Google Search Appliance

Transcripción

1 Google Search Appliance Introducción a la integración de contenido Agosto de Google 1

2 Integración de contenido En este documento se explican las funciones que puede usar para integrar contenido de varios repositorios en Google Search Appliance (GSA). Acerca de este documento La información y recomendaciones que se exponen en este documento se recopilaron gracias al trabajo que realizamos con distintos clientes y entornos del sector. Nos gustaría agradecer a nuestros clientes y partners que hayan compartido sus experiencias y puntos de vista con nosotros. Temas tratados Público objetivo principal Entorno de TI Fases de la implementación En este documento se explica cómo usar feeds, conectores y Conexión de cloud computing Gestores de proyecto, administradores de GSA y desarrolladores de conectores GSA y varios repositorios de datos externos, como sistemas de gestión de contenido empresarial, LDAP y Google Apps Configuración inicial de GSA Otros recursos Learngsa.com proporciona recursos formativos sobre GSA En la documentación de producto de GSA se ofrece toda la información sobre la solución El Portal de asistencia de Google for Work proporciona acceso a la asistencia de Google 2

3 Índice Acerca de este documento Introducción Capítulo 1 Feeds personalizados Tipos de feeds Modificar feeds Integridad de los feeds Prácticas recomendadas Seguridad Implementaciones a gran escala Capítulo 2 Consideraciones generales sobre conectores Tamaño de los repositorios de contenido Seguridad Ubicación física Personalización de los conectores Rendimiento Prácticas recomendadas para crear un conector Capítulo 3 Feeds o rastreador + servidor proxy o estructura para adaptadores o estructura para conectores? Usar la estructura para conectores Usar la estructura para adaptadores (también conocida como Plexi) Usar el rastreador a través de un servidor proxy Usar un cliente de feeds Capítulo 4 Conector de Google Search Appliance para SharePoint Transferencia Enlace en tiempo de compilación de grupos Dónde está mi archivo? Presentación Búsqueda segura Rendimiento para mostrar los resultados Conector integrado o externo Capítulo 5 Conector de Google Search Appliance para sistemas de archivos Transferencia Dónde está mi archivo? Presentación Búsqueda segura Conector integrado o externo Capítulo 6 Conector de Google Search Appliance para bases de datos Transferencia Dónde está mi registro? 3

4 Presentación Búsqueda segura Capítulo 7 Conector de Google Search Appliance para Lotus Notes Transferencia Dónde está mi documento? Presentación Búsqueda segura Consejos y trucos Capítulo 8 Conector de Google Search Appliance para Livelink Transferencia Dónde está mi registro? Presentación Búsqueda segura Capítulo 9 Conector de Google Search Appliance para EMC Documentum Dónde está mi registro? Presentación Búsqueda segura Capítulo 10 Conector de Google Search Appliance para IBM FileNet Transferencia Dónde está mi registro? Presentación Búsqueda segura Capítulo 11 Conector de Google Search Appliance para LDAP Dónde está mi registro? Presentación Búsqueda segura Limitaciones Capítulo 12 Arquitectura de implementación de conectores Capítulo 13 Conexión de cloud computing Solución de problemas Verificar las credenciales de OAuth Verificar el ID verificado principal Verificar la configuración del cortafuegos 4

5 Introducción Para poder realizar búsquedas, primero hay que indexar todo el contenido. Hay varias posibilidades: Rastreo: proceso mediante el cual se accede a los enlaces desde un punto de inicio, se descarga todo el contenido y se añade al índice. Rastreo a través de un servidor proxy: similar al proceso anterior, pero en este caso se utiliza un servidor proxy entremedio, por ejemplo, para añadir metadatos (es decir, microdatos, seguridad) o cambiar contenido. Rastreo de bases de datos: permite indexar las bases de datos mediante consultas SQL. Se usa una consulta JDBC SQL la cual se asigna del modelo de datos al formato de feeds. Alimentación: documento XML que representa el documento o el contenido y permite controlar los metadatos y la seguridad de cada documento. Conector: software que transfiere el documento del repositorio, normalmente un sistema DMS o CMS, y lo envía a GSA para que se indexe. En los capítulos siguientes se analizarán en profundidad las diferentes opciones de indexación y se explicarán las ventajas y desventajas de cada una de las soluciones. 5

6 Capítulo 1 Feeds personalizados Un feed es un documento XML que informa a Google Search Appliance de los contenidos que desea indexar. Se utiliza para enviar datos al dispositivo de búsqueda. Hay muchas razones para usar feeds, por ejemplo, estas: Acceso a contenido Enlaces de JavaScript Metadatos externos Listas de control de acceso (LCA) por URL Código de estado incorrecto Requisitos para una indexación urgente Acceso a contenido Puede interesarle usar feeds porque no existe una interfaz web u otra forma de acceder al contenido a través del rastreo estándar. En estos casos, la única opción es enviar un feed de contenido. Enlaces de JavaScript En algunos casos, las páginas web incluyen contenido generado mediante JavaScript o enlaces que GSA no puede rastrear. GSA solo admite enlaces habilitados para JavaScript en ciertos casos de JavaScript insertado. En ocasiones, sobre todo con el contenido que mayoritariamente se genera de forma dinámica, la única forma fiable de indexar todo el contenido de un sitio web es a través de feeds. Metadatos externos Quizá deba asociar metadatos externos con documentos. Las propiedades insertadas en documentos y las metaetiquetas en cabeceras HTML se asocian y se indexan automáticamente junto a los documentos. Pero si hay que incluir metadatos adicionales, por ejemplo, de un sistema de gestión de contenido, se pueden enviar a GSA mediante feeds. Listas de control de acceso (LCA) Si necesita usar funciones avanzadas de las LCA por URL para la autorización, como espacios de nombre y distinción entre mayúsculas y minúsculas, deberá usar un feed. Uso incorrecto del código de estado HTTP 200 En algunos casos, con las páginas eliminadas no se muestra el código de estado 404. Si una URL devuelve una página de error con el código de estado correcto 200, GSA la considera como una página existente y la indexa. La mejor solución para evitarlo es enviar feeds de eliminación. Requisitos para una indexación urgente Es posible que tenga documentos nuevos o modificados que deban indexarse de forma inmediata. En el caso de comunicados de prensa u otro tipo de contenido para el que el tiempo sea crucial y que deba incluirse en el índice en seguida, lo mejor es enviar feeds porque, aunque la URL ya se encuentre en el índice o el contenido haya cambiado, GSA lo moverá al principio de la cola de rastreo. 6

