Erstellen eines benutzerdefinierten Suchindexes mit Zeichenerkennung mithilfe von GroupDocs.Search für Java

In modernen, dokumentintensiven Anwendungen ist das Erstellen eines benutzerdefinierten Suchindexes, der die Nuancen Ihres Textes versteht – wie Bindestriche, Unterstriche oder sprachspezifische Symbole – für schnelle, genaue Abrufe unerlässlich. Dieses Tutorial führt Sie durch die Konfiguration der Zeichenerkennung in GroupDocs.Search für Java, wobei sowohl reguläre Zeichen (Buchstaben, Ziffern, Unterstriche) als auch kombinierte Zeichen (z. B. Bindestriche) behandelt werden. Am Ende können Sie einen Index anpassen, der exakt den Anforderungen Ihres OCR‑ oder Bildsuch‑Szenarios entspricht.

Schnelle Antworten

  • Was bedeutet „create custom search index“? Es bedeutet, einen Index so zu konfigurieren, dass bestimmte Symbole als Buchstaben oder kombinierte Zeichen behandelt werden, anstatt sie zu ignorieren.
  • Welche Bibliothek wird verwendet? GroupDocs.Search für Java (v25.4 zum Zeitpunkt der Erstellung).
  • Brauche ich eine Lizenz? Eine kostenlose Testversion reicht für die Entwicklung; für die Produktion ist eine kostenpflichtige Lizenz erforderlich.
  • Kann ich sowohl PDFs als auch Bilder indexieren? Ja – GroupDocs.Search unterstützt OCR für Bilder und PDFs, wenn es korrekt konfiguriert ist.
  • Ist Maven erforderlich? Maven ist der empfohlene Weg zur Verwaltung von Abhängigkeiten, aber Sie können auch Gradle oder manuelle JARs verwenden.

Was ist ein benutzerdefinierter Suchindex?

Ein benutzerdefinierter Suchindex ermöglicht es Ihnen festzulegen, wie die Suchmaschine Zeichen interpretiert. Standardmäßig werden viele Symbole ignoriert, was zu verpassten Treffern bei z. B. Aktenzeichen (ABC-123) oder Code‑Snippets (my_variable) führen kann. Durch Anpassen des Alphabet‑Wörterbuchs erhalten Sie die volle Kontrolle darüber, was die Engine als durchsuchbaren Text behandelt.

Warum reguläre und kombinierte Zeichen konfigurieren?

  • Reguläre Zeichen (Buchstaben, Ziffern, Unterstriche) werden als eigenständige Token behandelt, was exakte Übereinstimmungen verbessert.
  • Kombinierte Zeichen (Bindestriche, Schrägstriche) verbinden Wörter; ihre Konfiguration verhindert ein unerwünschtes Aufteilen von Token, was für Rechtsreferenzen, Produktcodes oder die Indexierung von Quellcode entscheidend ist.

Voraussetzungen

  • JDK 8 oder höher installiert.
  • Maven für das Abhängigkeitsmanagement.
  • Zugriff auf die GroupDocs.Search für Java‑Bibliothek (heruntergeladen über Maven oder die offizielle Seite).

Erforderliche Bibliotheken und Abhängigkeiten

Fügen Sie die Repository‑ und Abhängigkeits‑Einträge zu Ihrer pom.xml hinzu (wie unten gezeigt). Der XML‑Block muss unverändert bleiben.

<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>

Sie können die neuesten JARs auch von GroupDocs.Search für Java Releases herunterladen.

Lizenzbeschaffung

  • Kostenlose Testversion – ideal für frühe Experimente.
  • Temporäre Lizenz – nützlich für längere Entwicklungszyklen.
  • Produktionslizenz – für den kommerziellen Einsatz erforderlich.

Erhalten Sie eine Lizenz über das offizielle Portal: GroupDocs.

Grundlegende Initialisierung

Das untenstehende Snippet zeigt den minimalen Code, der benötigt wird, um einen leeren Index zu erstellen. Belassen Sie es unverändert; wir werden später darauf aufbauen.

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!");
    }
}

Einrichtung von GroupDocs.Search für Java

Installation über Maven

Die Maven‑Konfiguration aus dem Abschnitt Voraussetzungen ist alles, was Sie benötigen. Nach dem Hinzufügen führen Sie mvn clean install aus, um die Binärdateien zu holen.

Anforderungen an die Umgebung

  • Stellen Sie sicher, dass der Index‑Ordner und der Dokumenten‑Ordner auf dem Datenträger existieren.
  • Verwenden Sie absolute Pfade oder konfigurieren Sie Ihre IDE so, dass relative Pfade korrekt aufgelöst werden.

Implementierungs‑Leitfaden

Im Folgenden gehen wir die beiden unterschiedlichen Funktionen durch: reguläre Zeichen und kombinierte Zeichen. Jede Funktion folgt demselben Muster – Pfade definieren, Index erstellen, das Zeichendictionary festlegen und schließlich die Dokumente indexieren.

Feature 1 – Reguläre Zeichen

Überblick

Reguläre Zeichen werden als unabhängige Token behandelt. Das ist ideal, wenn Ziffern, Buchstaben und Unterstriche exakt so durchsuchbar sein sollen, wie sie erscheinen.

