Funktionen von Apache Solr

Ermöglicht Suchen innerhalb definierter Wertebereiche, z. B.:

• Preise: price:[100 TO 500] → Produkte zwischen 100 und 500 €.
• Daten: date:[2023-01-01 TO 2023-12-31] → Dokumente aus 2023.
• Nummern: id:[1000 TO 2000] → IDs in einem bestimmten Intervall.
  → Anwendung: Filter in Shops, Zeiträume in Archiven.

Nutzt logische Operatoren, um Suchanfragen zu verfeinern:

• AND (Solr AND TYPO3) → Ergebnisse müssen beide Begriffe enthalten.
• OR (Solr OR Elasticsearch) → Ergebnisse enthalten mindestens einen Begriff.
• NOT (TYPO3 NOT Solr) → Ergebnisse ausschließen, die den Begriff enthalten.
  → Ideal für: Komplexe Filter in Shops oder Fachdatenbanken.

Ermöglicht gezielte Suchen in bestimmten Feldern, z. B. nur im Titel, in Kategorien, Metadaten oder benutzerdefinierten Attributen. So lassen sich Ergebnisse präzise eingrenzen – etwa alle Artikel einer bestimmten Kategorie oder Dokumente eines bestimmten Autors.
→ Beispiel: Suche nur in Produktbeschreibungen, nicht in Bewertungen.

Findet ähnlich geschriebene Begriffe – auch bei Tippfehlern oder abweichenden Schreibweisen (z. B. Solr vs. Sollr). Die Toleranz ist konfigurierbar (z. B. max. 1–2 Abweichungen).
→ Perfekt für: Nutzerfreundliche Suchen mit hoher Fehlertoleranz.

Durchsucht mehrere Felder gleichzeitig (z. B. Titel, Beschreibung, Metadaten) und kann diese unterschiedlich gewichten (z. B. Titel stärker als Beschreibung).
→ Vorteil: Flexible Suche mit priorisierten Feldern.

Findet exakt zusammenhängende Wortfolgen (z. B. "TYPO3 Extension"). Nützlich, wenn Suchbegriffe in einer festen Reihenfolge vorkommen müssen – etwa bei Markennamen, Zitaten oder technischen Begriffen.
→ Tipp: Kombinierbar mit Wildcards für flexible Phrasen.

Findet Begriffe, die in einem bestimmten Abstand zueinander vorkommen (z. B. "TYPO3 Solr"~3 → Begriffe maximal 3 Wörter voneinander entfernt).
→ Nützlich für: Semantisch verwandte Begriffe, die nicht direkt nebeneinanderstehen.

Durchsucht exakt einen bestimmten Begriff – ohne sprachliche Erweiterungen (z. B. Stemming oder Synonyme). Ideal für technische IDs, Codes oder präzise Suchen.
→ Beispiel: Suche nach der exakten Produktnummer ART-12345.

Durchsucht komplette Inhalte von Dokumenten, Webseiten oder Datensätzen – nicht nur Metadaten oder Titel. Selbst wenn ein Suchbegriff nur einmal im Fließtext vorkommt, wird er gefunden. Ideal für umfassende Inhaltsrecherchen oder die Suche nach spezifischen Informationen in langen Texten.
→ Perfekt für: Content-Heavy-Websites, Wissensdatenbanken oder Dokumentenarchive.

Unterstützt Platzhalter wie * (mehrere Zeichen) oder ? (ein Zeichen):

• TYPO3* → Finde TYPO3, TYPO3 CMS, TYPO3 Extension.
• S?lr → Finde Solr, Sulr.
  → Hilfreich für: Unvollständige Begriffe, Varianten oder Präfixe.

Bestimmte Dokumente oder Felder können stärker gewichtet werden, damit wichtige Treffer weiter oben erscheinen.

• Dokument-Boosting: Bestimmte Seiten (z. B. Landing Pages) priorisieren.
• Feld-Boosting: Titel oder Kategorien höher gewichten als Fließtext.
  → Anwendung: Marketing-Seiten oder Premium-Produkte hervorheben.

Bestimmte Inhalte können für definierte Suchanfragen gezielt an prominenter Stelle platziert werden.

