Linux - Suchmaschine - Recoll - Indizierung von verschiedenen Formaten unter Linux (Word, Excel, LibreOffice, Excel, Word, LibreOffice, doc, docx, odt, ods, txt, pdf, rtf, xls, xlsx)

Wenn viele Dateien mit verschiedenen Formaten (Excel, Word, LibreOffice, doc, docx, odt, ods, txt, pdf, rtf, xls, xlsx) in einem Mount-Point bzw. Verzeichnis auf einem Linux System (hier openSUSE) liegen, kann es den Bedarf geben, diese vielen Dateien auch durchsuchen zu können.
In dem hier genannten Beispiel liegen die Dateien dann in einer Ordner-Struktur.

Ich wollte hierfür eine lokale Suchmöglichkeit haben, die nicht nur die Dateinamen erfasst, sondern auch in die Dateien schaut und diese indiziert.

Bei der Suche bin ich auf das Tool mit dem Namen "Recoll" gestoßen.

Am Ende haben wir ein indizertes Verzeichnis, welches mit Kommandozeilen-Tool durchsucht werden können. Als Ausgabe erhalten wir die Filenamen in denen der Suchbegriff gefunden worden ist.

Die Anleitung habe ich nach der Einrichtung geschrieben. Ich hoffe, ich habe nichts vergessen. Sie soll mir helfen, wenn ich das nochmals einrichten muss.

Zu beachten ist noch, dass der erstellte Index so groß werden kann, wie die Original-Daten an Platz verbrauchen. Je nach Situation kann er auch größer sein!

Hinweis:
Für die Richtigkeit der Daten übernehme ich keine Gewähr!

Die Seite ist in die folgenden Bereiche eingeteilt:

Vorbereitung
Einrichtung
Links zum Thema

Vorbereitung

In meiner Implementierung nutze ich auf dem Linux-System nur einen OS Benutzer mit dem Namen "ich".
Unter diesem wird Recoll laufen und nur für diesen werden die Dateien indiziert.
Um die Software "Recoll" zu installieren sind bei openSUSE 16 Stand April 2026 entweder die Sourcen zu nutzen oder weitere Repositories hinzuzufügen.

Hier kommen wir auch zu den vorbereitenden Aufgaben und zur Umgebung.

Objekt-Art	Objekt	Anmerkung
OS Benutzer	`ich`	Benutzer im OS, der `Recoll` nutzen wird.
Verzeichnis	`/SRV`	gemountetes Linux Filesystem mit den verschiedenen Dateien in einer Ordner-Struktur
Verzeichnis	`/SRV/.recoll`	Verzeichnis zur Ablage der Daten von `Recoll`

Die folgenden Repositories habe ich ergänzt:


zypper ar -fp 74 'https://download.opensuse.org/repositories/KDE:/Qt6/openSUSE_Leap_$releasever' KDE-Qt6

zypper ar -fp 74 'https://download.opensuse.org/repositories/KDE:/Frameworks/openSUSE_Leap_$releasever' KDE-Frameworks

zypper ar -fp 75 'https://download.opensuse.org/repositories/KDE:/Applications/KDE_Frameworks5_openSUSE_Leap_$releasever' KDE-Applications

zypper ar -fp 75 'https://download.opensuse.org/repositories/KDE:/Extra/KDE_Applications_openSUSE_Leap_$releasever' KDE-Extra

Im Anschluss müssen noch die folgenden Software-Pakete installiert werden (wenn alle o.a Dateitypen indiziert werden sollen):

pdftotext
antiword
catdoc
unrtf
xsltproc
unzip
popper-utils
wv
tesseract-ocr
tesseract-ocr-traineddata-german
soffice

Nach der Installation der Software muss noch unter Python für die Verarbeitung von Word- und Excel-Dokumenten Software mit dem folgenden Befehl installiert werden:
pip3 install python-docx --break-system-packages

Welche Zusatz-Software benötige ich für welchen Dateiendung / Dateitypen ?