7 Tipos de feeds Google Search Appliance admite los dos tipos de feed siguientes: Feeds web/de metadatos y URLs Feeds de contenido Feeds web/de metadatos y URLs Este tipo de feeds proporciona al dispositivo de búsqueda una lista de URLs y de metadatos. GSA es igualmente el sistema encargado de rastrear las URL. Al enviar un feed de metadatos y URLs no solo se adjuntan metadatos adicionales al documento en cuestión, sino que también se activa un nuevo rastreo del contenido. Las URL insertadas en los documentos también se rastrearán si coinciden con los patrones que se definan en Patrones de Seguir. Feeds de contenido Un feed de contenido proporciona al dispositivo de búsqueda ambas URL y el contenido correspondiente. Puede ser de uno de estos tipos: Feed completo Feed incremental En el caso de los feeds completos, antes de indexar contenido nuevo se elimina el contenido antiguo con las mismas URL. Con los feeds incrementales, si en el contenido solo hay los metadatos enviados, se modificarán los metadatos, y al revés. También se rastrearán las URL que aparecen insertadas en estos documentos si coinciden con los patrones definidos en Seguir y rastrear. Modificar feeds No es posible modificar los feeds completos (si conservan el mismo nombre de la fuente de datos). Si envía feeds completos y luego envía feeds incrementales, los documentos del feed original se eliminan del índice. Esto significa que si el contenido que se envía mediante feed podría cambiar algún día, hay que usar siempre feeds incrementales con los feeds de contenido. Si envías un feed incremental con metadatos cambiados, los metadatos nuevos sustituyen a los que ya existían. Nota: No es posible modificar elementos de metadatos individuales. Hay que cambiar todos los campos al mismo tiempo. Integridad de los feeds Un cliente de feeds bien diseñado no solo envía feeds, sino que también se asegura de que los documentos que se envíen se indexen correctamente. En primer lugar, los feeds se procesan previamente para verificar el formato y se comparan con los patrones de URL Seguir y rastrear y Patrones de No seguir. Si son feeds del tipo metadatos y URLs, GSA intenta rastrearlos. De lo contrario, el contenido se indexa directamente. En esta fase pueden producirse errores. El cliente de feeds puede usar la API de administración de GSA para verificar el estado en ambas fases: Obtener la información del feed de la fuente de datos Obtener el estado del documento 7

8 Prácticas recomendadas Estas son las características que debería tener una solución correctamente desarrollada y en la que se utilicen feeds: Pocos nombres de fuente de datos. GSA hace un seguimiento del estado de los feeds en los archivos. Si hay demasiadas fuentes de datos, significa que habrá demasiados archivos, lo que perjudicará el rendimiento de la Consola del administrador. La mayoría de las veces, una fuente de datos corresponde a una fuente de contenido. Archivo de feed grande con muchos documentos. Un archivo de feed tiene un tamaño máximo de 1 GB. Para GSA resulta mucho más eficaz procesar un archivo de feed grande con muchos documentos que muchos pequeños que contengan uno o muy pocos documentos. Pero hay que sopesarlo porque, en caso de producirse un error con el feed grande, habría que volver a enviar muchos documentos. Compresión de feeds grandes para mejorar el rendimiento. Codificación Base64 si los metadatos incluyen caracteres que no son ASCII. Propiedad "last modified" para que GSA pueda procesar archivos de feed más rápidamente. Si envía feeds de contenido que únicamente contienen texto, la capacidad de procesamiento es mucho mayor que si se envían archivos reales codificados en Base64 que luego tendrían que descodificarse y, posiblemente, convertirse en HTML (como sucede con los documentos de Word, archivos PDF, etc.). Las tareas pendientes de los feeds se pueden leer en Un buen cliente de feed tendrá opciones de configuración para especificar las tareas pendientes máximas. Luego el cliente de feeds lo comprobaría en GSA antes de enviar cada feed y el proceso se detendría en caso de superarse la configuración del registro. Para aumentar todavía más la velocidad de procesamiento de los feeds, aplique una operación por turnos en varios nombres de fuentes de datos (p. ej., 3), ya que se procesarán en paralelo. Cuando se envíen LCAs por medio de feeds, utilice los elementos de herencia para reducir el impacto tanto en el sistema de contenido como en el índice de GSA. No es posible cambiar la distinción entre mayúsculas y minúsculas en las LCA una vez que se han enviado mediante feed. El comportamiento de esta característica depende del sistema de contenido y hay que valorarla durante el diseño inicial del cliente de feeds. 8

