Jak vytvořit index v .NET s GroupDocs Search API

V tomto tutoriálu se dozvíte jak vytvořit index pro vaše .NET aplikace pomocí GroupDocs.Search a poté chránit citlivý obsah pomocí GroupDocs.Redaction. Na konci průvodce budete schopni vytvořit, aktualizovat a ořezat prohledávatelný index a pochopíte, proč je kombinace vyhledávání a redakce nejlepší praxí pro zabezpečenou správu dokumentů.

Rychlé odpovědi

  • Co znamená „jak vytvořit index“? Znamená to vytvoření prohledávatelné datové struktury, která mapuje obsah dokumentu na rychlé vyhledávací klíče.
  • Které knihovny jsou vyžadovány? GroupDocs.Search a GroupDocs.Redaction pro .NET (balíčky NuGet).
  • Mohu indexovat PDF, Word a obrázky? Ano — podporováno je více než 150 formátů přímo z krabice.
  • Jak smažu dokument z indexu? Zavolejte metodu Delete s cestou nebo ID dokumentu.
  • Provádí se redakce před nebo po indexování? Redakce by měla proběhnout jako první, aby chráněná data nikdy nešla do indexu.

Co je „jak vytvořit index“?

Fráze jak vytvořit index odkazuje na proces generování prohledávatelné datové struktury, která ukládá mapování termín‑dokument pro rychlé získání. V GroupDocs tato struktura žije na disku a může být inkrementálně aktualizována bez nutnosti přestavovat celou kolekci.

Proč používat GroupDocs.Search a GroupDocs.Redaction společně?

GroupDocs.Search podporuje indexování více než 150 formátů souborů a dokáže zpracovat indexy větší než 10 GB, přičemž udržuje využití paměti pod 200 MB, protože soubory streamuje místo jejich úplného načtení. Přidání GroupDocs.Redaction zajišťuje, že jakýkoli důvěrný text, obrázky nebo metadata jsou odstraněny dříve, než obsah vůbec dorazí do indexu, což garantuje soulad s GDPR, HIPAA a dalšími předpisy.

Předpoklady

  • Knihovny a verze – Nainstalujte nejnovější balíčky NuGet GroupDocs.Search a GroupDocs.Redaction, které jsou kompatibilní s .NET 6 nebo novějším.
  • IDE – Visual Studio 2022 (nebo jakékoli IDE podporující .NET 6).
  • Znalosti – Základní dovednosti v C#, znalost práce se soubory (I/O) a pochopení konceptů indexování.

Nastavení GroupDocs.Redaction pro .NET

Instalace

Using .NET CLI:

dotnet add package GroupDocs.Redaction

Using Package Manager Console in Visual Studio:

Install-Package GroupDocs.Redaction

Můžete také najít „GroupDocs.Redaction“ v uživatelském rozhraní NuGet Package Manager a nainstalovat nejnovější stabilní verzi.

Získání licence

Můžete získat bezplatnou zkušební verzi nebo požádat o dočasnou licenci, abyste mohli prozkoumat všechny funkce bez omezení. Navštivte GroupDocs’ Purchase Page pro více informací o získání licence.

Základní inicializace

Redactor je hlavní třída, která provádí operace redakce na dokumentu.
Následující úryvek ukazuje minimální kód potřebný k zahájení používání GroupDocs.Redaction:

// Initialize the Redactor with a file path or stream
using (Redactor redactor = new Redactor("input.docx"))
{
    // Your redaction code here
}

Toto jednoduché nastavení je vše, co potřebujete k zahájení používání GroupDocs.Redaction.

Průvodce implementací

Jak vytvořit index?

Index představuje prohledávatelný kontejner, který obsahuje slovníky termínů a metadata dokumentů.
Načtěte nebo vytvořte objekt Index, nasměrujte jej do složky, kde budou uloženy soubory indexu, a zavolejte Create. Operace zapíše potřebné soubory metadat a připraví engine pro ingestování dokumentů.

// Direct answer (40‑70 words):
Create a new `Index` instance by specifying the folder path where the index will reside, then invoke `Create()` to initialise the storage structures. The method writes index headers, term dictionaries, and a lock file, making the folder ready for document addition. This step is required only once per index location.

Krok 1: Vytvořit index

using GroupDocs.Search;

string indexFolder = @"YOUR_DOCUMENT_DIRECTORY/AdvancedUsage/Indexing/DeleteIndexedPaths";
Index index = new Index(indexFolder);
// This line initializes an index at the provided folder path.

Jak přidat dokumenty do indexu?

Add vloží jeden dokument do indexu, zatímco AddFolder zpracuje všechny soubory v adresáři.
Soubory přidáte voláním Add nebo AddFolder. Engine načte každý podporovaný soubor, extrahuje text a aktualizuje slovník termínů.

// Direct answer (40‑70 words):
Use `index.AddFolder("C:\\Docs")` or `index.Add("C:\\Docs\\file.pdf")` to feed documents into the index. The API streams each file, extracts searchable text, and stores term‑frequency data without loading the entire file into memory, which lets you index thousands of large PDFs efficiently.

Krok 2: Přidat složky dokumentů

string documentsFolder1 = @"YOUR_DOCUMENT_DIRECTORY";
string documentsFolder2 = @"YOUR_DOCUMENT_DIRECTORY2";

index.Add(documentsFolder1);  // Adding the first folder of documents to the index
index.Add(documentsFolder2);  // Adding the second folder of documents to the index

Jak získat indexované cesty?

