Implementovat vysokou kompresi .NET s GroupDocs: Průvodce textem a redakcí

V moderních .NET řešeních je implement high compression .net nezbytné, když potřebujete uložit obrovské sbírky textu, aniž byste přetížili disk. Současně ochrana citlivých informací—jako jsou osobní identifikátory nebo finanční údaje—vyžaduje spolehlivou redakci. Tento tutoriál vám krok za krokem ukáže, jak nakonfigurovat úložiště textu s vysokou kompresí pomocí GroupDocs.Search a jak bezpečně zakrýt důvěrná data pomocí GroupDocs.Redaction. Na konci budete schopni komprimovat indexovaný text až o 90 % a odstranit soukromý obsah z PDF, Word souborů a mnoha dalších formátů.

Rychlé odpovědi

  • Která knihovna poskytuje indexování s vysokou kompresí? GroupDocs.Search for .NET.
  • Který nástroj zakrývá citlivá data? GroupDocs.Redaction for .NET.
  • Mohu přidávat dokumenty do indexu automaticky? Ano—použijte API AddDocument uvnitř smyčky pro prohledávání složky.
  • Je komprese bezeztrátová pro vyhledávání? Ano, text zůstává po kompresi plně prohledávatelný.
  • Potřebuji licenci pro produkci? Pro komerční použití je vyžadována trvalá licence GroupDocs.

Co je “implement high compression .net”?

Implement high compression .net znamená nakonfigurovat vyhledávací engine GroupDocs.Search tak, aby ukládal extrahovaný textový obsah v komprimované podobě. To dramaticky snižuje velikost indexu na disku, přičemž text zůstává plně prohledávatelný. Komprese je bezeztrátová, takže relevance dotazů a extrakce úryvků fungují přesně jako u nekomprimovaného indexu.

Proč používat GroupDocs pro kompresi a redakci?

GroupDocs.Search podporuje více než padesát vstupních formátů a může komprimovat indexovaný text až o devadesát procent, což umožňuje velkým kolekcím dokumentů zabírat jen zlomek původní velikosti. GroupDocs.Redaction to doplňuje trvalým vymazáním nebo maskováním citlivých informací ve více než třiceti typech souborů, což vám pomáhá splnit přísné předpisy o souladu, jako jsou GDPR a HIPAA, bez dalších nástrojů.

Předpoklady

  • Vývojové prostředí: Visual Studio 2022 nebo novější, .NET 6+ (nebo .NET Framework 4.7.2).
  • Knihovny: NuGet balíčky GroupDocs.Search a GroupDocs.Redaction.
  • Oprávnění: Přístup ke čtení/zápisu do složek, které obsahují zdrojové dokumenty a umístění výstupu indexu.
  • Základní znalosti: syntaxe C#, práce se soubory (I/O) a povědomí o struktuře .NET projektu.

Jak implementovat vysokou kompresi .NET s GroupDocs?

Pro implementaci vysoké komprese .NET s GroupDocs nejprve vytvořte instanci TextStorageSettings a nastavte její CompressionLevel na High. Poté vytvořte objekt Index, předáte nastavení a složku, kde bude index uložen. Jakmile je index připraven, přidejte dokumenty pomocí AddDocument a nakonec spusťte vyhledávání metodou Search, přičemž engine transparentně zpracovává kompresi a dekompresi.

Krok 1: Nainstalovat požadované NuGet balíčky

.NET CLI

dotnet add package GroupDocs.Search

dotnet add package GroupDocs.Redaction

Package Manager

Install-Package GroupDocs.Search

Install-Package GroupDocs.Redaction

NuGet Package Manager UI

  • Vyhledejte “GroupDocs.Search” a klikněte na Install.

Krok 2: Nainstalovat GroupDocs.Redaction (pro redakci dat)

  • Otevřete NuGet Package Manager.
  • Vyhledejte GroupDocs.Redaction a nainstalujte nejnovější stabilní verzi.

Krok 3: Získat a použít licenci

  • Free trial: Zaregistrujte se na portálu GroupDocs pro 30‑denní zkušební klíč.
  • Temporary license: Požádejte o dočasný klíč pro vývojová prostředí.
  • Permanent license: Zakupte produkční licenci pro odstranění omezení hodnocení.