9 Seguridad Si se usan feeds de metadatos y URLs, el atributo authmethoddel registro de feeds ayuda a GSA a decidir qué protocolo de autenticación utilizar al rastrear URLs. También indica si hay que retirar las URL de la búsqueda pública (cualquier otro valor distinto a authmethod= none ). A partir de la versión 7.2 de GSA se recomienda usar siempre el atributo authmethod, incluso para none. Sin embargo, usar authmethodno aporta ninguna flexibilidad. Si hay que introducir algún cambio, habrá que volver a enviar feeds. Una mejor solución sería: 1. Definir el atributo en un valor fijo, como httpbasic. 2. Configurar "Acceso del rastreador" o "Autenticación de formularios" en Fuentes de contenido > Rastreo de la Web > Rastreo seguro en la Consola del administrador. Puede clasificar el contenido como público o protegido en un instante con solo marcar o desmarcar la casilla Hacer público en la página Fuentes de contenido > Rastreo de la Web > Rastreo seguro > Acceso del rastreador. Implementaciones a gran escala Tenga en cuenta las consideraciones siguientes si va a diseñar feeds para implementaciones avanzadas: En una configuración de duplicación, los feeds solo se pueden enviar al nodo principal. En una configuración de rastreo y publicación distribuidos, los feeds solo se pueden enviar a los nodos principales. En una configuración de agrupación, los feeds se pueden enviar a cualquier nodo. 9

10 Capítulo 2 Consideraciones generales sobre conectores Los conectores pueden ampliar el alcance de Google Search Appliance a repositorios que no están basados en la Web, como sistemas de gestión de contenido empresarial (ECM), con lo que los usuarios disponen de más contenido en el que realizar búsquedas. Google Search Appliance ofrece conectores para los siguientes repositorios de documentos: Microsoft SharePoint Microsoft Active Directory Sistemas de archivos Bases de datos Lotus Notes Open Text Livelink EMC Documentum IBM FileNet LDAP En GSA 7.2 se han introducido versiones beta del conector 4.0. Este documento se centra en la versión 3.2 estable de los conectores. Para descubrir documentos en un repositorio de documentos a través de un conector, Google Search Appliance no rastrea el contenido. Utiliza un proceso de transferencia mediante el cual el conector envía consultas al repositorio para obtener datos de los documentos y enviarlos mediante feeds al dispositivo de búsqueda para su posterior indexación. En el diagrama siguiente se ofrece una visión general de los componentes de una solución basada en conectores. 10

11 Los conectores no solo permiten a Google Search Appliance buscar y mostrar documentos almacenados en repositorios no basados en la Web, sino que también permiten a GSA rastrear interfaces web en determinadas circunstancias, como las siguientes: Cuando el dispositivo de búsqueda no puede abarcar todos los documentos debido a la complejidad de los sitios web, como un uso amplio de JavaScript Cuando los metadatos asociados a documentos no están insertados en estos últimos (p. ej., si una base de datos aparte contiene metadatos adicionales sobre los documentos) A la hora de planificar la implementación de un conector, hay que tener en cuenta varios factores como, por ejemplo, estos: Tamaño de los repositorios de contenido Seguridad Ubicación física Personalización de los conectores Tamaño de los repositorios de contenido El primer factor que hay que tener en cuenta es el tamaño de los repositorios de contenido. Cuanto más grande sea el repositorio, más tardará en transferirse. En algunos conectores es posible reducir el tiempo de transferencia a través de varias instancias del conector, aunque hay que procurar no duplicar el contenido. El tamaño del contenido también podría afectar a la tipología de la implementación. Los conectores se suelen implantar en servidores independientes a GSA. Sin embargo, el dispositivo de búsqueda cuenta con varios conectores integrados, que pueden ejecutarse sin necesidad de añadir hardware. Los conectores integrados son conectores para SharePoint, archivos compartidos y LDAP. Si los conectores integrados están disponibles, Google recomienda usarlos solo si el repositorio tiene menos de documentos. En implementaciones de mayor envergadura, los conectores integrados deben consumir más recursos de GSA, lo que afecta al rendimiento general del dispositivo de búsqueda. Por otro lado, los conectores externos al dispositivo de búsqueda permiten personalizar la configuración del hardware y ofrecen mayor control para operar, solucionar problemas y actualizar los conectores. Seguridad Otro factor determinante a la hora de planificar la implementación de los conectores es la seguridad. Los conectores admiten tanto la autenticación (AuthN) de un usuario y de la resolución de grupos como la autorización (AuthZ) de los resultados de búsqueda. Los conectores se suelen usar únicamente para las autorizaciones. Pueden usar APIs nativas disponibles en los repositorios de contenido. El sistema de autenticación para búsquedas seguras debe planificarse detenidamente y concentrarse en uno o dos mecanismos que admita el dispositivo de búsqueda, como Kerberos, formularios o SAML. El objetivo es definir la identidad del usuario para que los conectores puedan llevar a cabo la autorización. 11

12 Ubicación física Si Google Search Appliance se utiliza para indexar fuentes de contenido en distintos centros de datos, la ubicación física de los conectores es un factor importante. Si un conector se encarga de la autorización al mostrar los resultados, la arquitectura de implementación debe incluir al menos tres elementos: Google Search Appliance Fuentes de contenido Conector Para reducir la latencia, al menos dos de estos tres componentes deberían estar presentes. Personalización de los conectores A veces es necesario modificar el comportamiento de un conector. Por ejemplo, quizá le interese añadir la capacidad de autenticación al conector de Google para bases de datos. El diseño del administrador de conectores facilita esta personalización. El administrador utiliza la estructura Spring, la cual permite sustituir fácilmente las implementaciones de la SPI del administrador de conectores por la suya. Otra función importante y relativamente nueva del administrador de conectores es Filtro de documentos. Con esta función se pueden añadir, retirar o modificar las propiedades de un documento, incluido el contenido. Se pueden asociar varios filtros para formar una cadena de procesamiento de documentos. Por ejemplo, si en el sistema de contenido hay algunos documentos encriptados, puede desencriptarlos mediante un filtro de documento personalizado antes de introducirlos en GSA. Rendimiento Las máquinas virtuales pueden ralentizar la transferencia mucho más que los servidores reales si el hardware compartido está sobrecargado. Si utiliza servidores virtuales asegúrese de que el tamaño del servidor host sea adecuado y de que los servidores virtuales tengan más capacidad que los requisitos mínimos que necesitan los conectores. 2 GB de memoria (en cada administrador de conectores); el tamaño se puede seleccionar durante la instalación 20 GB de disco duro 2,4 GHz de CPU Además, en los parámetros de consulta de las búsquedas en GSA, incluya filter=po filter=0. Esto minimiza el número de solicitudes de autorización necesarias en cada consulta de búsqueda. Si desea obtener información detallada sobre estos parámetros de consulta, lea Referencia sobre el protocolo de búsqueda. Le recomendamos que supervise los recursos de CPU, de memoria y de disco para solucionar problemas relacionados con la capacidad del conector o del servidor subyacente. 12

