commit local changes

2026-10-11 19:43:25 +02:00
parent 19730e1711
commit c5f963f08f
4 changed files with 97 additions and 23 deletions
@@ -125,7 +125,7 @@ WORKERS = int(os.getenv("JONASSEARCH_WORKERS", "3"))

 # Minimum delay between requests to the same host, per worker.
 # robots.txt can specify a larger crawl delay.
-DEFAULT_DELAY = float(os.getenv("JONASSEARCH_DELAY", "3.0"))
+DEFAULT_DELAY = float(os.getenv("JONASSEARCH_DELAY", "0.0"))

 ROBOTS_CACHE_SECONDS = int(
    os.getenv("JONASSEARCH_ROBOTS_CACHE_SECONDS", str(24 * 60 * 60))
@@ -443,8 +443,11 @@ async function run() {
        " · keine durchsuchbaren Begriffe gefunden";
    const capHint = data.ranking_capped ?
        " · Ranking auf Top-Kandidaten eingegrenzt" : "";
+    const degradedHint = data.ranking_degraded ?
+        " · Trefferreihenfolge vereinfacht (Suchbegriffe sehr häufig)" : "";
    $("info").textContent = totalTxt + " · Seite " + data.page +
-        " · " + (data.took_ms / 1000).toFixed(2) + " s" + emptyHint + capHint;
+        " · " + (data.took_ms / 1000).toFixed(2) + " s" + emptyHint +
+        capHint + degradedHint;

    if (!data.results.length) {
        $("results").innerHTML =
@@ -244,8 +244,8 @@ def main(argv=None):
        print(f"Fehlerhafte Anfrage: {exc}", file=sys.stderr)
        return 2
    except engine.SearchTimeout:
-        print("Zeitlimit überschritten – bitte eingrenzen (site=, nach=, "
-              "weitere Begriffe).", file=sys.stderr)
+        print("Die Suche dauert ungewöhnlich lange. Neuer Versuch oder ein "
+              "Filter (site=, nach=, weitere Begriffe) hilft.", file=sys.stderr)
        return 4
    except engine.SearchEngineError as exc:
        print(f"Suchfehler: {exc}", file=sys.stderr)
@@ -112,6 +112,19 @@ RANK_NORMALIZATION = int(os.getenv("JONASSEARCH_RANK_NORMALIZATION", "8"))
 # Ranking dann innerhalb dieses Fensters (Antwortflag ranking_capped).
 MAX_RANK_CANDIDATES = int(os.getenv("JONASSEARCH_MAX_RANK_CANDIDATES", "5000"))

+# Notfall-Stufe: selbst das Kandidatenfenster ist zu groß (extrem häufige
+# Begriffe). Dann wird in Etappen immer weiter reduziert, bis die Antwort
+# innerhalb des Zeitlimits kommt. Der Nutzer bekommt trotzdem Ergebnis-
+# seiten statt einer Fehlermeldung – bei reduzierter Trefferqualität
+# (Antwortflag ranking_degraded).
+RANK_CAP_RETRIES = int(os.getenv("JONASSEARCH_RANK_CAP_RETRIES", "3"))
+
+# Sortierung "relevance" fällt bei Überschreitung aller Ranking-Timeouts
+# auf diese Basisreihenfolge zurück (kein ts_rank_cd nötig).
+FALLBACK_SORT_SQL = (
+    "COALESCE(p.crawled_at, p.discovered_at) DESC NULLS LAST, p.id ASC"
+)
+
 # ts_rank_cd-Gewichte. Reihenfolge im DB-Trigger: Titel = A,
 # Überschriften = B, Inhalt = C, (D = ungewichteter Rest).
 # Format: "A=1.0,B=0.6,C=0.3,D=0.1"
@@ -572,6 +585,30 @@ def _headline_sql():
    """


+def _emergency_search_sql(vector_col, filter_sql):
+    """
+    Notfall-Query ganz ohne ts_rank_cd: Kandidaten werden in fester
+    Basisreihenfolge (neueste zuerst) geliefert. Auch bei extrem häufigen
+    Begriffen garantiert schnell, weil kein Ranking über die Treffermenge
+    nötig ist.
+    """
+    return f"""
+        SELECT p.id, p.url, p.title, p.domain, p.tld,
+               p.http_status, p.content_type,
+               COALESCE(p.crawled_at, p.discovered_at) AS crawled_at,
+               0.0 AS text_rank,
+               1.0 AS freshness,
+               0.0 AS score
+        FROM pages p
+        CROSS JOIN LATERAL (
+            SELECT websearch_to_tsquery(%(ts_config)s, %(query)s) AS tsq
+        ) q
+        WHERE p.{vector_col} @@ q.tsq{filter_sql}
+        ORDER BY {FALLBACK_SORT_SQL}
+        LIMIT %(limit)s OFFSET %(offset)s
+    """
+
+
 def _count_sql(vector_col, filter_sql):
    return f"""
        SELECT count(*) AS n
@@ -600,6 +637,50 @@ def _round(value, digits=6):
 # ÖFFENTLICHE API
 # ============================================================

