استخراج نص PDF Java – بناء فهرس باستخدام GroupDocs.Search

في هذا الدليل العملي ستكتشف كيفية استخراج نص pdf java من ملفات PDF، وتسلسل المحتوى المستخرج، وإنشاء فهرس قابل للبحث عالي الأداء. سواءً كنت تبني قاعدة معرفة داخلية، أو بوابة بحث عن العقود، أو محرك بحث مخصص، فإن الخطوات أدناه ستقودك عبر كل شيء—من استخراج النص من ملفات PDF إلى تشغيل استعلامات نصية كاملة قوية. لنبدأ ونرى لماذا يجعل GroupDocs.Search العملية بأكملها سلسة وقابلة للتوسع.

إجابات سريعة

طريقة index.search تنفّذ استعلامًا على الفهرس المُنشأ وتعيد قائمة بالمستندات المطابقة مع درجات الصلة.

  • ما هو الهدف الرئيسي؟ استخراج نص pdf java من ملفات PDF 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 تعمل للتطوير؛ الترخيص الكامل مطلوب للإنتاج.
  • هل يمكنني فهرسة ملفات PDF؟ نعم—استخراج نص PDF وإضافته إلى الفهرس.
  • كيف أقوم بتنفيذ بحث؟ استخدم طريقة index.search(query) بعد إضافة البيانات.

ما هو فهرس المستند؟

فهرس المستند هو مجموعة منظمة من المصطلحات القابلة للبحث المستخرجة من ملفاتك. يربط كل مصطلح بالمستندات التي يظهر فيها، مما يتيح عمليات بحث نصية كاملة سريعة عبر مستودعات كبيرة ويقلل زمن البحث من دقائق إلى مليثانية، مع دعم ميزات الترتيب والملاءمة.

لماذا تستخدم GroupDocs.Search لـ Java؟

GroupDocs.Search يدعم 50+ صيغ إدخال وإخراج، يمكنه فهرسة ملايين المستندات دون تحميل الملف بالكامل إلى الذاكرة، ويقدم لغة استعلام غنية مع عوامل بوليانية، وحرف بدل، وعوامل القرب. تجعل هذه القدرات الكمية منه مثاليًا لحلول البحث على مستوى المؤسسة. كما يوفر اكتشاف اللغة المدمج، والتجذير، ومحللات قابلة للتخصيص لتحسين دقة البحث للمحتوى متعدد اللغات.

المتطلبات المسبقة

  • GroupDocs.Search for Java (الإصدار 25.4 أو أحدث).
  • Java Development Kit (JDK) المتوافق مع نسخة GroupDocs الخاصة بك.
  • بيئة تطوير متكاملة مثل IntelliJ IDEA أو Eclipse.
  • Maven لإدارة الاعتماديات.

إعداد GroupDocs.Search لـ Java

أولاً، أضف المكتبة إلى مشروعك.

إعداد Maven
ضمن ملف pom.xml الخاص بك أدرج التالي:

<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، قم بتنزيل أحدث نسخة من إصدارات GroupDocs.Search لـ Java.

الحصول على الترخيص

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

كيفية استخراج النص من ملفات PDF (والمستندات الأخرى)

حمّل ملف PDF (أو المستند المدعوم) باستخدام الفئة Extractor، اضبط خيارات الاستخراج، ثم استدعِ extractText(). هذه الدعوة ذات السطر الواحد تُعيد النص الخام أو المنسق جاهزًا للفهرسة.

الفئة Extractor هي المكوّن الأساسي في GroupDocs.Search الذي يقرأ المستند وينتج نصًا عاديًا أو منسقًا.

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

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

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

كيفية تسلسل البيانات المستخرجة

التسلسل يحول كائن النص المستخرج إلى مصفوفة بايت، مما يتيح لك تخزينه على القرص أو إرساله عبر الشبكة للفهرسة لاحقًا.

الأداة SerializationUtil توفر طرقًا ثابتة لتحويل الكائنات إلى تدفقات بايت والعكس.

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

كيفية إلغاء تسلسل البيانات المستخرجة

عند استعدادك لبناء الفهرس، قم بإلغاء تسلسل مصفوفة البايت المخزنة سابقًا إلى كائن الاستخراج الأصلي.

طريقة deserialize تعيد الحالة الدقيقة لنتيجة الاستخراج، مما يضمن عدم فقدان البيانات بين الجلسات.

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

كيفية إنشاء فهرس المستند

أنشئ كائن Index، حدد مجلد التخزين، واضبط خيارات الفهرسة مثل متجهات المصطلحات ومعالجة كلمات الوقف.

الفئة Index تمثل الحاوية القابلة للبحث التي تحتفظ بجميع المصطلحات، مراجع المستندات، والبيانات الوصفية.

// ```java
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

أضف نتيجة الاستخراج غير المسلسلة إلى الفهرس باستخدام index.add()، ثم استعلم باستخدام index.search() للحصول على نتائج فورية.

طريقة add تسجّل مصطلحات المستند في الفهرس، بينما search تنفّذ الاستعلام ضد تلك المصطلحات.

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

// ```java
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، الفواتير، أو السياسات.
  2. محركات البحث القائمة على المحتوى – تمكين قواعد المعرفة الداخلية بقدرات بحث نصية كاملة في Java.
  3. حلول أرشفة البيانات – فهرسة السجلات التاريخية لاسترجاع فوري.

اعتبارات الأداء

طريقة setStoreTermVectors(boolean) تضبط ما إذا كانت متجهات المصطلحات تُخزن في الفهرس، مما يؤثر على حجم الفهرس وأداء الاستعلام.

  • إدارة الذاكرة: زد حجم كومة JVM (مثال، -Xmx4g) عند معالجة دفعات أكبر من 500 MB.
  • خيارات الفهرسة: عطل متجهات المصطلحات (setStoreTermVectors(false)) لتقليل حجم الفهرس بنسبة تصل إلى 30 %.
  • التحديثات المنتظمة: حافظ على تحديث GroupDocs.Search؛ كل إصدار فرعي يتضمن تحسينات سرعة متوسطة تتراوح بين 10‑15 %.

الأسئلة المتكررة

س: كيف أتعامل مع ملفات PDF الكبيرة جدًا بكفاءة؟
ج: قم ببث الملف باستخدام Extractor ومعالجته على أجزاء؛ وزد حجم كومة JVM إذا لزم الأمر.

س: هل يمكنني تخصيص صياغة استعلام البحث؟
ج: نعم—GroupDocs.Search يدعم عوامل بوليانية، وحروف بدل، وبحث القرب.

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

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

س: كيف أقوم بترقية إلى نسخة أحدث من GroupDocs.Search؟
ج: حدّث رقم النسخة في ملف pom.xml وشغّل mvn clean install؛ راجع دليل الترحيل للتغييرات الم breaking.

الموارد

آخر تحديث: 2026-07-07
تم الاختبار مع: GroupDocs.Search 25.4 for Java
المؤلف: GroupDocs

دروس ذات صلة