cominvent as

Dette er en norsk oversettelse av Sematext’s nyttige “Solr Digest, August 2010“.

Det har vært mye aktivitet i Solr-verdenen i august, og vi har valgt ut de mest interessante for deg, gruppert i fire kategorier:

Ny funksjonalitet som kommer i neste versjon

• Du finner info om tidligere jobb på CollapsingComponent i June’s digest (Sematext blog) i issue SOLR-1682. Mye jobb ble lagt ned i denne komponenten og det virker som den snart kan committes. Patchene som er vedlagt fungerer (mot trunk) så du kan teste de allerede.

• SpellCheckComponent har fått en forbedring relatert til Lucene endringer -  Add support for specifying Spelling SuggestWord Comparator to Lucene spell checkers for SpellCheckComponent. Issue SOLR-2053 er allerede fikset og en patch er lagt ved hvis du trenger det, men den er også committet til 3_x branch, altså neste versjon av Solr.

• En annen mindre funksjon er forbedring av WordDelimiterFilter i SOLR-2059 – Allow customizing how WordDelimiterFilter tokenizes text. Patchen er allerede der og committet til trunk og 3_x.

• Ytelsesforbedring for fasetter finner vi i SOLR-2089 – Faceting: order term ords before converting to values. Bak denne tittelen finner vi en real hastighetsforbedring for tilfeller der facet.limit er høy. Patchen er tilgjengelig og den er committet til trunk og 3_x branch.

• For alle GEO-fans i Solr-verden vil vi peke på denne tråden i mailing-listen - [Spatial] Geonames and extension to Spatial Solution for Solr – Her kan du finne noen nyttige GEO utvidelser for Solr, spesielt dersom du er interessert i Geonames data.

Nye funksjoner under utvikling

• En veldig viktig (og antakelig ønsket) funksjon har nettopp fått sin Jira issue – SOLR-2080 – Create a Related Search Component. Denne er opprettet av Grant Ingersoll, så vi kan forvente kvalitetsarbeid her som vanlig. Det er ingen patch så langt, da denne nettopp har startet, men du kan følge med på utviklingen i ticketen. Dersom du trenger noe før denne patchen er ferdig, har Sematext en kommersiell komponent som heter  RelatedSearches som du kan sjekke ut.

• Jira issue SOLR-2026 – Need infrastructure support in Solr for requests that perform multiple sequential queries – vil gi noen interessante muligheter for søkekomponenter (search components); spesielt dersom du skriver dine egne. Hvis Solr får bedre støtte for kjøring av flere parallelle spørringer fra en enkelt forespørsel vil visse komponenter bli enklere å implementere.

• Defining QueryComponent’s default query parser (SOLR-2031) lar deg konfigurere default query parser i solrconfig.xml, hvis du noen gang har følt at du behøver det.

• Det ser også ut til at QueryElevationComponent kan få en forbedring: Distinguish Editorial Results from “normal” results in the QueryElevationComponent. Jira issue SOLR-2037 er der du kan følge med på denne.

Noen nye bugs

• DataImportHandler har en feil – Multivalued fields with dynamic names does not work properly with DIH – som enda ikke er rettet, men hvis du har dette problemet kan du sjekke status her.

• En annen bug i DataImportHandler har med connection lekkasje å gjøre – DIH doesn’t release JDBC connections in conjunction with DB2. Det er ingen fiks så langt, men du kan følge med selv i Jira.

Andre interessante nyheter

• Et potensielt nyttig verktøy du bør se på er SolrMeter. Det er et selvstendig verktøy for ytelsestesting av Solr. Utviklerne beskriver det selv slik: Hovedmålet med dette åpne kildekode-verktøyet er å gi Solr bruker-miljøet et “generisk verktøy for å teste Solr spesifikt”. Det sender spørringer og legger til dokumenter for å forsikre at Solr implementasjonen din kommer til å tåle realistisk bruk. Med SolrMeter kan du simulere lasten mot Solr og få ut grafisk statistikk..

