールを構成する
ウェブクロールとコンテンツのアップロードを開始する

ステップ 1: Norconex HTTP Collector とインデクサプラグインソフトウェアをインストールする

こちらのページから Norconex コミッターソフトウェアをダウンロードします。
ダウンロードしたソフトウェアを ~/norconex/ フォルダに解凍します。
GitHub からコミッタープラグインのクローンを作成します。git clone https://github.com/google-cloudsearch/norconex-committer-plugin.git、その後は cd norconex-committer-plugin
目的のバージョンのコミッタープラグインをチェックアウトして、ZIP ファイルを作成します。 git checkout tags/v1-0.0.3 と mvn package（ビルド時にテストをスキップするため mvn package -DskipTests を使用してください）。
cd target
ビルドされたプラグインの jar ファイルを noconex lib ディレクトリにコピーします。 cp google-cloudsearch-norconex-committer-plugin-v1-0.0.3.jar ~/norconex/norconex-collector-http-{version}/lib
作成した ZIP ファイルを解凍してファイルを展開します。unzip google-cloudsearch-norconex-committer-plugin-v1-0.0.3.zip
インストールスクリプトを実行して、プラグインの .jar と必要なすべての http コレクタのディレクトリに移動します。 <ph type="x-smartling-placeholder">
1. 上記で解凍して展開したコミッタープラグインに変更します: cd google-cloudsearch-norconex-committer-plugin-v1-0.0.3
2. $ sh install.sh を実行し、ファイルのフルパスを指定します。ターゲットとして norconex/norconex-collector-http-{version}/lib ディレクトリに移動します。
3. 重複する jar ファイルが見つかった場合は、オプション 1（ソース JAR のみをコピーする）を選択します。（ターゲット Jar の名前変更後にターゲット Jar と同じかそれ以上）

ステップ 2: Google Cloud Search を構成する

インデクサコネクタが Norconex HTTP Collector に接続し、関連コンテンツをインデックスに登録できるようにするには、Norconex HTTP Collector がインストールされている Norconex ディレクトリに Cloud Search 構成ファイルを作成する必要があります。Google が推奨 Cloud Search 構成ファイルの名前を sdk-configuration.properties。

この構成ファイルには、パラメータを定義する Key-Value ペアを含める必要があります。構成ファイルでは、少なくとも次のパラメータを指定する必要があります。アクセスに必要な認証情報を取得できます。

設定	パラメータ
データソースの ID	`api.sourceId = 1234567890abcdef` 必須。Google Workspace 管理者がセットアップした Cloud Search ソースの ID。
サービスアカウント	`api.serviceAccountPrivateKeyFile = ./PrivateKey.json` 必須。インデクサプラグインを利用するために Google Workspace 管理者が作成した Cloud Search サービスアカウントキーファイル。

次の例は、sdk-configuration.properties ファイルを示しています。

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

構成ファイルには、Google 提供の構成パラメータを含めることもできます。これらのパラメータは、このプラグインが Google Cloud Search API にデータを push する方法に影響する可能性があります。たとえば、パラメータセットの batch.* です。コネクタがリクエストを結合する方法を識別します。

構成ファイルでパラメータを定義しない場合は、デフォルト値（使用可能な場合）が使用されます。各パラメータの詳細については、Google 提供のコネクタパラメータをご覧ください。

インデクサプラグインは、インデックス登録するコンテンツのメタデータや構造化データが入力されるように構成できます。メタデータや構造化データの項目に入力される値は、インデックス登録する HTML コンテンツのメタタグから抽出することも、構成ファイルでデフォルト値を指定することもできます。

設定	パラメータ
タイトル	`itemMetadata.title.field=movieTitle` `itemMetadata.title.defaultValue=Gone with the Wind` デフォルトでは、このプラグインはインデックス登録するドキュメントのタイトルとして `HTML title` を使用します。タイトルがない場合は、ドキュメントのタイトルに対応する値を含むメタデータ属性か、デフォルト値を設定します。
作成タイムスタンプ	`itemMetadata.createTime.field=releaseDate` `itemMetadata.createTime.defaultValue=1940-01-17` ドキュメント作成タイムスタンプの値を含むメタデータ属性。
最終更新時刻	`itemMetadata.updateTime.field=releaseDate` `itemMetadata.updateTime.defaultValue=1940-01-17` ドキュメントの最終変更タイムスタンプの値を含むメタデータ属性。
ドキュメント言語	`itemMetadata.contentLanguage.field=languageCode` `itemMetadata.contentLanguage.defaultValue=en-US` インデックス登録されるドキュメントのコンテンツ言語。
スキーマオブジェクトタイプ	`itemMetadata.objectType=movie` サイトで使用されるオブジェクトタイプ（ <ph type="x-smartling-placeholder"></ph> データソースのスキーマオブジェクト定義をご覧ください。コネクタは何もインデックスに登録しません構造化データが返されます。注: この構成プロパティは、メタデータ属性よりも低く、かつ `.field` 接尾辞 `.defaultValue` はサポートされていません。

