Vytvoření vlastního vyhledávacího indexu s rozpoznáváním znaků pomocí GroupDocs.Search pro Java

V moderních aplikacích pracujících s velkým množstvím dokumentů je vytvoření vlastního vyhledávacího indexu, který rozumí nuancím vašeho textu – například spojovníkům, podtržítkům nebo jazykově specifickým symbolům – nezbytné pro rychlé a přesné vyhledávání. Tento tutoriál vás provede nastavením rozpoznávání znaků v GroupDocs.Search pro Java, pokrývající jak běžné znaky (písmena, číslice, podtržítka), tak i spojené znaky (ř. spojovníky). Na konci budete schopni přizpůsobit index tak, aby přesně vyhovoval vašim potřebám OCR nebo vyhledávání obrázků.

Rychlé odpovědi

Co znamená „vytvořit vlastní vyhledávací index“? Znamená to nakonfigurovat index tak, aby určité symboly považoval za písmena nebo spojené znaky, místo aby je ignoroval.
Která knihovna se používá? GroupDocs.Search pro Java (v25.4 v době psaní).
Potřebuji licenci? Bezplatná zkušební verze funguje pro vývoj; pro produkci je vyžadována placená licence.
Mohu indexovat jak PDF, tak i obrázky? Ano – GroupDocs.Search podporuje OCR na obrázcích i PDF, pokud je správně nakonfigurován.
Je Maven povinný? Maven je doporučený způsob správy závislostí, ale můžete také použít Gradle nebo ruční JAR soubory.

Co je vlastní vyhledávací index?

Vlastní vyhledávací index vám umožňuje definovat, jak vyhledávací engine interpretuje znaky. Ve výchozím nastavení jsou mnohé symboly ignorovány, což může vést k neúspěšným shodám u např. čísel spisů (ABC-123) nebo úryvků kódu (my_variable). Úprava slovníku abecedy vám dává plnou kontrolu nad tím, co engine považuje za prohledávatelný text.

Proč konfigurovat běžné a spojené znaky?

Běžné znaky (písmena, číslice, podtržítka) jsou považovány za samostatné tokeny, což zlepšuje vyhledávání přesných shod.
Spojené znaky (spojovníky, lomítka) spojují slova; jejich konfigurace zabraňuje nechtěnému rozdělení tokenů, což je klíčové pro právní odkazy, kódy produktů nebo indexování zdrojového kódu.

Předpoklady

JDK 8 nebo novější nainstalováno.
Maven pro správu závislostí.
Přístup ke knihovně GroupDocs.Search pro Java (stažené přes Maven nebo oficiální web).

Požadované knihovny a závislosti

Přidejte záznamy repozitáře a závislosti do vašeho pom.xml (jak je ukázáno níže). XML blok musí zůstat nezměněn.

<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>

Můžete také stáhnout nejnovější JAR soubory z vydání GroupDocs.Search pro Java.

Získání licence

Bezplatná zkušební verze – ideální pro první experimenty.
Dočasná licence – užitečná pro delší vývojové cykly.
Produkční licence – vyžadována pro komerční nasazení.

Získejte licenci z oficiálního portálu: GroupDocs.

Základní inicializace

Níže uvedený úryvek ukazuje minimální kód potřebný k vytvoření prázdného indexu. Nechte jej beze změny; později na něj navážeme.

import com.groupdocs.search.*;

public class GroupDocsSearchSetup {
    public static void main(String[] args) {
        String indexFolder = "YOUR_OUTPUT_DIRECTORY";
        String documentFolder = "YOUR_DOCUMENT_DIRECTORY";

        Index index = new Index(indexFolder);
        
        System.out.println("GroupDocs.Search setup completed!");
    }
}

Nastavení GroupDocs.Search pro Java

Instalace pomocí Maven

Maven konfigurace ze sekce Předpoklady je vše, co potřebujete. Po jejím přidání spusťte mvn clean install pro stažení binárek.

Požadavky na nastavení prostředí

Ujistěte se, že složka indexu a složka dokumentů existují na disku.
Používejte absolutní cesty nebo nakonfigurujte své IDE tak, aby správně řešilo relativní cesty.

Průvodce implementací

Níže projdeme dvě odlišné funkce: běžné znaky a spojené znaky. Každá funkce následuje stejný vzor – definujte cesty, vytvořte index, nastavte slovník znaků a nakonec indexujte své dokumenty.

Funkce 1 – Běžné znaky

Přehled

Běžné znaky jsou považovány za nezávislé tokeny. To je ideální, když chcete, aby číslice, písmena a podtržítka byly prohledávatelné přesně tak, jak se objeví.

Implementace krok za krokem

1️⃣ Nastavení cest
Definujte, kde bude index uložen a kde se nacházejí vaše zdrojové dokumenty.

String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/RegularCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";

2️⃣ Vytvoření a konfigurace indexu
Vytvořte instanci indexu a vymažte jakoukoli předchozí konfiguraci abecedy.

