Présentation
La page Rapport de documents aide à faire le ménage dans les serveurs de fichiers crawlés et autres. Elle liste les documents au contenu identique et ceux qui n’ont pas été modifiés depuis longtemps ; chaque liste peut être téléchargée en CSV.
Pour ouvrir la page, sélectionnez [Informations système > Rapport de documents] dans le menu de gauche. La consultation nécessite le rôle admin-docreport ou admin-docreport-view. La page ne fait qu’afficher et télécharger des rapports ; elle ne modifie aucun document.
Les deux onglets peuvent être restreints avec « Préfixe d’URL », par exemple smb://server/share/.
Doublons
Les documents au contenu identique ou presque identique sont regroupés, le groupe le plus grand en premier. Les groupes reposent sur la signature de contenu calculée à l’indexation (content_minhash_bits, la même qui regroupe les résultats de recherche en double) ; aucune réindexation n’est donc nécessaire. Les documents dont le contenu ne contient aucun mot (comme les fichiers vides) sont exclus.
L’écran affiche au plus docreport.duplicate.group.size (par défaut : 100) groupes et au plus docreport.duplicate.docs.size (par défaut : 10) documents par groupe. Utilisez [Télécharger le CSV] pour obtenir tous les groupes. Le CSV lit tous les groupes, même sur un grand index, avec les colonnes group, groupSize, url, title, filename, contentLength, lastModified, owner, lastModifier, clickCount, docId.
Note
Le rapport de doublons a besoin de la signature de contenu, que les définitions d’index pour un OpenSearch sans les plugins CodeLibs (search_engine.type valant vanilla, aws ou l’ancien cloud) ne calculent pas. Avec ces types, l’onglet « Doublons » est masqué et seul le rapport des documents inactifs est disponible. Voir Type de moteur de recherche.
Documents inactifs
Les documents dont la dernière modification est antérieure au nombre de jours indiqué (« Non modifiés depuis (jours) », 365 par défaut d’après docreport.dormant.days) sont listés, du plus ancien au plus récent. Les documents sans date de dernière modification ne sont pas listés. Avec « Jamais ouverts depuis les résultats de recherche », les documents cliqués depuis les résultats de recherche sont exclus.
L’écran affiche le nombre de documents correspondants, leur taille totale et une liste paginée. La pagination s’arrête à indexer.max.result.window.size ; utilisez [Télécharger le CSV] pour obtenir les documents au-delà.
Paramètres
Les réglages suivants de fess_config.properties ajustent le rapport.
| Propriété | Description | Défaut |
|---|---|---|
docreport.duplicate.group.size | Nombre maximal de groupes de doublons affichés par l’écran | 100 |
docreport.duplicate.docs.size | Nombre maximal de documents listés par groupe à l’écran | 10 |
docreport.duplicate.export.page.size | Nombre de signatures de contenu lues par requête lors du téléchargement du CSV | 10000 |
docreport.dormant.days | Nombre de jours par défaut depuis la dernière modification au-delà duquel un document est inactif | 365 |