• Beispiel: Bei der Suche nach "TYPO3 Hosting" wird immer ein bestimmtes Angebot als erstes Ergebnis angezeigt.
  → Anwendung: Marketing-Kampagnen oder wichtige Seiten hervorheben.

Gewichtet Treffer abhängig von ihrer Nähe zu einem Zielwert, z. B.:

• Aktualität: Neuere Dokumente höher bewerten (recip(ms(NOW,date),3.16e-11,1,1)).
• Preis: Produkte nahe einem Wunschpreis priorisieren.
• Geografisch: Ergebnisse in der Nähe des Nutzerstandorts.
  → Beispiel: "Zeige mir Hotels innerhalb von 5 km, sortiert nach Entfernung."

Nutzen berechnete Werte für das Ranking, z. B.:

• Aktualität: now() – neuere Dokumente höher gewichten.
• Popularität: popularity – nach Nutzerinteraktionen sortieren.
• Distanz: geodist() – Ergebnisse in der Nähe des Standorts priorisieren.
  → Ideal für: Dynamische Ranking-Regeln.

Ermöglicht den Einsatz maschineller Lernmodelle, um die Trefferreihenfolge datenbasiert zu verbessern.

• Trainiert mit historischen Suchdaten (z. B. Klickraten).
• Kombiniert mehrere Ranking-Faktoren (z. B. Relevanz + Nutzerverhalten).
  → Für: Fortgeschrittene Suchoptimierung mit KI.

Passt die Reihenfolge der Suchergebnisse an individuelle Nutzermerkmale an, z. B.:

• Nutzerhistorie (z. B. früher gekaufte Kategorien).
• Standort (regionale Ergebnisse).
• Rollen (z. B. Admin sieht andere Ergebnisse als Gast).
  → Voraussetzung: Nutzerdaten oder Session-Informationen.

Ermöglicht dynamische Gewichtung direkt in der Suchanfrage – ohne den Index zu ändern.

• Beispiel: q=TYPO3&bq=category:premium^2 → Premium-Kategorie wird doppelt gewichtet.
  → Vorteil: Flexible Anpassung ohne Re-Indexierung.

Ordnet Treffer automatisch nach ihrer inhaltlichen Passung zur Suchanfrage (Standard in Solr). Berücksichtigt Faktoren wie:

• Häufigkeit des Suchbegriffs im Dokument.
• Position des Begriffs (z. B. Titel > Fließtext).
• Feldgewichtung (z. B. title^2 für doppelte Gewichtung).
  → Grundlage für alle Ranking-Optimierungen.

Passt das Ranking nachträglich für die besten Treffer an, um besonders relevante Ergebnisse weiter zu optimieren.

• Beispiel: Die Top 10 Ergebnisse werden mit einem zweiten Algorithmus neu bewertet.
  → Nützlich für: Hochpräzise Suchen in großen Datenmengen.

Ergebnisse können alternativ nach Feldern sortiert werden, z. B.:

• Datum (neueste zuerst).
• Alphabetisch (A–Z).
• Preis (aufsteigend/absteigend).
• Beliebtheit (nach Klicks oder Bewertungen).
  → Beispiel: Shop-Sortierung nach "Preis: niedrig → hoch".

Ergänzt Suchbegriffe automatisch während der Eingabe – ähnlich wie bei Google.

• Funktioniert mit Teilstrings (z. B. "Sol" → "Solr").
• Kann Kategorien oder Tags einbeziehen.
  → Vorteil: Schnellere und präzisere Suchanfragen.

Zeigt während der Eingabe passende Suchvorschläge an – basierend auf:

• Häufigen Suchanfragen.
• Indexierten Begriffen.
• Nutzerverhalten (z. B. beliebte Suchen).
  → Beispiel: Bei Eingabe von "TYPO" werden "TYPO3", "TYPO3 CMS", "TYPO3 Extension" vorgeschlagen.

Erkennt mögliche Tippfehler und schlägt Korrekturen vor (z. B. "Sollr" → "Meinten Sie: Solr?").

• Nutzt Edit Distance (z. B. Levenshtein-Algorithmus).
• Kann Nutzer zur korrigierten Suche weiterleiten.
  → Ideal für: Nutzerfreundliche Suchen mit hoher Fehlertoleranz.