13 Prácticas recomendadas para crear un conector Los conectores que utilizan la biblioteca de estructura para conectores implementan una serie de interfaces de programación. Esta biblioteca es de código abierto, lo que significa que, además de los conectores que admite Google y sus partners, puede ampliar el alcance de la implementación mediante conectores personalizados para las fuentes de contenido que necesite. El administrador de conectores basado en Java proporciona las ventajas siguientes como estructura para crear un conector personalizado: Interfaces bien definidas para configurar los protocolos de transferencia y de seguridad Compatibilidad integrada de varios hilos para ajustar con eficacia la transferencia, la programación y la carga de host Categorías de herramientas que gestionan tareas comunes Estructura totalmente compatible que se actualiza periódicamente para aprovechar las funciones más nuevas de Google Search Appliance En la lista siguiente se incluyen prácticas recomendadas para crear un conector: Empiece con el conector "Hello World" en la guía de conectores para desarrolladores Responda siempre a estas tres preguntas: Qué hay que hacer para introducir (rápidamente) el contenido en GSA la primera vez? Cómo puedo hacer un seguimiento de los documentos que se han modificado o añadido y con qué rapidez se descubren? Cómo puedo retirar documentos eliminados del índice? El objetivo del prefijo googleconnector://es que GSA identifique qué instancia de conector es responsable de la autorización de determinadas URL del índice. Se puede modificar el administrador de conectores para enviar URLs auténticas en lugar de esta URL ficticia. Como resultado, se obtendría una mejor relevancia. No es necesario que el conector realice las autorizaciones. Un proveedor SAML podría hacerlo perfectamente. Hay veces en las que evitar el uso del conector para autorizaciones permite simplificar la arquitectura de diseño y mejorar el rendimiento. Por ejemplo, un servidor de aplicaciones puede disponer de un servicio SAML o de un servicio web personalizado para llevar a cabo las autorizaciones. Si en estas URL se definen LCA por URL, se usarán las LCA como mecanismo de autorización. Lo más probable es que no sea necesario realizar la autenticación mediante conector porque para todos o la mayoría de los sistemas de contenido se usará algún tipo de autenticación silenciosa. En cambio, el conector únicamente está relacionado con la autorización de documentos. 13

14 Capítulo 3 Feeds o rastreador + servidor proxy o estructura para adaptadores o estructura para conectores? Es posible que deba elegir entre estas opciones: conector basado en la estructura para conectores de Google, estructura para adaptadores de Google (conocida también como Plexi), rastreo a través de un servidor proxy o un cliente de feeds. A continuación se incluyen algunos argumentos que le ayudarán en su decisión. Usar la estructura para conectores La estructura para conectores de Google se basa en feeds. Estas son sus principales funciones: Configuración, programación, integración de interfaz y muchas otras herramientas URLs con formato especial que permiten a GSA dirigir las solicitudes de autorización a los conectores (es decir, googleconnector://) La estructura para conectores ofrece muchas funciones útiles, pero cuando se implementa un conector personalizado por primera vez, deberá dedicar tiempo a analizarlo bien. Estos son los casos en los que sería adecuado desarrollar un conector personalizado: Hay que aplicar la autorización con enlace en tiempo de ejecución y el sistema de contenido ofrece una API para verificar el acceso de un usuario a los documentos Hay que volver a usar el conector para otras implementaciones de GSA Aunque no utilice toda la estructura para conectores, hay herramientas que le pueden servir para su solución basada en feeds, como el administrador de feeds de GSA, que se describe en el siguiente apartado. Encontrará la estructura para conectores en enterprise connector manager/. Usar la estructura para adaptadores (también conocida como Plexi) La nueva versión de la estructura para conectores se denomina "adaptador" y el nombre interno es Plexi. Esta estructura es una versión completamente renovada de la anterior y el principal cambio se encuentra en el proceso de arquitectura, que ahora se basa en el patrón Lister/Retriever. La arquitectura de adaptadores Lister/Retriever ofrece muchas ventajas para acceder a contenido de manera aleatoria mediante feeds de contenido: simplicidad, escalabilidad, autorecuperación, falta de estado, operación transparente (supervisión y depuración simples). Además, se reutiliza la infraestructura que ya existe. En esta batería de preguntas y respuestas para desarrolladores encontrará información sobre el desarrollo de la estructura para adaptadores. En el enlace siguiente encontrará el repositorio de la estructura para adaptadores: 14

