استخراج النص من PDF Java: بناء فهرس المستندات باستخدام GroupDocs.Search

في هذا الدليل العملي ستكتشف كيفية استخراج النص من PDF Java في التطبيقات وتحويل تلك المحتويات الخام إلى فهرس سريع قابل للبحث بالنص الكامل. سواء كنت تبني قاعدة معرفة داخلية، أو بوابة للبحث في العقود، أو محرك بحث مخصص، فإن الخطوات أدناه ستقودك عبر كل شيء—من استخراج النص من ملفات PDF إلى تسلسل البيانات، وإنشاء الفهرس، وأخيرًا تشغيل الاستعلامات. لنبدأ ونرى لماذا يجعل GroupDocs.Search العملية بأكملها سلسة وقابلة للتوسع.

إجابات سريعة

  • ما هو الهدف الرئيسي؟ استخراج النص من ملفات PDF Java وإنشاء فهرس مستندات قابل للبحث باستخدام GroupDocs.Search.
  • أي نسخة من المكتبة؟ GroupDocs.Search 25.4 (أو أحدث إصدار).
  • هل أحتاج إلى ترخيص؟ نسخة تجريبية مجانية تكفي للتطوير؛ يلزم ترخيص كامل للإنتاج.
  • هل يمكنني فهرسة ملفات PDF؟ نعم—استخراج نص PDF وإضافته إلى الفهرس.
  • كيف أقوم بتشغيل بحث؟ استخدم طريقة index.search(query) بعد إضافة البيانات.

ما هو فهرس المستندات؟

فهرس المستندات هو مجموعة منظمة من المصطلحات القابلة للبحث المستخرجة من ملفاتك. من خلال إنشاء فهرس المستندات، يمكنك تمكين عمليات بحث نص كامل سريعة عبر مستودعات كبيرة، مما يحسن بشكل كبير سرعة ودقة الاسترجاع.

لماذا نستخدم GroupDocs.Search للـ Java؟

  • استخراج قوي – يدعم PDF وWord وExcel وغير ذلك.
  • تسلسل سهل – خزن البيانات المستخرجة كمصفوفات بايت لإعادة الاستخدام لاحقًا.
  • فهرسة قابلة للتوسع – فهرسة ملايين المستندات بكفاءة.
  • لغة استعلام قوية – تدعم استعلامات بحث نص كامل معقدة في Java.

المتطلبات المسبقة

  • GroupDocs.Search للـ Java (الإصدار 25.4 أو أحدث).
  • مجموعة تطوير جافا (JDK) المتوافقة مع نسخة GroupDocs الخاصة بك.
  • بيئة تطوير متكاملة مثل IntelliJ IDEA أو Eclipse.
  • Maven لإدارة الاعتمادات.

إعداد GroupDocs.Search للـ Java

أولاً، أضف المكتبة إلى مشروعك.

إعداد Maven
أدرج ما يلي في ملف pom.xml الخاص بك:

<repositories>
    <repository>
        <id>repository.groupdocs.com</id>
        <name>GroupDocs Repository</name>
        <url>https://releases.groupdocs.com/search/java/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>com.groupdocs</groupId>
        <artifactId>groupdocs-search</artifactId>
        <version>25.4</version>
    </dependency>
</dependencies>

تحميل مباشر
بدلاً من ذلك، حمّل أحدث نسخة من GroupDocs.Search for Java releases.

الحصول على الترخيص

  • نسخة تجريبية – اختبر جميع الميزات باستخدام ترخيص مؤقت.
  • شراء – احصل على وصول كامل ودعم أولوي.

تنفيذ خطوة بخطوة

كيفية استخراج النص من ملفات PDF (وباقي المستندات)

استخراج النص الخام أو المنسق هو الخطوة الأولى لإنشاء فهرس المستندات. عندما تستخرج النص من PDF Java، فإنك تزود محرك البحث بما يمكنه فهمه.