Bereitet Suchbegriffe und Inhalte sprachlich auf, z. B.:

• Tokenisierung: Zerlegung in einzelne Wörter (z. B. "TYPO3-CMS" → ["TYPO3", "CMS"]).
• Normalisierung: Vereinheitlichung von Schreibweisen (z. B. "ß" → "ss").
• Sprachspezifische Regeln (z. B. Umlaute, Apostrophe).
  → Grundlage für präzise Suchergebnisse in mehreren Sprachen.

Reduziert Wörter auf ihre Grundform (z. B. "laufen" → "lauf", "besser" → "gut").

• Sprachabhängig (z. B. deutscher Snowball-Stemmer).
• Verbessert die Trefferquote bei flexiblen Suchanfragen.
  → Beispiel: Suche nach "Hund" findet auch "Hunde" oder "Hundes".

Ignoriert oder behandelt häufige, wenig aussagekräftige Wörter (z. B. "und", "der", "die").

• Standard-Stopword-Listen pro Sprache.
• Anpassbare Listen für domänenspezifische Begriffe.
  → Vorteil: Fokussierung auf relevante Suchbegriffe.

Berücksichtigt unterschiedliche Begriffe mit gleicher Bedeutung (z. B. "Auto" = "PKW" = "Fahrzeug").

• Konfigurierbare Synonym-Listen pro Sprache.
• Dynamische Synonyme (z. B. aus Thesauri).
  → Anwendung: Fachbegriffe, regionale Unterschiede (z. B. "Handy" vs. "Smartphone").

Fasst ähnliche Treffer zunächst zu einem Hauptergebnis zusammen (z. B. alle Varianten eines Produkts).

• Aufklappbar für Details (z. B. "Zeige alle 5 Varianten an").
  → Ideal für: Kompakte Darstellungen mit Option für Details.

Erkennt doppelte oder nahezu identische Inhalte und blendet sie aus oder fasst sie zusammen.

• Konfigurierbare Ähnlichkeitsgrenzen.
• Beibehaltung des "besten" Treffers (z. B. aktuellste Version).
  → Vorteil: Saubere, redundanzfreie Suchergebnisse.

Ermöglicht das schrittweise Eingrenzen von Suchergebnissen über Filter.

• Drill-Down: Filter werden kumulativ angewendet (z. B. erst Kategorie, dann Preis).
• Drill-Sideways: Zeigt alternative Filteroptionen an (z. B. "Andere Kategorien mit Treffern").
  → Vorteil: Intuitive Navigation in großen Datenmengen.

Gruppiert ähnliche Suchergebnisse thematisch oder inhaltlich, z. B.:

• Nach Kategorien (z. B. "TYPO3", "Solr", "Hosting").
• Nach Autoren oder Quellen.
  → Vorteil: Schnellere Orientierung in großen Treffermengen.

Erweitern Facetten um Kennzahlen, z. B.:

• Anzahl der Treffer pro Facettenwert.
• Durchschnitt (z. B. durchschnittlicher Preis).
• Minimum/Maximum (z. B. günstigstes/teuerstes Produkt).
  → Beispiel: "Kategorie 'Bücher' (12 Treffer, Ø Preis: 19,99 €)".

Ergänzt Suchergebnisse um Filtermöglichkeiten, z. B. nach:

• Kategorie (z. B. Blog, Shop, Dokumentation).
• Sprache (z. B. Deutsch, Englisch).
• Inhaltstyp (z. B. PDF, HTML, Bild).
• Datum (z. B. 2023, 2024).
  → Beispiel: "Zeige nur PDFs aus der Kategorie 'Handbücher' an."

Fasst Suchergebnisse mit gemeinsamen Merkmalen zusammen, z. B.:

• Produktvarianten (z. B. ein T-Shirt in verschiedenen Farben).

<li">Dokumente aus derselben Quelle (z. B. alle PDFs eines Autors).
→ Anwendung: Übersichtliche Darstellung von Varianten.</li">

Bereiten geografische Daten rasterbasiert auf und zeigen, in welchen Regionen besonders viele Treffer liegen.

• Visualisierung als Heatmap (z. B. auf einer Karte).
• Aggregation nach Koordinaten (z. B. Postleitzahlen, Länder).
  → Anwendung: Standortbasierte Suchen (z. B. Filialen, Events).

Ermöglicht das gleichzeitige Auswählen mehrerer Filterwerte innerhalb einer Facette.