15 Usar el rastreador a través de un servidor proxy El servidor proxy se puede usar con el rastreador en dos casos: Como requisito de un sistema para controlar el rastreador de GSA y usar el almacenamiento en caché del servidor proxy para evitar una sobrecarga de la red o únicamente para controlar el rastreador de GSA Como herramienta para rescribir el código HTML al momento e incluir en los metadatos o en el contenido información nueva, información extraída del contenido o incluso de otras fuentes, como bases de datos Es en este segundo caso, en el que se reescribe el servidor proxy, donde hay más ventajas para el proceso de integración de contenido, sobre todo si no hay metadatos. Los metadatos se pueden extraer del contenido y añadirse como metadatos normales del encabezado del documento. Los microformatos serían un ejemplo típico. Usar un cliente de feeds Como alternativa para crear conectores personalizados, le recomendamos que considere la posibilidad de usar feeds. Dado que es más fácil crear feeds, estos son los casos más adecuados para ello: Es fácil consultar contenido nuevo o modificado. Dispone de un activador de eventos o de un sistema de supervisión para contenido nuevo o modificado. El sistema de contenido no admite APIs cliente basadas en Java. El lenguaje de desarrollo no es Java. La integración se hace en una sola vez (es decir, no habrá que indexar más). Los documentos se consideran públicos, no protegidos, o hay que usar la autorización basada en LCAs por URL. Para enviar un feed al dispositivo de búsqueda, se necesita un cliente de feeds. Una de las herramientas que permite usar feeds para enviar datos a GSA es el administrador de feeds. Si desea obtener más información al respecto, consulte La asistencia de Google for Work no admite el administrador de feeds de GSA. Si desea obtener más información sobre los feeds, consulte la guía de protocolo de feeds para desarrolladores. 15

16 Capítulo 4 Conector de Google Search Appliance para SharePoint El conector Microsoft SharePoint permite a Google Search Appliance indexar y realizar búsquedas en archivos de contenido y en metadatos almacenados en Microsoft SharePoint. Si utiliza el conector para Microsoft SharePoint, necesitará estos componentes: Conector integrado o bien conector externo, en otro host Conjunto de servicios web personalizados, es decir, servicios de Google para SharePoint [Opcional] Cuadro de búsqueda de Google para SharePoint, que sustituye al cuadro de búsqueda integrado en la interfaz web de SharePoint Si no se puede habilitar Kerberos en Google Search Appliance, también necesitará SAML Bridge para Windows. 1. Estos son los pasos de un proceso de implementación normal: 2. Instale los servicios de Google para SharePoint en las interfaces web de SharePoint. 3. Instale y configure el conector para SharePoint y compruebe que GSA indexa el contenido. 4. Configure la seguridad del tiempo de búsqueda (autenticación y autorización) y compruebe que la autenticación silenciosa funciona, en caso de que se requiera este tipo de mecanismo. 5. (Opcional) Si quiere que los usuarios utilicen Google Search Appliance sin abandonar la interfaz de SharePoint, instale el cuadro de búsqueda de Google para SharePoint y compruebe que la búsqueda segura funciona desde las interfaces web de SharePoint. Transferencia El rendimiento de la transferencia, que es el tiempo que tarda el conector en completar la transferencia durante la implementación inicial, se ve afectado por muchos factores. Por ejemplo: Velocidad de transferencia configurada Rendimiento del servidor que aloja el conector para SharePoint Rendimiento de la interfaz web de SharePoint Número de documentos, colecciones de sitios y profundidad de los sitios De media, el conector puede transferir casi un millón de documentos al día. Para aumentar la rapidez con la que se transfiere contenido, hay que: Incrementar la velocidad de transferencia Configurar varias instancias del conector 16

17 Incrementar la velocidad de transferencia Asegúrese de que hay suficiente memoria disponible. Para ello, supervise el consumo de memoria del servidor host. El tamaño predeterminado de la memoria asignada es de 2 GB. Si es insuficiente, lo puede incrementar. Asegúrese también de que el servidor SharePoint tiene capacidad para gestionar la carga de consultas. Configurar varias instancias del conector Configure varias instancias del conector; cada una de ellas deberá gestionar parte de los sitios. Para ello, utilice los patrones de exclusión de la página de configuración. Por ejemplo, si hay cientos o miles de colecciones de sitios, divida las conexiones de sitio de primer nivel que deberán asignar las diferentes instancias del conector de la siguiente manera: la instancia A gestionará los nombres de sitio de la "a" a la "c" y la instancia B se encargará de los nombres de sitio de la "d" a la "f". Enlace en tiempo de compilación de grupos A partir de la versión 3.0 se introdujo un nuevo conector de Google Search Appliance para Active Directory Groups. Es una solución de seguridad en lugar de la adquisición de contenido. Sustituye los métodos de versiones anteriores de enlace en tiempo de compilación para la resolución de grupos por el enlace en tiempo de ejecución a través de la transferencia y del almacenamiento de ambos grupos de Active Directory en su propia base de datos. El conector para SharePoint 3.0 incluye un conector para Active Directory. Además de los grupos de Active Directory, también se necesitan grupos locales de SharePoint para llevar a cabo autorizaciones basadas en LCA. El conector para SharePoint obtiene y almacena ambos en una base de datos. En el caso de un conjunto de servidores de dominio Windows o SharePoint grande, este proceso se añadirá al tiempo que tarda en realizarse la transferencia. Dónde está mi archivo? Cuando el conector para SharePoint recorre todas las colecciones de los sitios y subsitios utiliza una transferencia de búsqueda en profundidad. Si la colección del sitio es muy profunda, el contenido de la siguiente colección de sitio puede tardar mucho tiempo en mostrarse. Antes de verificar si un determinado documento está indexado, compruebe el valor de FullRecrawlFlag de un sitio web en sharepoint_state.xml, en el directorio de la instancia del conector. Un archivo XSL permite que el archivo de estado sea más legible. Descargue el archivo (SharePointStateReport.xslt) en esta dirección: enterprise connector sharepoint/downloads/list. Si ha configurado patrones de exclusión en el conector para SharePoint, se puede tardar mucho en indexar una pequeña cantidad de documentos, porque se descubren muchos documentos que luego se descarta. Si se usan feeds de metadatos y de URLs, los encontrará fácilmente en la sección Índice > Diagnóstico > Diagnóstico del índice de la Consola del administrador. Si emplea feeds de contenido, las URL de SharePoint no se usan como URLs de registros en los feeds. La URL visible será la URL real en el servidor SharePoint. De forma predeterminada, los elementos de las listas de SharePoint se indexan mediante la sintaxis googleconnector://...?docid= GSA los rastrea como documentos distintos. Para localizar los documentos en Diagnóstico del índice, deberá buscar la 17