• Hvilket utviklingsmiljø bruker du mot Solr/Lucene? Hvis du bruker IntelliJ og vil sette den opp mot Lucene eller Solr kan du sjekke denne nyttige diskusjonen og patch i LUCENE-2611 – IntelliJ IDEA setup.

Som vanlig, er juli en av de tregere måneder i Solr verdenen, men vi klarte å finne noen interessante temaer:

• Interessante funksjonen kan legges til med Solr-1979 - Create LanguageIdentifierUpdateProcessor. Den vil gi mulighet til å håndtere tekst på ulike språk (tenk på stemming i analyse, for eksempel) ved å detektere språket automatisk. Denne issue er helt ny, så arbeidet med denne og noen brukbare patcher kommer en gang i fremtiden. Men hvis du trenger noe som fungerer nå, har Sematext noen produkter for flerspråklig funksjonalitet, for eksempel, flerspråklig indeksering eller Språkidentifikator .
• En annen interessant ting kommer med Solr-1980 – Boundary match support. Dette vil muliggjøre søtte for søk på ord i starten eller på slutten av feltet, og dermed unngå falske delvise treff. Dette vil kunne gi mer relevante søkeresultater i noen spesielle tilfeller. Denne ticket er også i sin spede begynnelse, og har ingen patcher ennå, så vi får vente og se hvordan det utvikler seg.
• Noen ganger ønsker vi å lagre (store) noe annet enn den rå input-verdien av et felt (husk, Solr lagrer en “stored” og en “indexed” versjon, og det som returneres er den rå input-verdien til, ikke dens analysert versjon). En fiks for dette finnes allerede i en ganske fersk JIRA ticket - Solr-1997 - Lagre intern verdi i stedet for input-verdi.
• Er du klar til å begynne å bruke Solr, men er usikker på hvilken versjon du bør bruke? Ikke bekymre deg, forvirring om Solr’s versjoner startet denne våren (se Solr May 2010 Digest ), men ting har stabilisert seg i det siste. Den siste release-utgaven er 1.4.1, med mange feilrettinger. Den neste versjonen vil bli 3.1, og du finner kildekoden på branch_3x grenen. Du finner de nattlige byggene her . TRUNK brukes fremdeles for “ustabil” utvikling og den framtidige 4.0-versjonen. For mer informasjon, sjekk disse siste trådene på Solr mailingliste: her og her .
• Mange vil nok være enig i at Solr SpellCheckComponent  ikke er veldig nyttig i real life applikasjoner. Et av de største problemene er at det dårlig håndterer spørringer med flere ord, der forslagene i “collate” gir beste forslag for hvert ord i spørringen, slik at du ofte får forslag som gir 0 treff. I tillegg får man ikke vite viktig meta-informasjon, som hvor mange treff søket vil generere og hvilke resultater det vil gi. Noen av disse problemene kan være løst en dag med Solr-2010 – Improvements to SpellCheckComponent Collate functionality. Den første versjonen av oppdateringen er allerede klar. Men hvis du vil bruke slik funksjonalitet i produksjon i dag, kan du vurdere en mye mer sofistikert og produksjons-klar komponent utviklet av Sematext – DYM ReSearcher – du kan se Dym ReSearcher i aksjon på Search-Lucene.com, for eksempel.
• En mindre funksjonalitet er lagt til QueryElevationComponent – Add option to return only the specified results. Den kom i JIRA issue Solr-1966 og er allerede portet til 3.x og TRUNK.

Denne artikkelen er norsk oversettelse av Sematext’s Solr Digest.

Jan Høydahl vil holde foredrag på Lucene EuroCon in Praha 20-21 mai 2010. EuroCon er en ny årlig konferanse arrangert av Lucid Imagination. Her kommer hele Lucene/Solr miljøet sammen og diskuterer hvordan søk kan forbedre og øke lønnsomheten for ulike typer virksomheter.

Jan vil snakke om “Key topics when migrating from FAST to Solr”, rettet mot et Solr publikum. Det blir en kort oversikt over hva FAST ESP er, og en gjnnomgang av migreringsprosessen inkludert pain points og hvordan man kan håndtere de.