Schritt‑für‑Schritt‑Implementierung

1️⃣ Pfade festlegen
Definieren Sie, wo der Index gespeichert wird und wo Ihre Quelldokumente liegen.

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

2️⃣ Index erstellen und konfigurieren
Instanziieren Sie den Index und löschen Sie jede bereits vorhandene Alphabet‑Konfiguration.

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

3️⃣ Reguläre Zeichen definieren
Erstellen Sie ein Zeichen‑Array, das Ziffern, lateinische Buchstaben und den Unterstrich enthält.

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 Dokumente indexieren
Fügen Sie alle Dateien aus dem Quellordner dem neu konfigurierten Index hinzu.

index.add(documentFolder);

Feature 2 – Kombinierte Zeichen

Überblick

Kombinierte Zeichen (wie Bindestriche) verbinden häufig zwei Wörter. Wenn sie als blended markiert werden, weist das die Engine an, die umgebenden Token beim Indexieren zusammenzuhalten.

Schritt‑für‑Schritt‑Implementierung

1️⃣ Pfade festlegen

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

2️⃣ Index erstellen und konfigurieren

Index index = new Index(indexFolder);

3️⃣ Kombinierte Zeichen definieren
Hier teilen wir dem Wörterbuch mit, dass der Bindestrich als kombiniertes Zeichen behandelt werden soll.

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

4️⃣ Dokumente indexieren

index.add(documentFolder);

Praktische Anwendungen

Anwendungsfall 1 – Verwaltung juristischer Dokumente

Juristische Dateien enthalten häufig Aktenzeichen wie 2023-AB-456. Durch die Konfiguration von Unterstrichen und Bindestrichen liefern Suchvorgänge exakte Treffer, ohne den Bezeichner zu splitten.

Anwendungsfall 2 – Quellcode‑Repositories

Entwickler müssen Code‑Snippets durchsuchen, bei denen Unterstriche (my_variable) und Bindestriche (my-function) bedeutungsvoll sind. Benutzerdefinierte Zeichenerkennung stellt sicher, dass die Suchmaschine diese Symbole respektiert.

Anwendungsfall 3 – Mehrsprachige Datensätze

Wenn Sie mit Sprachen arbeiten, die zusätzliche Alphabete verwenden, können Sie das reguläre Zeichen‑Set erweitern, um diese Unicode‑Bereiche einzuschließen, und so genaue Suchergebnisse über Sprachgrenzen hinweg garantieren.

Leistungs‑Überlegungen

  • Ressourcen‑Management – Behalten Sie die Heap‑Nutzung im Auge; große Indexe profitieren von inkrementellen Commits.
  • Garbage Collection – Geben Sie Index‑Objekte frei, wenn sie nicht mehr benötigt werden, damit die JVM den Speicher zurückgewinnt.
  • Index‑Optimierung – Rufen Sie periodisch index.optimize() (falls verfügbar) auf, um den Index zu komprimieren und die Abfragegeschwindigkeit zu verbessern.

Fazit

Sie wissen jetzt, wie Sie einen benutzerdefinierten Suchindex erstellen, der zwischen regulären und kombinierten Zeichen mithilfe von GroupDocs.Search für Java unterscheidet. Diese feinkörnige Kontrolle ermöglicht es Ihnen, OCR‑bewusste, leistungsstarke Suchlösungen zu bauen, die auf juristische, Entwicklungs‑ oder mehrsprachige Umgebungen zugeschnitten sind.

Nächste Schritte

  • Experimentieren Sie mit zusätzlichen Unicode‑Bereichen für nicht‑lateinische Alphabete.
  • Kombinieren Sie die Zeichenkonfiguration mit anderen GroupDocs.Search‑Funktionen wie Stemming oder Synonymen.
  • Integrieren Sie den Index in eine REST‑API, um Suchfunktionen Front‑End‑Anwendungen bereitzustellen.

Häufig gestellte Fragen

F: Was ist der Zweck von CharacterType.Letter?
A: Es weist den Index an, die angegebenen Zeichen als reguläre Buchstaben zu behandeln, sodass sie beim Indexieren separat tokenisiert werden.

F: Kann ich reguläre und kombinierte Zeichen im selben Index mischen?
A: Ja – rufen Sie einfach setRange für jeden Typ auf; das Wörterbuch verarbeitet beide Konfigurationen gleichzeitig.

F: Muss ich den Index neu aufbauen, nachdem ich das Alphabet geändert habe?
A: Auf jeden Fall. Änderungen am Zeichenwörterbuch beeinflussen die Tokenisierung, daher müssen Sie die Dokumente neu indexieren, um die neuen Regeln anzuwenden.

F: Gibt es ein Limit für die Anzahl benutzerdefinierter Zeichen, die ich definieren kann?
A: Die Bibliothek unterstützt den gesamten Unicode‑Bereich; die Leistung kann sinken, wenn Sie ein extrem großes Set hinzufügen, daher sollten Sie es auf die tatsächlich benötigten Zeichen beschränken.

F: Wie wirkt sich das auf die OCR‑Genauigkeit aus?
A: Durch die Abstimmung des Zeichen‑Sets des Index auf die Ausgabe der OCR‑Engine reduzieren Sie Fehlnegative und verbessern die Gesamtrelevanz der Suche.

Zuletzt aktualisiert: 2026-01-11
Getestet mit: GroupDocs.Search 25.4 für Java
Autor: GroupDocs