18 URL de registros a través de la URL visible. A partir de la versión 6.8 de GSA, se pueden usar URLs visibles para site: y para inurl: En primer lugar realice una búsqueda con esta sintaxis: inurl:<fragmento de la URL de SharePoint>. Asegúrese de que tiene permiso para acceder al archivo. Busque el archivo en los resultados de búsqueda y haga clic en el enlace de almacenamiento en caché. Al principio de la página almacenada en caché, encontrará la URL de registros que empieza por "googleconnector://". Utilícela para buscar el documento en Diagnóstico del índice. Para saber si un documento se ha descubierto y luego excluido, revise el archivo excluded_url.txt en el directorio de la instancia del conector para comprobar que no se esté excluyendo nada que no quiera. El conector para SharePoint utiliza librerías de análisis de patrones de expresiones regulares diferentes a las que usa GSA. Cuando introduzca patrones de inclusión/exclusión siga la documentación. Presentación El contenido de SharePoint se puede mostrar directamente desde Google Search Appliance o en la interfaz web de SharePoint. En el último caso, habrá que instalar el cuadro de búsqueda para SharePoint. Cuadro de búsqueda de Google para SharePoint Este cuadro de búsqueda ofrece una experiencia integrada y un diseño similar al de la búsqueda nativa de SharePoint. En lugar de usar el motor de búsqueda de SharePoint, el cuadro de búsqueda envía solicitudes al dispositivo de búsqueda. Proporciona experiencias de autenticación silenciosas para un usuario autenticado si el protocolo de seguridad es Autenticación de Windows integrada y también admite búsquedas públicas (es decir, documentos no protegidos). Búsqueda segura La autenticación silenciosa suele ser un requisito muy habitual para las búsquedas seguras. Se consigue a través de vías muy distintas. Los dos diagramas siguientes le ayudarán a decidir qué componentes usar. El diagrama siguiente muestra la autenticación silenciosa sin el cuadro de búsqueda para SharePoint. (HR significa "solicitud HEAD de HTTP"). 18

19 El diagrama siguiente refleja la autenticación silenciosa con el cuadro de búsqueda para SharePoint. "Sin Kerberos" significa que se utiliza NTLM. 19

20 Si desea obtener información detallada sobre el cuadro de búsqueda de Google para SharePoint, consulte esta página de la wiki: google enterprise connector sharepoint. Para obtener información específica sobre SAML Bridge para Windows, consulte Habilitar la autenticación integrada en Windows. Rendimiento para mostrar los resultados Para garantizar un rendimiento óptimo a la hora de mostrar los resultados, siga estas directrices (por orden de preferencia): Utilice LCAs para las autorizaciones. A partir de la versión 2.8 ya se admite el uso de LCAs. Esta función puede proporcionar un rendimiento óptimo. A partir del conector 3.0, la resolución de grupos (tanto Active Directory Groups como SharePoint) pasó a ser de enlace en tiempo de compilación por medio del conector de Google Search Appliance para Active Directory Groups. Estas nuevas funciones mejoraron considerablemente el rendimiento de las autorizaciones. Utilice el conector para realizar la autorización en lugar de solicitudes HEAD, si es posible. Tanto si GSA se configura con Kerberos como si se configura con SAML Bridge, se pueden realizar solicitudes HEAD. Si utiliza SAML Bridge para la autorización, deberá habilitar Utilice solicitudes de autorización SAML en lote en la página Búsqueda > Búsqueda segura > Control de acceso. Conector integrado o externo En el caso del conector para SharePoint 3.0, le recomendamos que lo utilice siempre de forma externa, con una base de datos no integrada. Para partners oficiales de GSA, consulte los puntos de interrupción de GSA en Google for Work Connect (en la sección sobre implementaciones). 20

21 Capítulo 5 Conector de Google Search Appliance para sistemas de archivos Si quiere indexar archivos compartidos, Google recomienda utilizar el conector para sistemas de archivos. La pasarela de sistema de archivos integrada dejó de estar operativa en la versión 7.2. En la versión 3.2 del conector para sistemas de archivos se han introducido cambios importantes. Funciona de manera bastante distinta a los otros conectores. Transferencia El conector 3.0 se basa en el modelo "Lister/Retriever": descubre documentos y envía las propiedades de archivo y LCAs a GSA mediante feeds de metadatos y de URLs. GSA rastreará los archivos a través del conector para sistemas de archivos. La frecuencia de rastreo y demás comportamientos son los mismos que para el rastreo web. Dónde está mi archivo? En la versión 3.0, el conector para sistemas de archivos introduce los archivos en GSA mediante una URL que presenta este formato: host:port>/connector manager/getdocumentcontent?connectorname=<connector name>&docid=smb://<path to file>. Observe que la URL ya no empieza por "googleconnector://". Dado que el enlace termina con la ruta al archivo real, el término de consulta filetypefunciona. También significa que Patrones de No seguir funciona para la exclusión de la extensión de archivo. La mejor manera de comprobar si un archivo está indexado es mediante la página Índice > Diagnósticos > Diagnóstico del índice o realizar una búsqueda de inurl:<ruta del archivo>. El conector para el sistema de archivos también filtra por tipos MIME. Para ello, compara el tipo MIME de un archivo con la configuración de exclusión del tipo MIME del conector. Presentación El enlace al archivo de los resultados de búsqueda empieza por file://. Cuando recibe un clic, no siempre abre el archivo. Para que se abra con un clic, deberá personalizar la interfaz de GSA. Tenga en cuenta las diferencias de un navegador a otro. Búsqueda segura El conector para sistemas de archivos envía entradas de LCA para cada archivo que descubre y las LCA por URL se almacenan en el índice de GSA. Esto permite la escalabilidad del conector para poder gestionar millones de documentos. A partir de la versión 7.0, Google Search Appliance admite LCAs de tipo deny e inheritance. El conector para Active Directory Groups se necesita para resolver grupos y usar las LCA del conector para sistemas de archivos. 21