Index index = new Index(indexFolder);
index.getDictionaries().getAlphabet().clear();

3️⃣ Definice běžných znaků
Sestavte pole znaků, které zahrnuje číslice, latinská písmena a podtržítko.

StringBuilder sb = new StringBuilder();
for (char i = 0x0030; i <= 0x0039; i++) { // Digits
    sb.append(i);
}
for (char i = 0x0041; i <= 0x005A; i++) { // Latin capital letters
    sb.append(i);
}
sb.append(0x005F); // Underscore
for (char i = 0x0061; i <= 0x007A; i++) { // Latin small letters
    sb.append(i);
}

// Convert to character array and set as alphabet range
char[] characters = new char[sb.length()];
sb.getChars(0, sb.length(), characters, 0);
index.getDictionaries().getAlphabet().setRange(characters, CharacterType.Letter);

4️⃣ Indexování dokumentů
Přidejte všechny soubory ze zdrojové složky do nově nakonfigurovaného indexu.

index.add(documentFolder);

Funkce 2 – Spojené znaky

Přehled

Spojené znaky (např. spojovníky) často spojují dvě slova. Označení je jako spojené říká engine, aby během indexování udržel okolní tokeny pohromadě.

Implementace krok za krokem

1️⃣ Nastavení cest

String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/BlendedCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";

2️⃣ Vytvoření a konfigurace indexu

Index index = new Index(indexFolder);

3️⃣ Definice spojených znaků
Zde říkáme slovníku, že spojovník by měl být považován za spojený znak.

index.getDictionaries().getAlphabet().setRange(new char[] { '-' }, CharacterType.Blended);

4️⃣ Indexování dokumentů

index.add(documentFolder);

Praktické aplikace

Případ použití 1 – Správa právních dokumentů

Právní soubory často obsahují čísla spisů jako 2023-AB-456. Konfigurací podtržítek a spojovníků vyhledávání vrací přesné shody, aniž by identifikátor rozdělovalo.

Případ použití 2 – Repozitáře zdrojového kódu

Vývojáři potřebují vyhledávat úryvky kódu, kde jsou podtržítka (my_variable) a spojovníky (my-function) významné. Vlastní rozpoznávání znaků zajišťuje, že vyhledávací engine respektuje tyto symboly.

Případ použití 3 – Vícejazyčné datové sady

Při práci s jazyky, které používají další abecedy, můžete rozšířit sadu běžných znaků o tyto Unicode rozsahy, což zaručuje přesné výsledky vyhledávání napříč jazyky.

Úvahy o výkonu

Správa zdrojů – Sledujte využití haldy; velké indexy těží z inkrementálních commitů.
Garbage Collection – Uvolněte objekty Index, když jsou hotové, aby JVM mohl uvolnit paměť.
Optimalizace indexu – Periodicky zavolejte index.optimize() (pokud je k dispozici) pro kompakci indexu a zrychlení dotazů.

Závěr

Nyní víte, jak vytvořit vlastní vyhledávací index, který rozlišuje mezi běžnými a spojenými znaky pomocí GroupDocs.Search pro Java. Tato jemná kontrola vám umožní vytvářet OCR‑vědomá, výkonná vyhledávací řešení přizpůsobená právnímu, vývojářskému nebo vícejazyčnému prostředí.

Další kroky

Experimentujte s dalšími Unicode rozsahy pro ne‑latinské abecedy.
Kombinujte konfiguraci znaků s dalšími funkcemi GroupDocs.Search, jako je stemming nebo synonymum.
Integrovat index do REST API pro zpřístupnění vyhledávacích možností front‑end aplikacím.

Často kladené otázky

Q: Jaký je účel CharacterType.Letter?
A: Říká indexu, aby považoval dodané znaky za běžná písmena, takže jsou během indexování tokenizovány samostatně.

Q: Mohu v jednom indexu kombinovat běžné i spojené znaky?
A: Ano – stačí zavolat setRange pro každý typ; slovník bude obě konfigurace zpracovávat současně.

Q: Musím po změně abecedy znovu vytvořit index?
A: Rozhodně. Změny ve slovníku znaků ovlivňují tokenizaci, takže musíte dokumenty znovu indexovat, aby se nová pravidla uplatnila.

Q: Existuje limit na počet vlastních znaků, které mohu definovat?
A: Knihovna podporuje celý Unicode rozsah; výkon může klesat, pokud přidáte extrémně velkou sadu, proto omezte na znaky, které skutečně potřebujete.

Q: Jak to ovlivňuje přesnost OCR?
A: Přizpůsobením znakové sady indexu výstupu OCR motoru snižujete počet falešných negativ a zlepšujete celkovou relevanci vyhledávání.

Last Updated: 2026-01-11
Tested With: GroupDocs.Search 25.4 for Java
Author: GroupDocs