String documentPath = "YOUR_DOCUMENT_DIRECTORY/Lorem ipsum.pdf";
Extractor extractor = new Extractor();
Document document = Document.createFromFile(documentPath);

ExtractionOptions extractionOptions = new ExtractionOptions();
extractionOptions.setUseRawTextExtraction(false); // Extract with formatting
ExtractedData extractedData = extractor.extract(document, extractionOptions);

نصيحة: اضبط setUseRawTextExtraction(true) إذا كنت تحتاج نصًا بسيطًا بدون تنسيق.

كيفية تسلسل البيانات المستخرجة

التسلسل يتيح لك تخزين البيانات المستخرجة للفهارس المستقبلية.

ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
extractedData.serialize(outputStream);
byte[] serializedArray = outputStream.toByteArray();

كيفية إلغاء تسلسل البيانات المستخرجة

عند جاهزيتك لبناء الفهرس، حوّل مصفوفة البايت مرة أخرى إلى كائن.

ByteArrayInputStream inputStream = new ByteArrayInputStream(serializedArray);
ExtractedData deserializedData = ExtractedData.deserialize(inputStream);

كيفية إنشاء فهرس المستندات

الآن بعد أن لديك deserializedData، يمكنك إنشاء الفهرس الذي سيحتوي على المصطلحات القابلة للبحث.

String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/SeparateDataExtraction";
com.groupdocs.search.Index index = new com.groupdocs.search.Index(indexFolder);

كيفية إضافة البيانات إلى الفهرس وإجراء بحث

إضافة البيانات واستعلام الفهرس يكملان سير عمل استخراج النص من PDF Java.

ExtractedData[] dataToIndex = new ExtractedData[] { deserializedData };
index.add(dataToIndex, new IndexingOptions());

String query = "ipsum";
SearchResult result = index.search(query);

نصيحة احترافية: استخدم index.search("your query", SearchOptions) لضبط ترتيب الصلة بدقة.

حالات الاستخدام الشائعة

  1. أنظمة إدارة المستندات – تحديد سريع للعقود أو الفواتير أو السياسات.
  2. محركات البحث القائمة على المحتوى – تمكين قواعد المعرفة الداخلية بقدرات بحث نص كامل في Java.
  3. حلول أرشفة البيانات – فهرسة السجلات التاريخية لاسترجاع فوري.

اعتبارات الأداء

  • إدارة الذاكرة: اضبط حجم heap في JVM للدفعات الكبيرة من المستندات.
  • خيارات الفهرسة: عطل الميزات غير الضرورية (مثل term vectors) لتسريع الفهرسة.
  • التحديثات المنتظمة: حافظ على تحديث GroupDocs.Search للاستفادة من تحسينات الأداء.

الأسئلة المتكررة

س: كيف أتعامل مع ملفات PDF كبيرة جدًا بكفاءة؟
ج: قم بتدفق الملف باستخدام Extractor ومعالجته على أجزاء؛ وزد حجم heap في JVM إذا لزم الأمر.

س: هل يمكنني تخصيص صياغة استعلام البحث؟
ج: نعم—يدعم GroupDocs.Search عوامل Boolean، والوايلدكارد، والبحث القريب.

س: ماذا أفعل إذا فشل التسلسل؟
ج: تحقق من أن جميع الكائنات تُطبق Serializable وامسك IOException لتسجيل التفاصيل.

س: هل يمكن فهرسة أقسام محددة فقط من المستند؟
ج: بالتأكيد—قم بتكوين ExtractionOptions لتصفية الصفحات أو الأقسام قبل الفهرسة.

س: كيف أُحدث إلى نسخة أحدث من GroupDocs.Search؟
ج: حدّث رقم النسخة في pom.xml وشغّل mvn clean install؛ راجع دليل الترحيل للتغييرات الجوهرية.

موارد

آخر تحديث: 2026-02-19
تم الاختبار مع: GroupDocs.Search 25.4 للـ Java
المؤلف: GroupDocs