22 Conector integrado o externo En la versión 6.8 y superiores, GSA proporciona un conector para sistemas de archivos integrado que puede usarse para implementaciones ligeras. Sin embargo, extraer el conector para sistemas de archivos tiene varias ventajas: Escalabilidad para gestionar archivos compartidos muy grandes Funciona con la duplicación de GSA Más fácil de arreglar cuando hay un problema Las configuraciones avanzadas no están disponibles a través de la Consola del administrador Para partners oficiales de GSA, consulte los puntos de interrupción de GSA en Google for Work Connect (en la sección sobre implementaciones) 22

23 Capítulo 6 Conector de Google Search Appliance para bases de datos Google Search Appliance admite dos formas de rastrear una base de datos: Rastreador de bases de datos integrado (en desuso a partir de la versión 7.2) Conector para bases de datos Es preferible usar el conector para bases de datos que el rastreador de bases de datos integrado en el dispositivo de búsqueda, ya que proporciona dos funciones importantes que no ofrece este último: Búsqueda segura Rastreo programado Transferencia El conector para bases de datos funciona en distintas situaciones, por ejemplo: Si cada fila se considera un documento distinto Si hay un campo BLOB/CLOB en la columna de resultados de la consulta Si la URL está asociada a un registro de base de datos Si cada fila se considera un documento distinto En estos casos hay que indexar los registros de las bases de datos y cada fila debe considerarse un documento diferente. Tenga en cuenta que la consulta del conector podría agrupar muchos registros de bases de datos en un único registro desde la perspectiva del conector. Esta opción es más habitual que el módulo OneBox para mostrar contenido de bases de datos principalmente por estos dos motivos: Cuando se indexan los registros de bases de datos, ofrecen una mejor relevancia Dado que para mostrar contenido transferido por el conector para bases de datos no hay que hacer consultas a la base de datos, esta opción suele ofrecer un rendimiento muy superior porque los resultados se obtienen directamente del índice A continuación se explica cómo se indexan los registros en este caso: Cada fila se convierte en un archivo XML con los nombres de columna como nombres de elemento XML. Se generan los feeds de contenido y la URL principal presenta este formato: googleconnector://localhost/<host name>/docid DocID es una codificación Base64 de las claves principales de la consulta de transferencia. Las URL visibles presentan este formato: dbconnector://<host name>/<database name>/<docid> 23

24 Antes de que el documento se envíe al dispositivo de búsqueda, se aplica un archivo de hoja de estilo XSL para transformar el archivo XML en formato HTML. El conector proporciona una hoja de estilo predeterminada que se puede personalizar para casos concretos, por ejemplo: Indexar algunas columnas como metadatos transformando elementos XML asociados como cabeceras de metadatos HTTP Si se siguen las prácticas recomendadas de SEO, crear archivos HTML que harían más relevantes ciertas columnas de la base de datos (p. ej., cabeceras HTML, texto en negrita, tamaños de fuente) Campo BLOB/CLOB en la columna de resultados de la consulta Cuando hay un campo BLOB/CLOB en la columna de resultados de la consulta, los feeds de contenido se generan con los datos del campo BLOB/CLOB que se tratan como un documento y el resto las columnas como metadatos. El tipo MIME del documento se omite si hay que excluir el tipo MIME, según la configuración del administrador de conectores. URL asociada a un registro de base de datos Si hay una URL asociada a un registro de base de datos, el conector envía los feeds de metadatos y URLs. Velocidad de transferencia El conector para bases de datos hace el seguimiento de los cambios de un registro. Para ello, hace una instantánea de cada archivo. Cuando se realiza una consulta a un conjunto de datos grande, el conector para bases de datos devuelve los resultados por lotes. Si la velocidad de transferencia es demasiado baja, el proceso tardará mucho. Si, por el contrario, es demasiado alta, la consulta a la base de datos se puede colgar. Es importante encontrar la velocidad de transferencia adecuada. Google recomienda definir la velocidad de transferencia entre y documentos por minuto. Dónde está mi registro? Los ID de los documentos indexados son el total de los valores clave principales. Por eso no hay una forma fácil de encontrar un registro en los diagnósticos de rastreo. La mejor forma de comprobarlo es buscar los valores directamente. Presentación Cuando cada registro se trata como un documento distinto y se envían feeds de contenido, le URL visible empieza por "dbconnector://". En la interfaz predeterminada, se transforman en enlaces a resultados almacenados en caché. Durante la publicación de contenido no se envían consultas a GSA. Búsqueda segura Cuando el conector para bases de datos está configurado para enviar feeds de metadatos y URLs, el conector no realiza la autorización de los documentos. El conector para bases de datos es compatible con el mecanismo de autorización; utiliza una consulta de la base de datos para feeds de contenido, que necesita una identidad verificada. Las identidades verificadas se pueden obtener por varias vías. Si desea obtener información detallada sobre identidades verificadas, consulte Gestionar la búsqueda para contenido con acceso controlado. 24

25 El administrador debe especificar la consulta de autorización con variables para los nombres de usuario y los ID de documento. Cuando se configura una instrucción SQL, todos los registros de feed incluirán el atributo authmethod="httpbasic", el cual indica que el contenido está protegido. El conector para bases de datos no ofrece una interfaz para la autenticación mediante conector en las búsquedas seguras. La autenticación debe llevarla a cabo otros componentes de GSA, como Kerberos o el sistema de acceso a cookies, o bien hay que personalizar el conector para que proporcione una implementación de SPI de administrador de autenticación. Si desea obtener información detallada sobre cómo configurar la búsqueda segura para el conector, consulte esta página de la wiki google enterprise connector database. 25