• Beispiel: Filter nach mehreren Kategorien (z. B. "TYPO3" UND "Solr").
• Logische Verknüpfung (AND/OR) konfigurierbar.
  → Vorteil: Flexiblere Eingrenzung der Suchergebnisse.

Teilt große Treffermengen in Seiten auf (z. B. 10 Ergebnisse pro Seite).

• Konfigurierbare Seitengröße.
• Direktlinks zu bestimmten Seiten (z. B. "Seite 2").
  → Standard für: Alle Suchergebnisse mit vielen Treffern.

Kombinieren mehrere Facetten hierarchisch, z. B.:

1. Land (Deutschland, Österreich, Schweiz).
2. Stadt (Berlin, München, Wien).
   → Beispiel: "Zeige alle Ergebnisse aus Deutschland → Berlin an."
   → Ideal für: Mehrstufige Filter (z. B. in Immobilienportalen).

Fasst Werte in Bereiche zusammen, z. B.:

• Preise: 0–50 €, 50–100 €, 100–200 €.
• Daten: 2020–2022, 2023–2024.
• Größen: S, M, L, XL.
  → Anwendung: Preisfilter in Shops, Zeiträume in Archiven.

Sorgt für mehr Vielfalt in der Ergebnisliste, indem ähnliche Treffer nicht direkt hintereinander erscheinen.

• Berücksichtigt verschiedene Quellen, Typen oder Inhalte.
• Vermeidet "Spamming" durch zu ähnliche Ergebnisse.
  → Anwendung: Ausgewogene Suchergebnisse (z. B. in News-Portalen).

Hebt Suchbegriffe in den Treffern hervor und zeigt relevante Textausschnitte an.

• Beispiel: Bei Suche nach "Solr" wird im Treffer der Satz "... mit EXT:solr für TYPO3 ..." markiert.
• Konfigurierbare Highlighting-Regeln (z. B. Farbgebung, Umbruch).
  → Vorteil: Nutzer erkennen sofort, warum ein Ergebnis passt.

Findet Dokumente mit ähnlichen Inhalten oder Begriffsmustern.

• Basierend auf:
  • Gemeinsamen Keywords.
  • TF-IDF (Term Frequency-Inverse Document Frequency).
  • Vektoren (bei semantischer Suche).
    → Beispiel: "Nutzer, die diesen Artikel gelesen haben, interessierten sich auch für..."

Ermöglicht komplexe Auswertungen und verschachtelte Facettenabfragen in strukturierter JSON-Form.

• Performante Abfragen auch bei großen Datenmengen.
• Flexible Aggregationen (z. B. nach mehreren Kriterien).
  → Für: Entwickler, die Solr als Analyse-Tool nutzen.

Zeigen, wie sich Suchergebnisse auf Filterwerte verteilen, z. B.:

• Anzahl Treffer pro Kategorie.
• Verteilung nach Datum oder Sprache.
  → Anwendung: Quick Insights für Nutzer (z. B. "Meiste Treffer in der Kategorie 'Blog'").

Ermitteln besonders prägende Begriffe eines Dokuments oder einer Treffermenge.

• Significant Terms: Begriffe, die in einem Dokument überdurchschnittlich häufig vorkommen.
• More Like This: Finde ähnliche Dokumente basierend auf gemeinsamen Begriffen.
  → Anwendung: Empfehlungssysteme, thematische Cluster.

Berechnen Kennzahlen über Suchergebnisse hinweg, z. B.:

• Summe (z. B. Gesamtpreis aller Treffer).
• Durchschnitt (z. B. durchschnittliche Bewertung).
• Verteilung (z. B. Anzahl Treffer pro Kategorie).
  → Beispiel: "Durchschnittlicher Preis der gefundenen Produkte: 49,99 €".

Erfassen, wie häufig einzelne Begriffe oder Wortfolgen in Dokumenten vorkommen.

• Nützlich für:
  • Relevanzbewertung.
  • Mustererkennung (z. B. häufige Keywords).
  • Inhaltsanalysen.
    → Beispiel: "Der Begriff 'TYPO3' kommt in 80% der Dokumente vor."

Speichern Informationen darüber, welche Begriffe in einem Dokument vorkommen und wie oft.

