画像をFessで検索すると、説明やキーワードのほかに、ピクセル数、圧縮方式、カラープロファイルなどの値が本文へ並ぶことがありました。15.10向け開発ブランチでは、画像の本文へ追加するメタデータを、タイトルや説明などの項目に絞る変更がマージされています。
画像の本文に追加する項目を選ぶ
MIMEタイプがimage/で始まる文書には、新しいcrawler.metadata.content.image.includesが適用されます。値はカンマ区切りの正規表現で、メタデータ名全体への一致を判定します。初期値は次のとおりです。
crawler.metadata.content.image.includes=dc:title,dc:description,dc:creator,dc:subject,dc:rights,w:Comments,Exif IFD0:Image Description,Exif IFD0:Artist,Exif IFD0:Copyright,Exif IFD0:Windows XP .*,Exif SubIFD:User Comment,Object Name,Headline,Caption/Abstract,By-line,By-line Title,Credit,Source,Copyright Notice,Sub-location,City,Province/State,Country/Primary Location Name,Special Instructions,tEXt tEXtEntry,iTXt iTXtEntry,zTXt zTXtEntryEXIF・XMP・IPTCの説明、作成者、キーワード、著作権、地名、Windowsのプロパティ、PNGのテキストチャンクなどを対象にします。新しいキーが古い設定ファイルに存在しなくても、実装側の初期値が使われます。
たとえば説明とタイトルだけに絞る場合は、対応版のfess_config.propertiesで次のように設定できます。これは初期値のリストを置き換えるため、ほかに必要な項目があれば追加します。
crawler.metadata.content.image.includes=dc:title,dc:description設定を反映してクローラーを再起動し、対象画像を再取得するクロールで検索本文を比較します。空のリストは、画像のメタデータを本文に追加しません。これはOCRで抽出する文字自体を無効にする設定ではありません。画像以外のMIMEタイプには、この追加リストの制限は適用されません。
除外設定と抽出データを区別する
既存のcrawler.metadata.content.excludesは引き続き優先されます。初期値は次のとおりです。
crawler.metadata.content.excludes=resourceName,X-Parsed-By,Content-Encoding.*,Content-Type.*,X-TIKA.*,tk:.*,X-FESS.*追加リストに一致しても、除外リストにも一致する項目は本文へ入りません。一方、サイズやカメラ設定などの通常の画像メタデータは抽出データに残るので、crawler.metadata.name.mappingやスクリプトで利用できます。本文への追加と、抽出そのものの削除は別の処理です。
IPTCとXMPに異なる作成者がある場合、TikaはIPTCのBy-lineをdc:creator、XMP側をxmp:dc:creatorにすることがあります。後者は初期の追加リストに含まれないため、必要なら実際の抽出名を確認して追加します。
一時ファイル由来の情報は抽出結果から取り除く
関連するfess-crawlerの修正では、Tikaが画像の一時保存先について返すFile Name、File Size、File Modified Dateを抽出結果へコピーしなくなります。tikaExtractor-123.outのような名前や一時保存時刻は元画像の情報ではないためです。この除去に新しい設定スイッチはありません。
これら3項目は、本文追加リストに戻すだけでは復活せず、マッピングやスクリプトでも取得できなくなります。元ファイルのサイズや更新日時を使う連携は、抽出器が一時ファイルから返す値に依存していないか確認してください。
既存の画像は本文を再作成する
更新前に登録した画像の本文は自動では変わりません。変更のない文書を差分クロールが省略する場合もあるため、実際に画像を再取得して本文抽出する条件でクロールします。説明やキーワードでヒットすることと、カメラ由来の数値が本文やハイライトに混ざらないことを比較すると効果を確認できます。
PRではEXIF・XMP・IPTC・Windowsプロパティ・PNGテキストを持つ画像などを使って確認しています。説明を持たずカメラ情報だけの画像は、OCRが無効なら本文が空になる場合があります。メタデータを検索用に補っていた運用では、対象画像の代表例で確認してください。