26 Capítulo 7 Conector de Google Search Appliance para Lotus Notes El conector para Lotus Notes 3.0 incorpora cambios importantes. El nuevo conector: Se ejecuta en el administrador de conectores y en Tomcat Accede al servidor Domino a través del cliente Notes No utiliza el administrador de agentes ni el servidor HTTP del servidor Domino Utiliza LCAs jerárquicas de GSA para LCAs de bases de datos de aplicación Notes y nombres de lectores de documentos Utiliza una única base de datos de configuración en Domino Aumenta la escalabilidad a millones de documentos No conserva los metadatos ni los informes en la base de datos de configuración Transferencia El administrador de conectores se encarga de gestionar la transferencia. Sin embargo, los documentos se ponen en cola temporalmente en la base de datos de configuración y en el sistema de archivos antes de que se envíen a GSA. El conector: 1. Revisa las bases de datos configuradas por si hubieran cambios en los documentos y crea un registro con el ID del documento en Cola de rastreo de la base de datos del conector. 2. Los hilos de rastreo obtienen los documentos y los archivos adjuntos de la base de datos de la fuente, transforman los metadatos y colocan los documentos en la cola de envío. 3. El administrador de conectores crear un feed a partir de los documentos de Cola de envío y envía estos últimos a GSA. Una vez enviados, se guarda cierta información sobre los documentos en una base de datos H2 local del administrador de conectores. Dónde está mi documento? El conector hace verificaciones según la configuración de la Consola del administrador de GSA. Además, puede definir la frecuencia con la que se verifica una base de datos en la base de datos de configuración. Para comprobar que se ha procesado un documento, siga estos pasos: Defina el nivel de registro de manera que se incluya toda la información de diagnóstico. Reinicie la transferencia de la base de datos a través de estos pasos: a. Abra la base de datos de configuración del conector. b. Abra el documento de configuración de la base de datos. c. Haga clic en Editar. d. Haga clic en Reiniciar transferencia. e. Haga clic en Guardar y luego en Salir. 26

27 Busque el código UNID del documento. Para ello, ábralo en el cliente Notes y, en el cuadro de diálogo de propiedades, acceda a la pestaña de información <+>. En el número de identificación, el código UNID es la cadena que sigue a la última barra inclinada /. Busque en el registro el UNID del documento para asegurarse de que el documento se ha enviado correctamente a GSA. En la página Fuentes de contenido > Feeds de la Consola del administrador, compruebe que los feeds sean correctos. En la página Índice > Diagnósticos > Diagnóstico del índice, compruebe que se hayan rastreado los documentos correctos. Por último, si se ha procesado una base de datos y algunos documentos no se han indexado, siga estos pasos: 1. Revise la plantilla configurada para esa base de datos y compruebe que la fórmula de selección incluye ese documento. 2. Compruebe que el ID de usuario de Notes que utiliza tiene acceso al documento. Para ello, abra el documento en el cliente Notes con el ID de usuario de Notes. El conector para Notes no indexa documentos que estén marcados como "Réplica/Guardar conflictos". 27

28 Presentación La presentación predeterminada que se realiza de los resultados de búsqueda a través del XSLT integrado es enlazar al documento mediante el protocolo HTTP. Dado que el enlace al protocolo de Notes está incluido en un campo de metadatos de los resultados de búsqueda, se puede personalizar el XSLT y usar esto para enlaces de los resultados de búsqueda. Con este método, suponiendo que el cliente Notes está instalado en el ordenador del usuario, (y registrado en el navegador), los resultados de búsqueda se abren mediante el cliente Notes. A continuación, se muestra un ejemplo: <xsl:when test="starts with(u, $db_url_protocol)"> <xsl:value of disable output escaping='yes' select="concat('db/', $temp_url)"/> </xsl:when> <! *** BEGIN: Added for Notes URL replacement *** > <xsl:when test="starts with(lower case($stripped_url), 'newyork')"> <xsl:value of select="mt[@n='dom_noteslink']/@v"/> </xsl:when> <! *** END: Added for Notes URL replacement *** > <! *** URI for smb or NFS must be escaped because it appears in the URI query *** > <xsl:when test="$protocol='nfs' or $protocol='smb'"> <xsl:value of disable output escaping='yes' select="concat($protocol,'/',$temp_url)"/> </xsl:when> Búsqueda segura El mecanismo predeterminado de búsqueda segura utiliza la autorización de conector para autorizar los resultados de búsqueda cuando estos se muestran. Como alternativa, se pueden enviar LCAs a GSA. Esta solución de enlace en tiempo de compilación acelera mucho más el rendimiento de la búsqueda segura. Sin embargo, existen estas limitaciones: En la versión 6.14 y anteriores de GSA, solo se enviará la LCA de la base de datos. No se respetará la seguridad de documento que utilice los campos de nombre de autor y lector. No se admiten las entradas "Sin acceso" en la LCA de la base de datos. 28

29 Consejos y trucos No utilice la entrada "Sin acceso" de la lista de control de acceso de la base de datos Por ahora no se admiten estas entradas en las LCA cuando se utilizan enlaces en tiempo de compilación (LCA por URL). Para solucionarlo, defina el acceso tal y como se indica a continuación: El valor predeterminado es "Sin acceso". Añada grupos a la LCA y asígneles el acceso adecuado. No indexe campos con visibilidad limitada Para mantener la coherencia, no incluya campos con seguridad oculta en la interfaz de usuario de Notes. Para ello, modifique la plantilla que se utiliza para rastrear la base de datos. Desactive los filtros Para mostrar todos los documentos de una base de datos y mejorar el rendimiento de publicación de resultados, defina filter=0 o filter=p. 29