Datenbanken in diesem Feld sind keine konkurrierenden Fassungen derselben Liste. Es sind vier verschiedene Arten von Aufzeichnung, gebaut aus verschiedenen Quellen zu verschiedenen Zwecken, und jede davon ist für einen schmalen Satz von Feldern maßgeblich und außerhalb davon unzuverlässig.

Die eigentliche Fähigkeit besteht nicht darin, eine Seite auszuwählen. Sie besteht darin, zu erkennen, welche Kategorie vor dir liegt, damit du weißt, welchen ihrer Felder du glauben kannst. Ein Shop weiß, was er verkauft, und sonst nichts. Eine Community-Datenbank kennt mehr Titel und hat bei mehr davon unrecht. Keine von beiden belügt dich; sie wurden gebaut, um verschiedene Fragen zu beantworten.

Was sind die vier Kategorien von Datenbank?

Die vier sind: Shop-Kataloge, Community-Metadatenbanken, Darstellerinnen-Indexe und Bild- oder Gesichtsindexe. Sie unterscheiden sich darin, woher ihre Daten stammen, und das bestimmt alles an ihren Fehlermustern.

Kategorie Datenquelle Am besten für Bekannte Schwäche
Shop-Katalog Die Produktdaten des Verkäufers selbst Kanonische Codes, offizielle Titel, Cover-Artwork, was gerade käuflich ist Deckt nur ab, was dieser Verkäufer führt; zurückgezogene Titel können komplett verschwinden
Community-Metadatenbank Von der Community eingereichte Einträge, oft gescrapt und dann von Hand korrigiert Breite über Studios und Epochen hinweg, inklusive vergriffenem Material Ungleichmäßige Genauigkeit, veraltete Einträge, uneinheitliche Felddefinitionen zwischen Beitragenden
Darstellerinnen-Index Zusammengeführte Filmografien, verschlüsselt auf eine Person Das Werk einer Person über Studios und Jahre hinweg verfolgen Bricht bei Wechseln des Künstlernamens; frühe oder ungenannte Arbeiten fehlen regelmäßig
Bild- / Gesichtsindex Cover und Standbilder, abgeglichen über visuelle Ähnlichkeit Eine Person finden, wenn du ein Bild und überhaupt keinen Text hast Liefert nur, was indexiert wurde; nennt dir keinen Titel direkt, nur eine Person

Die Schwäche jeder Zeile folgt direkt aus ihrer Quelle. Deshalb bringt kein Aufwand einen Shop dazu, vergriffene Titel abzudecken, und deshalb wird keine Community-Datenbank je so in sich konsistent sein wie die Produkttabelle eines Verkäufers.

Wann ist ein Shop-Katalog das richtige Nachschlagewerk?

Zieh einen Shop heran, wenn du die kanonische Form eines Datensatzes brauchst: den exakten Code, den offiziellen Titel in der Schreibweise des Vertriebs, das Cover und die Frage, ob der Titel gerade verfügbar ist.

Shop-Daten sind ein Nebenprodukt des Handels, und das macht sie innerhalb ihrer Reichweite ungewöhnlich verlässlich: Der Verkäufer hat einen direkten betrieblichen Grund, Codes, Titel und Verfügbarkeit korrekt zu halten, weil diese Felder seine eigene Suche und Auslieferung antreiben. Für einen Titel, den er vor Jahren aus dem Programm genommen hat, hat niemand diesen Anreiz — und genau dort wird ein Shop leer.

Der Fehler besteht darin, einen Shop für eine Volkszählung zu halten. Fehlen in einem Shop heißt "wird hier nicht verkauft", nie "existiert nicht". Wenn du feststellen willst, ob etwas jemals erschienen ist, ist ein Shop das falsche Instrument.

Shop-Daten sind außerdem die maschinenlesbarsten Daten in diesem Feld, was zu wissen sich lohnt, wenn du irgendetwas baust. Der Betreiber von FANZA veröffentlicht unter api.dmm.com/affiliate/v3/ eine Produkt-API mit getrennten Endpunkten für Produkte, Darstellerinnen, Hersteller, Serien, Genres und Katalog-Bereiche, die Content-IDs, Titel, Daten und Bild-URLs zurückgibt; sie verlangt eine API-ID und eine Affiliate-ID und liegt damit hinter einem Affiliate-Konto statt offen zu sein (abgeglichen mit dem Go-SDK von DMM.com Labo, pkg.go.dev/github.com/dmmcomlabo/dmm-go-sdk/api, geprüft am 2026-08-03). Das ist das Muster im ganzen Markt: Der Katalog ist als Ganzes verfügbar, aber als Affiliate-Feed, mit allen kommerziellen Bedingungen, die das mit sich bringt.

Wann solltest du stattdessen einer Community-Datenbank trauen?

Trau einer Community-Datenbank bei Existenz und Breite — also dabei festzustellen, dass ein Titel oder eine Darstellerin existiert, und Material zu finden, das nirgends mehr verkauft wird.