GetIndexedPaths vrací kolekci všech cest dokumentů uložených v indexu.
Získání seznamu indexovaných cest souborů vám umožní ověřit, které dokumenty jsou momentálně prohledávatelné.

// Direct answer (40‑70 words):
Call `index.GetIndexedDocuments()` to obtain a collection of `IndexedDocumentInfo` objects, each containing the original file path, document ID, and indexing timestamp. Loop through the collection and output the `FilePath` property to confirm that every expected file has been successfully added.

Krok 3: Zobrazit indexované cesty

string[] indexedPaths1 = index.GetIndexedPaths();
foreach (string path in indexedPaths1)
{
    Console.WriteLine(path); // Outputs the document paths
}

Jak smazat dokument z indexu?

Delete odstraní dokument z indexu podle jeho cesty nebo identifikátoru.
Když je soubor odstraněn nebo se stane zastaralým, měli byste smazat jeho záznam, aby výsledky vyhledávání zůstaly přesné.

// Direct answer (40‑70 words):
Invoke `index.Delete("C:\\Docs\\obsolete.pdf")` or `index.Delete(documentId)` to purge a specific document from the index. The method removes all term entries linked to that file, updates the term dictionary, and frees the space on disk, ensuring that future queries no longer return the deleted content.

Krok 4: Smazat konkrétní cesty

using GroupDocs.Search.Options;

string[] pathsToDelete = { @"YOUR_DOCUMENT_DIRECTORY" };
DeleteResult deleteResult = index.Delete(pathsToDelete, new UpdateOptions());
// This deletes specified document paths from the index.

Jak ověřit zbývající indexované cesty po smazání?

Po odstranění můžete znovu spustit metodu pro získání, abyste se ujistili, že index odráží aktuální stav.

// Direct answer (40‑70 words):
Run `index.GetIndexedDocuments()` again and compare the resulting list with the pre‑deletion list. The missing file path confirms successful deletion, while the remaining entries confirm the index’s integrity. This verification step is especially important in automated pipelines.

Krok 5: Ověřit zbývající cesty

string[] indexedPaths2 = index.GetIndexedPaths();
foreach (string path in indexedPaths2)
{
    Console.WriteLine(path); // Displays remaining paths after deletion
}

Praktické aplikace

  1. Systémy správy dokumentů – Rychle najděte smlouvy, faktury nebo manuály mezi miliony souborů.
  2. Právní revize dokumentů – Redigujte privilegované informace před indexováním, aby nedošlo k náhodnému odhalení.
  3. Archivní řešení – Uchovávejte prohledávatelná metadata historických záznamů bez načítání celých archivů do paměti.
  4. Platformy pro správu obsahu – Zajišťují vyhledávání napříč celým webem pro blogy, znalostní báze a multimediální knihovny.
  5. Audity souladu s předpisy – Zajišťují, že pouze očištěný obsah je prohledávatelný, splňující regulační požadavky.

Úvahy o výkonu

  • Optimalizace indexování – Plánujte inkrementální indexování každou noc; použijte AddFolder s velikostí dávky 100 souborů pro snížení špiček I/O.
  • Správa zdrojů – Sledujte CPU a RAM; GroupDocs.Search zpracovává soubory ve streamovacím režimu, udržuje špičkovou paměť pod 200 MB i pro indexy o velikosti 10 GB.
  • Nejlepší postupy – Ukládejte index na SSD pro subsekundovou odezvu dotazů a povolte kompresi (index.Compression = true) pro snížení využití disku na polovinu.

Často kladené otázky

Q: Mohu indexovat ne‑textové soubory pomocí GroupDocs?
A: Ano, GroupDocs.Search může indexovat více než 150 formátů — včetně PDF, DOCX, PPTX, XLSX a typů obrázků — extrahováním vloženého textu pomocí OCR, kde je to potřeba.

Q: Jak zvládnout velké objemy dokumentů?
A: Použijte AddFolder s konfigurovatelnou velikostí dávky, spusťte indexování ve službě na pozadí a pravidelně volajte Optimize(), aby se sloučily malé segmenty indexu.

Q: Jaké jsou výhody používání redakce spolu s indexováním?
A: Redakce odstraňuje osobně identifikovatelné informace dříve, než vůbec dorazí do indexu, což zaručuje, že výsledky vyhledávání nikdy neodhalí chráněná data.

Q: Je možné přizpůsobit vyhledávací algoritmy?
A: GroupDocs.Search poskytuje slovníky synonym, vlastní tokenizéry a filtry regulárních výrazů, což vám umožní jemně doladit skórování relevance.

Q: Jak řešit běžné problémy s indexováním?
A: Ověřte oprávnění složky, ujistěte se, že .NET runtime odpovídá cíli knihovny, a zkontrolujte soubor protokolu vygenerovaný v adresáři indexu pro podrobné chybové zprávy.

Zdroje

Prozkoumejte tyto zdroje, abyste prohloubili své znalosti a vylepšili implementaci GroupDocs.Search a Redaction v .NET. Šťastné programování!

Last Updated: 2026-07-26
Tested With: GroupDocs.Search 23.10, GroupDocs.Redaction 23.10 for .NET
Author: GroupDocs

Související tutoriály