• Grundlage für:
  • Hervorhebungen in Suchergebnissen.
  • Ähnlichkeitssuchen.
  • Textanalysen (z. B. TF-IDF).
    → Anwendung: Fortgeschrittene Textanalysen.

Zeigt an, wie viele Ergebnisse zu einer Suchanfrage gefunden wurden.

• Echtzeit-Aktualisierung bei Filteränderungen.
• Formatierbar (z. B. "123 Ergebnisse gefunden").
  → Standard in allen Suchergebnissen.

Sucht Treffer innerhalb eines rechteckigen geografischen Bereichs, definiert durch Koordinaten (z. B. Nordwest- und Südost-Ecke).

• Anwendung: Kartenausschnitte (z. B. "Zeige alle Immobilien in diesem Stadtviertel").
  → Ideal für: Geografische Filter in Kartenanwendungen.

Ergänzt geografische Suchen um räumliche Gruppierungen oder Zählungen, z. B.:

• Anzahl Treffer pro Land/Region.
• Verteilung auf einer Karte.
  → Beispiel: "In Berlin: 45 Treffer, in München: 32 Treffer."

Grenzen Suchergebnisse nach räumlichen Kriterien ein, z. B.:

• Land (z. B. nur Deutschland).
• Region (z. B. nur Bayern).
• Umkreis (z. B. nur innerhalb von 20 km).
  → Anwendung: Standortbasierte Suchen (z. B. für Lieferdienste).

Findet Ergebnisse anhand geografischer Daten, z. B.:

• Standort (z. B. alle Filialen in Berlin).
• Region (z. B. alle Events in Bayern).
• Land (z. B. alle Produkte für Deutschland).
  → Voraussetzung: Koordinaten oder geografische Metadaten im Index.

Stellen geografische Trefferdichten visuell dar (z. B. als Heatmap auf einer Karte).

• Farbskala: Dichte der Treffer (z. B. rot = viele Treffer, grün = wenige).
• Interaktiv: Zoom- und Filterfunktionen.
  → Anwendung: Analyse von regionalen Schwerpunkten (z. B. für Marketing).

Sucht Treffer innerhalb eines festgelegten Umkreises um einen Standort (z. B. alle Ergebnisse im 10 km Radius um Frankfurt).

• Konfigurierbarer Radius (z. B. 5 km, 50 km).
• Einheit: Meter oder Kilometer.
  → Beispiel: "Zeige mir alle Restaurants im Umkreis von 5 km."

Ordnet geografische Treffer nach ihrer Nähe zu einem bestimmten Standort.

• Referenzpunkt: Nutzerstandort oder manuell festgelegt.
• Einheit: Meter oder Kilometer.
  → Beispiel: "Sortiere nach Entfernung: Nächste Filiale zuerst."

Ermöglichen Suchabfragen über hierarchisch verknüpfte Dokumente, z. B.:

• Suche nach Hauptdokumenten, die bestimmte Child-Dokumente enthalten.
• Filter nach Eltern- oder Kind-Feldern.
  → Beispiel: "Finde alle Bücher, die ein Kapitel mit dem Titel 'Solr' enthalten.

Übernimmt Inhalte direkt aus Datenbanken (z. B. MySQL, PostgreSQL) und macht sie in Solr durchsuchbar.

• Direkte Abfrage oder regelmäßige Synchronisation.
• Mapping von Datenbankfeldern zu Solr-Feldern.
  → Beispiel: Produktdaten aus einem Shop-System indexieren.

Übernimmt Inhalte aus strukturierten Dateien wie:

• XML (z. B. RSS-Feeds, Konfigurationsdateien).
• JSON (z. B. API-Daten, NoSQL-Datenbanken).
• CSV (z. B. Tabellen, Exporte).
  → Vorteil: Einfache Integration externer Datenquellen.

Verarbeitet klar gegliederte Datenfelder, z. B. aus:

• Datenbanken (MySQL, PostgreSQL).
• JSON (z. B. API-Antworten).
• XML (z. B. RSS-Feeds).
  → Vorteil: Präzise Suche und Filterung in strukturierten Daten.

Erfasst Inhalte ohne feste Datenstruktur, z. B.:

• Fließtexte (z. B. Blog-Artikel).
• Dokumente (z. B. PDFs, Word).
• E-Mails oder Chats.
  → Funktion: Automatische Tokenisierung und Normalisierung.