+def _fallback_search(cur, vector_col, sort, filter_sql, params):
+    """
+    Mehrstufiger Fallback, wenn das volle Ranking das Zeitlimit
+    überschritten hat. Liefert so gut wie immer Ergebnis-Seiten statt
+    eines harten Timeout-Fehlers:
+
+        1. Kandidatenfenster MAX_RANK_CANDIDATES (gs. 5000):
+           normales, aber begrenztes Ranking.
+        2. Danach in Etappen verkleinern (z. B. 2000 → 800 → 320 …), bis
+           die Antwort innerhalb des Zeitlimits kommt.
+        3. Letzte Stufe: ganz ohne ts_rank_cd-Ranking – nur Index-Kandidaten
+           in definierter Reihenfolge (z. B. neueste zuerst).
+
+    Rückgabe: (ranking_capped, ranking_degraded, rows).
+    """
+    cap = int(params.get("rank_cap") or MAX_RANK_CANDIDATES)
+    capped = True
+    degraded = False
+
+    # Stufe 2: Fenster in Etappen verkleinern.
+    for _ in range(max(0, RANK_CAP_RETRIES)):
+        try:
+            cur.execute(_search_sql(vector_col, sort, filter_sql, capped=True),
+                        params)
+            return capped, degraded, cur.fetchall()
+        except psycopg2.errors.QueryCanceled:
+            cap = max(50, int(cap * 0.4))
+            params["rank_cap"] = cap
+            degraded = True
+
+    # Stufe 3: Notfall ohne Ranking – Kandidaten in Basisreihenfolge.
+    try:
+        cur.execute(
+            _emergency_search_sql(vector_col, filter_sql), params,
+        )
+        return capped, True, cur.fetchall()
+    except psycopg2.errors.QueryCanceled:
+        raise SearchTimeout(
+            "Die Suche dauert ungewöhnlich lange – probiere es nochmal "
+            "oder nutze einen Filter wie site=<domain>, um schneller zu "
+            "Ergebnissen zu kommen."
+        )
+
+
 def search(query, *, page=1, per_page=None, sites=None, tlds=None,
           after=None, before=None, sort="relevance",
           include_errors=False, include_non_html=False,
@@ -665,6 +746,7 @@ def search(query, *, page=1, per_page=None, sites=None, tlds=None,
            snippets = {}
            total = None
            ranking_capped = False
+            ranking_degraded = False

            if not empty_tsq:
                _set_statement_timeout(cur, STATEMENT_TIMEOUT_MS)
@@ -673,26 +755,14 @@ def search(query, *, page=1, per_page=None, sites=None, tlds=None,
                                params)
                    rows = cur.fetchall()
                except psycopg2.errors.QueryCanceled:
-                    # Sehr häufiger Begriff: volles Ranking über alle
-                    # Kandidaten ist zu langsam. Zweiter Versuch über
-                    # ein begrenztes Kandidatenfenster (bounded latency).
+                    ranking_capped, ranking_degraded, rows = _fallback_search(
+                        cur, vector_col, sort, filter_sql, params,
+                    )
                    log.info(
-                        "Volles Ranking hat das Zeitlimit überschritten; "
-                        "Fallback auf %d Kandidaten.", MAX_RANK_CANDIDATES
-                    )
-                    ranking_capped = True
-                    try:
-                        cur.execute(
-                            _search_sql(vector_col, sort, filter_sql,
-                                        capped=True),
-                            params,
-                        )
-                        rows = cur.fetchall()
-                    except psycopg2.errors.QueryCanceled:
-                        raise SearchTimeout(
-                            "Suchanfrage hat das Zeitlimit überschritten – "
-                            "bitte weiter eingrenzen (z. B. site=, after= "
-                            "oder zusätzliche Begriffe)."
+                        "Volles Ranking übersprungen (Timeout); "
+                        "Fallback: %d Kandidaten%s.",
+                        params["rank_cap"],
+                        ", degradiert" if ranking_degraded else "",
                    )

                if with_snippets and rows:
@@ -744,6 +814,7 @@ def search(query, *, page=1, per_page=None, sites=None, tlds=None,
            "per_page": per_page,
            "sort": sort,
            "ranking_capped": ranking_capped,
+            "ranking_degraded": ranking_degraded,
            "total": total,
            "has_more": has_more,
            "results": results,