Dateiendung	Software	Recoll-Filter
`.txt`	Kein Zusatz notwendig	– (intern)
`.html / .htm`	Kein Zusatz notwendig	– (intern)
`.rtf`	`unrtf`	`rclrtf.py`
`.doc`	`LibreOffice (soffice)`	`rcldoc.py`
`.docx`	`python-docx`	`openxml-word-body.xsl`
`.xls`	`rclxls.py + xls-dump.py`	`rclxls.py`
`.xlsx`	`python-docx / xsltproc`	`python-docx / xsltproc`
`.odt`	`LibreOffice (soffice)`	`opendoc-body.xsl`
`.ods`	`LibreOffice (soffice)`	`opendoc-body.xsl`
`.pdf (Text)`	`poppler-tools (pdftotext)`	`rclpdf.py`
`.pdf (Bild)`	`tesseract-ocr / pdftoppm`	`rclpdf.py → rclocr.py`

In dem hier genannten Beispiel, wird der Suchindex / die Datenbank von Recoll im gleichen Mount-Point / Verzeichnis abgelegt, in dem auch die Daten liegen. Gegenüber der Standard-Installation, bei dem die Daten-Strukturen von Recoll alle unterhalb von $HOME/[OS-Benutzername] abgelegt werden.

Einrichtung

Initiale Einrichtung

Nachdem die Vorbereitungen abgeschlossen sind, können wir mit der Einrichtung von Recoll beginnen.

Hier wird es um die Einrichtung der Suchmaschine als auch der reglmäßigen Aktualisierung gehen.

Wir melden uns als normaler OS Benutzer mit dem Namen ich an
Das Verzeichnis /SRV mit den ganzen Dateien ist bereits vorhanden und der OS Benutzer ich hat volle Rechte in dem Verzeichnis
Wir legen uns für Recoll ein Verzeichnis an:
mkdir /SRV/.recoll
Nun erstellen wir die Haupt-Konfiguration:
cat > /SRV/.recoll/recoll.conf << 'EOF' topdirs = /SRV dbdir = /SRV/.recoll/xapiandb skippedPaths = /SRV/.recoll /SRV/lost+found skippedNames = .* tmp cache Cache Trash Thumbs.db desktop.ini followLinks = 1 indexedmimetypes = \ text/plain \ text/html \ text/rtf \ application/rtf \ application/msword \ application/vnd.openxmlformats-officedocument.wordprocessingml.document \ application/vnd.ms-excel \ application/vnd.openxmlformats-officedocument.spreadsheetml.sheet \ application/vnd.oasis.opendocument.text \ application/vnd.oasis.opendocument.spreadsheet \ application/vnd.oasis.opendocument.presentation \ application/vnd.oasis.opendocument.text-template \ application/vnd.oasis.opendocument.spreadsheet-template \ application/pdf unac_except_trans = ää Ää öö Öö üü Üü ßss # OCR als Fallback für Bild-PDFs pdfocr = 1 ocrprogram = rclocr.py tesseractlang = deu+eng EOF
Nun richten wir mimeconf für die OCR Unterstützung von PDFs ein.
# Systemkonfiguration als Basis kopieren cp /usr/share/Recoll/examples/mimeconf /SRV/.recoll/mimeconf # Zeilennummer des PDF-Handlers ermitteln grep -n "application/pdf = execm" /SRV/.recoll/mimeconf # rclpdf.py nutzt automatisch OCR wenn pdfocr=1 in recoll.conf gesetzt ist Weitere Konfigurationsdateien kopieren for f in fields mimemap mimeview ptrans; do cp /usr/share/Recoll/examples/$f /SRV/.recoll/ 2>/dev/null done
Externe Indexer (Joplin) sicher deaktivieren
Hierfür legen wir uns die Datei /SRV/.recoll/backends an.
cat > /SRV/.recoll/backends << 'EOF' # Keine externen Indexer für diese Instanz EOF
Einrichtung abgeschlossen