Das ist echt wertvoll, und keine kommerzielle Quelle bildet es nach. Der Preis dafür ist, dass die Felddefinitionen zwischen Beitragenden auseinanderdriften. "Erscheinungsdatum" kann die Ankündigung meinen, die digitale Veröffentlichung oder die physische. Credits können vom Cover abgeschrieben sein, aus einem Shop-Eintrag oder aus einer anderen Datenbank, die sie ihrerseits woanders abgeschrieben hat. Fehler pflanzen sich fort, weil Datenbanken einander scrapen — und deshalb kann dasselbe falsche Geburtsjahr auf vier Seiten stehen und wie eine Bestätigung aussehen.

Behandle Übereinstimmung zwischen Community-Datenbanken als schwaches Indiz, nicht als starkes. Zwei Seiten, die sich einig sind, können zwei unabhängige Aufzeichnungen sein — oder eine Aufzeichnung, die zweimal kopiert wurde.

Was leisten Darstellerinnen-Indexe, was die anderen nicht können?

Darstellerinnen-Indexe sind auf eine Person statt auf ein Produkt verschlüsselt, und das ist die einzige Struktur, die einer Karriere über Studios hinweg folgen kann.

Das ist ihre eigentliche Funktion. Ein Shop ordnet nach dem, was er verkauft; ein Darstellerinnen-Index ordnet danach, wer darin vorkommt. Wenn du wissen willst, woran jemand vor und nach einem Studiowechsel gearbeitet hat, beantwortet nur die personenzentrierte Struktur das in einem einzigen Nachschlagevorgang.

Ihr charakteristisches Versagen ist der Namenswechsel. Künstlernamen ändern sich zwischen Agenturen, zwischen Studios und manchmal zwischen einem Debüt und einem Neustart, und dieselbe Person wird dann zu zwei Einträgen mit zwei unvollständigen Filmografien. Nichts in einer textbasierten Datenbank erkennt das automatisch — die beiden Datensätze teilen sich kein einziges Feld.

Auch deshalb sollte eine Filmografie als Untergrenze gelesen werden. Sie ist eine Liste dessen, was dieser Index unter diesem Namen verzeichnet fand, nicht eine Liste dessen, was die Person gedreht hat.

Wo passt ein Bild- oder Gesichtsindex hinein?

Ein Bildindex beantwortet die eine Frage, die die anderen strukturell nicht beantworten können: Wer ist das, wenn du nur ein Bild hast?

Jede Textdatenbank verlangt, dass du bereits einen Namen, einen Code oder einen Titel kennst. Hast du ein Einzelbild aus einem Video und sonst keinen Text, haben sie keinen Einstiegspunkt. Gesichtsabgleich dreht das um: Er erkennt das Gesicht, kodiert es als Vektor und vergleicht es mit bereits indexierten Gesichtern — und liefert Personen statt Titel.

Unser eigener Index umfasst 241,792 Gesichter über 2,333 benannte Darstellerinnen, gewonnen aus Covern und Standbildern von 106 Seiten (unser Index, Snapshot 2026-08).

Die Grenze zählt mehr als die Zahl. Die Abdeckung verteilt sich nicht gleichmäßig: Von den 2,333 benannten Darstellerinnen stammt bei 2,246 das repräsentative Bild von einer einzigen Seite. Das ist eine erhebliche Schieflage, und sie bedeutet, dass eine Darstellerin, die auf unserer dominierenden Quelle nie auftauchte, deutlich seltener gefunden wird — während das Werkzeug trotzdem eine sortierte Liste von Beinahetreffern ausgibt. Jeder Bildindex hat diese Art von Beschränkung; die brauchbaren sagen dir davon.

Ein Bildindex gibt dir auch keinen Titel. Er gibt dir eine Person, und der Titel kommt aus einem zweiten Schritt — dem Eingrenzen des bekannten Werks dieser Person über Szenendetails. Gesichtssuche und Filmografie-Datenbanken ergänzen einander, sie ersetzen einander nicht.

Woran erkennst du, ob ein einzelner Eintrag vertrauenswürdig ist?

Beurteile den Eintrag, nicht die Seite. Vier Signale trennen einen geprüften Datensatz von einem abgeschriebenen:

  1. Nennt er einen Quell-Code? Ein Eintrag, der den Produktcode des Vertriebs mitführt, lässt sich zurückverfolgen. Einer, der nur einen Titel mitführt, nicht.
  2. Unterscheidet er Alias und aktuellen Künstlernamen? Eine Datenbank, die Aliasse explizit modelliert, hat über Namenswechsel nachgedacht. Eine mit einem einzigen flachen Namensfeld zerlegt Karrieren stillschweigend in zwei.
  3. Ist der Datensatz datiert? Ein Eintrag ohne "zuletzt aktualisiert" lässt sich nicht von einem unterscheiden, der 2015 aufgegeben wurde.
  4. Sind leere Felder leer, oder mit plausiblem Müll gefüllt? Platzhalterwerte — auf runde Zahlen gesetzte Maße, voreingestellte Geburtsdaten — sind ein starkes Signal dafür, dass das Feld nie geprüft wurde. Ein leeres Feld ist ehrlicher als ein geratenes.

Konsequent angewandt tun diese vier Fragen mehr für die Genauigkeit, als die Wahl der "besten" Seite es je könnte, weil sie dich einzelne Datensätze bewerten lassen, statt einer Quelle pauschal zu vertrauen.

Verwandte Fragen

Welche Quellen wir indexieren und was jede davon beiträgt, steht auf unserer Seitenliste.