Aktualisiert nur neue oder geänderte Inhalte im Index – statt alle Daten komplett neu einzulesen.

• Spart Zeit und Ressourcen.
• Ideal für große Datenmengen.
  → Beispiel: Nur neue Blog-Artikel werden indexiert.

Übernimmt zusätzliche Informationen aus Dateien oder Datensätzen, z. B.:

• Titel, Autor, Datum.
• Schlagwörter, Kategorien.
• Technische Metadaten (z. B. Dateigröße, Format).
  → Anwendung: Filter nach Metadaten (z. B. "Zeige nur PDFs von Autor X an").

Macht neue oder geänderte Inhalte kurz nach der Indexierung durchsuchbar (typischerweise innerhalb von Millisekunden bis Sekunden).

• Voraussetzung: SolrCloud oder Commit-Strategie.
• Anwendung: Echtzeit-Suchen (z. B. in News-Portalen).
  → Vorteil: Aktualisierte Inhalte sind sofort auffindbar.

Speichert zusammengehörige Inhalte in einer hierarchischen Struktur, z. B.:

• Hauptdokument (z. B. ein Buch) mit Untereinträgen (z. B. Kapitel).
• Produkt mit Varianten (z. B. Farben, Größen).
  → Funktion: Gemeinsame Suche und Filterung über Eltern-Kind-Beziehungen.

Durchsucht Inhalte aus Dateien wie:

• PDFs (z. B. Handbücher, Whitepapers).
• Word-Dokumente (z. B. Verträge, Berichte).
• Präsentationen (z. B. PowerPoint-Dateien).
  → Voraussetzung: Text-Extraktion (z. B. über Apache Tika).

Liest Inhalte aus verschiedenen Dateiformaten aus, z. B.:

• PDF (auch gescannte Dokumente mit OCR).
• Office-Formate (DOCX, XLSX, PPTX).
• Bilddateien (Metadaten wie EXIF).
  → Tool: Apache Tika oder Solr Cell.
  → Vorteil: Volltextsuche in allen Dateitypen.

Kombiniert klassische Stichwortsuche mit semantischer Ähnlichkeitssuche für optimale Ergebnisse.

• Lexikalisch: Exakte Treffer (z. B. "TYPO3").
• Semantisch: Inhaltlich passende Ergebnisse (z. B. "CMS" für "TYPO3").
  → Vorteil: Höhere Trefferquote und bessere Nutzererfahrung.

Unterstützt Suchanfragen über mehrere Sprachen hinweg mit:

• Sprachspezifischen Analyzern (z. B. für Deutsch, Englisch, Französisch).
• Automatischer Spracherkennung.
  → Anwendung: Internationale Websites oder mehrsprachige Inhalte.

Findet Begriffe auch dann, wenn sie ähnlich klingen, z. B.:

• "Müller" vs. "Mueller".
• "Smith" vs. "Smyth".
• Algorithmen: Soundex, Metaphone, Beider-Morse.
  → Ideal für: Namenssuche oder fehleranfällige Eingaben.

Berücksichtigt nicht nur exakte Suchbegriffe, sondern auch deren Bedeutung und inhaltliche Zusammenhänge.

• Nutzt:
  • Wortvektoren (z. B. Word2Vec, BERT).
  • Thesauri oder Ontologien.
• Beispiel: Suche nach "Hund" findet auch "Canis lupus familiaris".
  → Voraussetzung: Semantische Modelle oder Knowledge Graphs.

Verarbeiten Inhalte je nach Sprache mit passenden Regeln, z. B.:

• Worttrennung (z. B. "Donaudampfschifffahrtsgesellschaft" → ["Donau", "Dampf", "Schiff", ...]).
• Grundformen (Stemming/Lemmatisierung).
• Sonderzeichen (z. B. Umlaute, Apostrophe).
  → Beispiel: Deutscher Analyzer für "ä" → "a", "ß" → "ss".

Erweitern Suchanfragen um sprachspezifische Bedeutungsvarianten, z. B.:

• Deutsch: "Auto" = "PKW" = "Fahrzeug".
• Englisch: "car" = "automobile" = "vehicle".
  → Konfiguration: Synonym-Listen pro Sprache.

