Testaufbau

Wie bei allen bisherigen Tests nutzen wir das über mehr als 30 Jahre gewachsene Archiv eines Journalistenbüros mit rund 50.000 Dateien und einer Gesamtgröße von etwa 50 GB. Enthalten sind Dokumente aus vielen Jahrzehnten, unterschiedliche Office-Formate, PDFs, gespeicherte E-Mails mit Anhängen verschiedenster Art sowie einige ZIP-Archive – kurz: ein reales, heterogenes Archiv aus dem Arbeitsalltag.

DocFetcher – erster Indexlauf

Nach der Installation präsentiert sich DocFetcher mit einer sehr stark reduzierten Benutzeroberfläche, die weitgehend ohne klassische Menüs auskommt. Zentrale Funktionen erschließen sich erst nach genauerem Hinsehen; erst über einen Klick auf „Suchbereich" lässt sich ein neuer Index anlegen.

Wir haben zunächst einen Index mit den nach der Installation vorhandenen Standardeinstellungen erstellt. Nach gut 8 Minuten war der Indexlauf abgeschlossen. DocFetcher meldete dabei allerdings nur rund 43.000 indizierte Dateien, obwohl sich im Archiv eindeutig mehr als 50.000 Dateien befinden – bei Einbeziehung von Maildateien und Inhalten aus ZIP-Archiven sogar noch deutlich mehr.

Zusätzlich wies DocFetcher auf 539 Dateien hin, deren Inhalt nicht gelesen werden konnte. Als Ursache wurden überwiegend sehr alte Word-Formate sowie vermeintlich beschädigte HTML-, PDF- oder XLS-Dateien genannt. Das entspricht etwa rund einem Prozent des gesamten Datenbestands und erschien uns zunächst plausibel.

Bei ersten Suchtests zeigte sich jedoch, dass DocFetcher trotz abgeschlossenem Indexlauf durchgängig weniger Treffer lieferte als Findit. Auffällig war zudem, dass keinerlei .eml-Dateien (gespeicherte E-Mails) gefunden wurden.

Es ist bekannt, dass DocFetcher – anders als Findit – Mailanhänge nicht separat auswerten kann. Dass jedoch auch die eigentlichen Maildateien selbst nicht berücksichtigt wurden, war zunächst überraschend.

Erweiterte Indexkonfiguration als Workaround

Bei weiterer Analyse wurde deutlich, dass DocFetcher Inhalte nur dann zuverlässig auswertet, wenn das jeweilige Dateiformat vollständig unterstützt wird. Für viele gängige Dokumenttypen ist dies der Fall, für einige in unserem Archiv vorhandene Formate – darunter auch .eml – jedoch nicht.

Bei der Erstanlage eines Indexes (und nur in diesem Moment) bietet DocFetcher allerdings die Möglichkeit, beliebige Dateiendungen als Textdateien zu definieren. Dateien mit diesen Endungen werden dann ohne besondere Formatinterpretation als reiner Text eingelesen und indiziert.

Da .eml-Dateien technisch tatsächlich textbasiert gespeichert sind, bedeutet dies: Neben technischen Kopfzeilen werden auch Absender, Empfänger, Betreffzeilen und der eigentliche Mailinhalt wortweise erfasst. Zwar werden dabei auch strukturierte Zusatzinformationen mitindiziert, für die reine Auffindbarkeit von Inhalten stellt dies jedoch keinen Nachteil dar.

Um für unseren Vergleich möglichst faire und vergleichbare Bedingungen herzustellen, haben wir diese Möglichkeit genutzt und alle in unserem Archiv vorkommenden, sinnvoll als Text interpretierbaren Dateiendungen – einschließlich .eml – explizit als Textdateien konfiguriert. Anschließend wurde der Index vollständig neu erstellt.

Der erneute Indexlauf dauerte 12 Minuten und 46 Sekunden und war damit weiterhin recht schnell. Allerdings änderte sich weder die Zahl der als indiziert gemeldeten Dateien (43.620) noch die Zahl der gemeldeten Fehler (539). Nun denn, mehr konnten wir hier nicht tun.

Suche mit enttäuschendem Ergebnis

Angesichts des betriebenen Aufwands waren wir vom Ergebnis dann doch enttäuscht: Mit unserer Standardsuche nach Dateien, die sowohl „Dateien" als auch „finden" enthalten, fand DocFetcher lediglich 82 Dateien. Positiv ist, dass nun auch entsprechende gespeicherte E-Mails enthalten waren. Dennoch fehlten zahlreiche andere Dateiformate.

So wurde beispielsweise nur eine einzige Datei gefunden, die vor dem Jahr 2000 entstanden ist, wobei auch unterschiedlichste deutlich neuere Dokumente – darunter auch einzelne moderne Office-Dateien – nicht auftauchten.

Zum Vergleich: Wir wissen, dass DocFetcher – anders als Findit – weder Mailanhänge durchsuchen noch OCR einsetzen kann. Doch selbst wenn man diese Optionen in Findit deaktiviert, findet Findit in unserem Datenbestand 136 passende Dateien (Suchdauer: ca. 13 Sekunden). Mit allen aktivierten Optionen sind es sogar 172 Treffer (in rund 26 Sekunden). Damit konnte DocFetcher nicht einmal die Hälfte der tatsächlich auffindbaren Dateien anzeigen.

Auch bei einer Suche nach nur einem einzelnen Wort, hier erneut „Dateien", zeigte sich ein ähnliches Bild. Während Findit (ohne Mailanhänge und OCR) 643 passende Dateien fand und SeekFast am Vortag immerhin 499 Treffer lieferte, listete DocFetcher lediglich 274 Dateien auf.

Offensichtlich hat DocFetcher – anders als SeekFast – kein grundsätzliches Problem mit der Verknüpfung mehrerer Suchbegriffe. Sein Index ist jedoch so aufgebaut, dass viele Dateien aus ganz unterschiedlichen Gründen gar nicht oder nur unvollständig erfasst werden und damit auch nicht gefunden werden können.

Kurzfazit

Direkter Vergleich