Krok 4: Základní inicializace obou knihoven

Enginy Search a Redaction sdílejí společný licenční model. Inicializujte je při spuštění aplikace:

// Initialize GroupDocs.Search
var searchLicense = new License();
searchLicense.SetLicense("path/to/search.lic");

// Initialize GroupDocs.Redaction
var redactionLicense = new License();
redactionLicense.SetLicense("path/to/redaction.lic");

using GroupDocs.Redaction;
// Initialize the Redactor with your document path
Redactor redactor = new Redactor("YOUR_DOCUMENT_PATH");

Funkce 1: Nastavení úložiště textu s vysokou kompresí

Nastavení konfigurace indexování

TextStorageSettings je třída, která říká GroupDocs.Search, jak uchovávat extrahovaný text. Povolení vysoké komprese snižuje velikost indexu až o 10× bez ovlivnění rychlosti vyhledávání.

var textStorage = new TextStorageSettings
{
    Compression = CompressionLevel.High,   // Enables maximum compression
    UseMemoryCache = false                // Reduces RAM usage for huge indexes
};

using GroupDocs.Search;
using GroupDocs.Search.Options;

// Creating an index settings instance
dIndexSettings settings = new IndexSettings();
settings.TextStorageSettings = new TextStorageSettings(Compression.High);

Vysvětlení:

  • CompressionLevel.High aktivuje algoritmus založený na ZSTD, který efektivně komprimuje textové bloky.
  • UseMemoryCache = false nutí engine streamovat data z disku, což je ideální pro rozsáhlá nasazení.

Vytváření a správa indexu

Objekt Index představuje prohledávatelný úložiště na disku. Zadejte složku, kde budou uloženy soubory indexu, a předáte výše definovaná nastavení komprese.

var indexFolder = @"C:\Indexes\HighCompression";
var settings = new IndexSettings { TextStorage = textStorage };
var index = new Index(indexFolder, settings);

string indexFolder = "/path/to/your/index/directory";
Index index = new Index(indexFolder, settings);

Vysvětlení:

  • indexFolder určuje, kde jsou uloženy komprimované soubory indexu.
  • settings vkládá konfiguraci vysoké komprese, zajišťuje, že každý přidaný dokument z toho těží.

Funkce 2: Přidávání dokumentů do indexu

Přidat dokumenty do vašeho indexu

AddDocument přidá jeden soubor do indexu, extrahuje jeho text, komprimuje jej podle nastavených parametrů a uloží výsledek. GroupDocs.Search může načíst soubory ze stromu adresářů. Následující smyčka prochází documentsFolder, přidává každý soubor a zaznamenává průběh.

var documentsFolder = @"C:\SourceDocs";
foreach (var filePath in Directory.GetFiles(documentsFolder, "*.*", SearchOption.AllDirectories))
{
    index.AddDocument(filePath);
}

string documentsFolder = "/path/to/your/documents";
index.Add(documentsFolder);

Vysvětlení:

  • AddDocument parsuje soubor, extrahuje prohledávatelný text, komprimuje jej podle TextStorageSettings a uloží do indexu.
  • Tento přístup funguje pro PDF, DOCX, TXT, HTML a více než 30 dalších formátů.

Funkce 3: Spuštění vyhledávacího dotazu

Proveďte vyhledávání

Search spustí dotaz proti komprimovanému indexu a vrátí kolekci odpovídajících objektů DocumentResult s relevancí a zvýrazněnými úryvky. Jakmile je index naplněn, můžete spouštět rychlé dotazy. Metoda Search vrací kolekci objektů DocumentResult, které obsahují cesty k souborům a zvýrazněné úryvky.

var query = "confidential";
var results = index.Search(query);
foreach (var result in results)
{
    Console.WriteLine($"{result.FilePath} – Score: {result.Score}");
}

string query = "searchTerm";
SearchResult result = index.Search(query);

Vysvětlení:

  • Vyhledávací engine skenuje komprimovaný text přímo, takže latence dotazu zůstává nízká i pro indexy obsahující miliony stránek.
  • Score udává relevanci; vyšší hodnoty znamenají lepší shodu.

Jak zakrýt důvěrná data pomocí GroupDocs.Redaction?