日時書式

日時形式は、メタデータ属性で想定される形式を指定します。構成ファイルにこのパラメータが含まれていない場合、デフォルト値が分析できます次の表に、このパラメータを示します。

設定

パラメータ

追加の日時パターン

structuredData.dateTimePatterns=MM/dd/uuuu HH:mm:ssXXX

追加の java.time.format.DateTimeFormatter をセミコロンで区切ったリストパターンです。これらのパターンは、メタデータまたはスキーマ内の日付や日時の項目の文字列値を解析するときに使用されます。デフォルト値は空のリストですが、RFC 3339 と RFC 1123 の書式は常にサポートされています。

ステップ 3: Norconex HTTP Collector を構成する

zip アーカイブ norconex-committer-google-cloud-search-{version}.zip には、サンプル構成ファイル minimum-config.xml があります。

サンプルファイルをコピーして構成を開始することをおすすめします。

Norconex HTTP Collector ディレクトリに移動します。
$ cd ~/norconex/norconex-collector-http-{version}/
構成ファイル（
）をコピーします。 $ cp examples/minimum/minimum-config.xml gcs-crawl-config.xml
新しく作成したファイル（この例では gcs-crawl-config.xml）を編集します。次の手順に従って、既存の <committer> ノードと <tagger> ノードを追加または置換します。表します

設定	パラメータ
`<committer> node`	`<committer class="com.norconex.committer.googlecloudsearch. GoogleCloudSearchCommitter">` 必須です。プラグインを有効にするには、`<committer>` ノードをルート `<httpcollector>` ノードの子として追加する必要があります。
`<UploadFormat>`	`<uploadFormat>raw</uploadFormat>` 省略可。インデクサプラグインがドキュメントコンテンツを Google Cloud Search インデクサ API に push する形式。有効な値は次のとおりです。 `raw`: インデクサプラグインは、変換されていない元のドキュメントコンテンツを push します。 `text`: インデクサプラグインは、抽出されたテキストコンテンツを push します。で確認できます。デフォルト値は `raw` です。
`BinaryContent Tagger <tagger> node`	`<tagger class="com.norconex.committer.googlecloudsearch.BinaryContentTagger"/>` `<UploadFormat>` の値が `raw` の場合は必須です。この場合、インデクサプラグインでは、ドキュメントのバイナリコンテンツフィールドが使用可能である必要があります。 `BinaryContentTagger <tagger>` ノードは、`<importer> / <preParseHandlers>` ノードの子要素として追加する必要があります。

次の例は、Terraform ワークフローで変更 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>

ステップ 4: ウェブクロールを構成する

ウェブクロールを開始する前に、組織が検索結果で使用できるようにする情報のみが含まれるようにクロールを構成する必要があります。ウェブクロールで最も重要な設定は、<crawler> 次の要素を含めることができます。

開始 URL
クロールの最大深度
スレッド数

必要に応じて、これらの構成値を変更します。ウェブクロールの設定および使用可能なすべての構成パラメータについて詳しくは、HTTP Collector の Configuration ページをご覧ください。

ステップ 5: ウェブクロールとコンテンツのアップロードを開始する

インデクサプラグインをインストールして設定したら、ローカルモードで独自に実行できます。

次の例は、必要なコンポーネントが Linux システムのローカルディレクトリにあることを前提としています。次のコマンドを実行します。

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

JEF Monitor でクローラをモニタリングする

Norconex JEF（Job Execution Framework）Monitor は、Norconex Web Crawler（HTTP Collector）プロセスおよびジョブの進行状況をモニタリングするためのグラフィカルなツールです。このユーティリティの設定方法に関する詳しいチュートリアルについては、Monitor Your Crawler's Progress with JEF Monitor をご覧ください。

Norconex HTTP Collector インデクサ プラグインをデプロイする

Cloud Search Norconex HTTP Collector インデクサ プラグインの概要

構成プロパティ ファイル