Wandelt Zeichen aus unterschiedlichen Schriftsystemen in eine vergleichbare Schreibweise um, z. B.:

• Kyrillisch → Lateinisch (z. B. "Москва" → "Moskau").
• Chinesisch → Pinyin (z. B. "北京" → "Beijing").
  → Anwendung: Suche in internationalen Inhalten.

Findet Inhalte auf Basis inhaltlicher Ähnlichkeit statt nur über exakte Begriffe.

• Funktion:
  • Texte/Daten werden als Vektoren dargestellt.
  • Ähnlichkeit wird über Kosinus-Ähnlichkeit oder andere Metriken berechnet.
• Anwendung:
  • Empfehlungssysteme.
  • Ähnliche Dokumente oder Produkte.
    → Technologie: Solr mit Vector Search Plugin oder KI-Modelle.

Prüfen Berechtigungen direkt auf Ebene einzelner Dokumente, damit auch innerhalb eines gemeinsamen Index nur freigegebene Inhalte angezeigt werden.

• Dynamische Filter basierend auf Nutzerrechten.
• Keine manuelle Index-Pflege nötig.
  → Beispiel: In einem DMS sehen Nutzer nur Dokumente ihrer Abteilung.

Ermöglicht die getrennte Verwaltung und Suche für mehrere Organisationen, Bereiche oder Kunden innerhalb einer gemeinsamen Solr-Umgebung.

• Isolierte Indizes pro Mandant.
• Gemeinsame Infrastruktur, aber separate Daten.
  → Vorteil: Kosteneffizienz und Skalierbarkeit.

Ergänzen Suchanfragen um Berechtigungsregeln, damit unzulässige Inhalte bereits bei der Abfrage ausgeschlossen werden.

• Beispiel: q=* AND -secret:true → Blendet geheime Dokumente aus.
• Performance: Keine Nachfilterung nötig.
  → Anwendung: Sichere Suchen in sensiblen Umgebungen.

Filtert Suchergebnisse nach Berechtigungen oder Rollen, damit Nutzer nur Inhalte sehen, für die sie tatsächlich freigeschaltet sind.

• Beispiele:
  • Nutzerrolle: Admin sieht alle Dokumente, Gast nur öffentliche.
  • Mandant: Kunden sehen nur ihre eigenen Daten.
    → Anwendung: Intranets, geschützte Bereiche, Mandantensysteme.

Speichert häufig genutzte Daten oder Abfrageergebnisse zwischen, damit:

• Suchanfragen schneller beantwortet werden.
• Systeme entlastet werden.
• Typische Caches:
  • Query Result Cache (Suchergebnisse).
  • Document Cache (Dokumente).
  • Filter Cache (Facetten).
    → Konfiguration: Cache-Größe und -Dauer anpassen.

Ermöglicht den verteilten und ausfallsicheren Betrieb von Solr über mehrere Knoten hinweg.

• Automatische Sharding & Replication.
• Zentrales Management über eine Admin-Oberfläche.
• Skalierbarkeit durch Hinzufügen weiterer Knoten.
  → Ideal für: Große, kritische Suchanwendungen.

Sorgt dafür, dass bei Ausfall einer Instanz automatisch auf verfügbare Systeme umgeschaltet wird, damit die Suche weiterhin erreichbar bleibt.

• Automatische Erkennung von Ausfällen.
• Umschaltung ohne Downtime.
  → Anwendung: Kritische Suchanwendungen (z. B. E-Commerce).

Verteilt Suchanfragen auf mehrere Instanzen, damit:

• Last gleichmäßiger verarbeitet wird.
• Die Suche auch bei hohem Traffic stabil bleibt.
  → Technologie: Reverse Proxy (z. B. Nginx, HAProxy) oder SolrCloud.

Leitet Suchanfragen gezielt an die passenden Solr-Instanzen oder Datenbereiche weiter, damit Abfragen effizienter und schneller verarbeitet werden.

• Beispiel: Anfragen zu "Produkten" gehen an Shard A, Anfragen zu "Dokumenten" an Shard B.
  → Vorteil: Optimierte Performance für spezifische Abfragen.