Zakrývání důvěrných dat pomocí GroupDocs.Redaction začíná vytvořením instance Redactor pro cílový soubor. Definujte jeden nebo více objektů SearchPattern, které popisují text k odstranění, například regulární výrazy pro čísla sociálního zabezpečení. Použijte každý vzor pomocí Redact, specifikujte RedactionType jako BlackOut, a uložte výsledek jako nový dokument, aby originál zůstal nedotčený.

Redactor je hlavní třída v GroupDocs.Redaction používaná k načtení dokumentu a provádění operací redakce.
SearchPattern definuje regulární výraz, který identifikuje text k zakrytí.

var redactor = new Redactor(@"C:\Docs\Sensitive.pdf");
redactor.Apply(new RedactionOptions
{
    SearchPattern = @"\b\d{3}-\d{2}-\d{4}\b", // SSN pattern
    RedactionColor = Color.Black,
    RedactionType = RedactionType.BlackOut
});
redactor.Save(@"C:\Docs\Sensitive_redacted.pdf");

using GroupDocs.Search;
using GroupDocs.Search.Options;

// Creating an index settings instance
dIndexSettings settings = new IndexSettings();
settings.TextStorageSettings = new TextStorageSettings(Compression.High);

Vysvětlení:

  • SearchPattern používá regulární výraz k nalezení čísel sociálního zabezpečení.
  • RedactionType.BlackOut nahrazuje nalezený text pevným černým obdélníkem, čímž zajišťuje, že data nelze obnovit.

Praktické aplikace

  1. Správa právních dokumentů: Automaticky komprimovat masivní spisové soubory a zakrýt identifikátory klientů před archivací.
  2. Zdravotnické záznamy: Ukládat roky poznámek pacientů v komprimovaném indexu a odstranit PHI (chráněné zdravotní informace) před sdílením s výzkumnými partnery.
  3. Finanční výkaznictví: Zabezpečit čtvrtletní zprávy zakrytím čísel účtů, přičemž zachovat prohledávatelný text pro auditní dotazy.

Úvahy o výkonu

  • Vliv komprese: Vysoká komprese snižuje velikost indexu až o 90 %, což snižuje opotřebení SSD a urychluje zálohovací operace.
  • Využití paměti: Vypněte cache v paměti pro velmi velké indexy, aby stopa procesu zůstala pod 500 MB.
  • Optimalizace I/O: Přidávejte dokumenty ve skupinách po 100, aby se minimalizovalo přetěžování disku.
  • Asynchronní zpracování: Zabalte volání AddDocument do Task.Run, aby UI vlákna zůstala responsivní v desktopových aplikacích.

Časté problémy a řešení

  • Nesprávné cesty k souborům: Ověřte, že documentsFolder a indexFolder jsou absolutní cesty a že aplikace má oprávnění ke čtení/zápisu.
  • Chyby licence: Ujistěte se, že soubory .lic jsou nasazeny vedle spustitelného souboru nebo vloženy jako zdroje.
  • Vyhledávání nevrací výsledky: Zkontrolujte, že úroveň komprese TextStorageSettings odpovídá té použité při indexování; nesoulad nastavení může způsobit selhání deserializace.

Často kladené otázky

Q: Mohu po počátečním vytvoření přidávat dokumenty do indexu?
A: Ano—jednoduše zavolejte index.AddDocument pro nové soubory; engine aktualizuje komprimovaný index inkrementálně.

Q: Změní redakce původní soubor?
A: Ne—originální soubor zůstává nedotčen; redigovaná verze je uložena jako nový soubor, zachovává integritu dokumentu.

Q: Jaké formáty GroupDocs.Redaction podporuje?
A: Více než 30 formátů, včetně PDF, DOCX, PPTX, XLSX, obrázků (PNG, JPEG) a prostého textu.

Q: Jak vysoká komprese ovlivňuje relevanci vyhledávání?
A: Neovlivňuje. Komprese je bezeztrátová pro text, takže skóre relevance jsou identická s nekomprimovaným indexem.

Q: Existuje limit velikosti dokumentů, které mohu indexovat?
A: GroupDocs.Search dokáže zpracovat soubory o velikosti několika gigabajtů streamováním obsahu; však zajistěte dostatek místa na disku pro komprimovaný index (přibližně 10 % původní velikosti).

Zdroje

Poslední aktualizace: 2026-06-07
Testováno s: GroupDocs.Search 23.12 a GroupDocs.Redaction 23.12 pro .NET
Autor: GroupDocs

Související tutoriály