Initialer Indexierungslauf

Nun lassen wir den initialen Index-Lauf starten und lassen die Ausgabe nach /tmp dokumentieren (wichtig ist der fett-markierte Aufruf (nohup recollindex -c /SRV/.recoll -z ) - "-z" leert die Datenbank):

ACHTUNG:
Dieser Lauf kann abhängig von den zu indizierenden Daten auch Stunden bis Tage laufen!


nohup recollindex -c /SRV/.recoll -z  > /tmp/recoll-dokumentation.log 2>&1 &

echo "FS_Doku PID: $!"

Indexierungslauf zum Erfassen der Änderungen

Später kann zum Indizieren der nur geänderten Dateien, der folgende Befehl verwendet werden:


recollindex -c /SRV/.recoll

Optional: nur bestimmte Dateitypen neu indexieren

Wenn nur bestimmte Dateitypen neu indiziert werden sollen, kann das wie folgt erfolgen:


recollindex -c /SRV/.recoll -r -p "*.pdf" /SRV

OS Alias zur einfacherer Bedienung

Nun legen wir uns Aliase für die wichtigsten Befehle unter unserem OS Benutzer an.
Damit könnten wir dann mit einem Befehl einen Index-Lauf starten oder die Suche vereinfachen.
In dem Beispiel kann dann mittels resuch [Suchwort] nach dem Suchwort gesucht werden. Als Ausgabe erhalten wir alle Dateinamen, in denen der Suchbegriff gefunden wurde.


cat >> ~/.bashrc << 'EOF'

 

# Recoll Indexer

alias reindsrv='recollindex -c /SRV/.recoll'


 
# Recoll Suche

alias resuch='recoll -c /SRV/.recoll -t'

EOF



source ~/.bashrc

SYSTEMD Scipte zur automatischen Aktualisierung des Index

Zum Ende erstellen wir nun noch systemd-Scripte, welche die Suchmaschine automatisch aktuell halten.

Wir bleiben angemeldet als OS Benutzer ich
Wir erstellen uns ein Verzeichnis:
mkdir -p ~/.config/systemd/user
Nun legen wir uns die Service-Datei an:
cat > ~/.config/systemd/user/recoll-srv.service << 'EOF' [Unit] Description=Recoll Indexer After=local-fs.target [Service] ExecStart=/usr/bin/recollindex -c /SRV/.recoll KillSignal=SIGTERM TimeoutStopSec=30 EOF
Wir benötigen noch eine Timer-Datei:
cat > ~/.config/systemd/user/recoll-srv.timer << 'EOF' [Unit] Description=Recoll SRV – täglich oder nach Boot [Timer] OnCalendar=*-*-* 01:00:00 Persistent=true OnBootSec=5min [Install] WantedBy=timers.target EOF
Jetzt aktivieren wir unseren Service:
systemctl --user daemon-reload systemctl --user enable --now recoll-srv.timer # Status prüfen systemctl --user list-timers --all | grep Recoll
Lingering aktivieren, damit der OS Benutzer ich nicht imemr angemeldet sein muss:
loginctl show-user $USER | grep Linger # Aktivieren sudo loginctl enable-linger $USER

Zusammenfassung

Ergebnis:
Nun haben wir alles abgeschlossen. Die Suchmaschine hat die Daten indiziert und an ihrem Platz gelassen und nicht verändert.
Die Daten werden automatisch aktuell gehalten.
Wir können mittels Kommando-Zeilen Befehl die Suchmaschine abfragen.

Links zum Thema

Hinweis:
Für die Richtigkeit der Daten übernehme ich keine Gewähr!
Für den Inhalt von Internet-Seiten, auf die von dieser Seite verwiesen wird, übernehme ich keine Verantwortung!