Hält identische Kopien eines Index auf mehreren Instanzen bereit, um:

• Ausfallsicherheit zu erhöhen.
• Suchanfragen auf mehrere Systeme zu verteilen.
  → Vorteil: Hochverfügbarkeit und Lastverteilung.

Verteilt große Datenmengen auf mehrere Teilindizes (Shards), damit Suche und Indexierung performant und skalierbar bleiben.

• Automatische Verteilung der Daten.
• Parallelisierung von Abfragen.
  → Beispiel: 10 Mio. Dokumente auf 5 Shards verteilen.

Ermöglicht es, große Datenmengen und viele gleichzeitige Suchanfragen effizient zu verarbeiten, indem:

• Last auf mehrere Systeme verteilt wird.
• Indexierung und Suche parallel laufen.
  → Voraussetzung: SolrCloud oder manuelle Sharding/Replication.

Führt Suchabfragen parallel über mehrere Solr-Instanzen oder Datenbereiche aus und bündelt die Ergebnisse zu einer gemeinsamen Trefferliste.

• Vorteil: Schnellere Abfragen bei großen Datenmengen.
• Anwendung: Enterprise-Suchen mit Millionen von Dokumenten.

Bindet Inhalte aus externen Systemen, Datenbanken oder Schnittstellen an, damit sie gemeinsam indexiert und in der Suche nutzbar gemacht werden können.

• Beispiele:
  • Datenbanken (MySQL, PostgreSQL).
  • APIs (REST, GraphQL).
  • Cloud-Speicher (AWS S3, Google Drive).
    → Technologie: Solr Data Import Handler (DIH) oder Custom Plugins.

Ermöglicht das zuverlässige Ausgeben sehr vieler Suchergebnisse, ohne sie seitenweise abrufen zu müssen.

• Anwendung:
  • Datenexporte (z. B. für Backups).
  • Analysen (z. B. in BI-Tools).
  • Weiterverarbeitung (z. B. in anderen Systemen).
    → Technologie: Solr Cursor Mark oder Deep Paging.

Lässt sich an unterschiedliche Quellsysteme und Plattformen anbinden, z. B.:

• CMS: TYPO3, WordPress, Drupal.
• Shops: Magento, Shopware, WooCommerce.
• Portale: Intranets, Community-Plattformen.
• DAM/PIM: Digital Asset Management, Product Information Management.
• DMS: Dokumentenmanagement-Systeme.
  → Vorteil: Zentrale Suche über alle Systeme hinweg.

Erlaubt das Formulieren von Suchanfragen und Parametern in strukturierter JSON-Form.

• Vorteile:
  • Komplexe Abfragen übersichtlicher darstellbar.
  • Leichtere Integration in moderne Anwendungen.
• Beispiel:
  {
   "query": "TYPO3",
   "filter": "category:cms",
   "sort": "date desc"
  }

→ Anwendung: Frontend-Anwendungen mit JavaScript/React.

Ermöglicht den Zugriff auf Suche, Indexierung und Verwaltungsfunktionen über standardisierte HTTP-Anfragen.

• Endpunkte:
  • /select → Suche.
  • /update → Indexierung.
  • /admin → Verwaltung.
• Formate: JSON, XML, CSV.
  → Vorteil: Einfache Integration in jede Anwendung.

Erlaubt Such- und Analyseabfragen in einer SQL-ähnlichen Syntax, damit strukturierte Daten für viele Nutzer vertrauter und leichter zugänglich werden.

• Beispiel:
  SELECT title, price FROM products WHERE category = 'books' ORDER BY price DESC

→ Vorteil: Einfacher Einstieg für SQL-Entwickler.

Ermöglichen die Verarbeitung und Auswertung großer Datenmengen direkt in Solr, z. B. für:

• Aggregationen (z. B. Summen, Durchschnitte).
• Joins (z. B. Verknüpfung mehrerer Indizes).
• Analysen über mehrere Schritte hinweg.
  → Anwendung: ETL-Prozesse (Extract, Transform, Load).

Liefert Suchergebnisse in unterschiedlichen Ausgabeformaten, damit sie je nach Anwendungsfall:

• Weiterverarbeitet werden können (z. B. in Backend-Systemen).
• Exportiert werden können (z. B. für Excel).
• Direkt genutzt werden können (z. B. in Legacy-Systemen).
  → Beispiel: CSV-Export für Datenanalysen.