Erstellen eines benutzerdefinierten Suchindexes java mit GroupDocs.Search

In modernen, dokumentintensiven Anwendungen ist das Erstellen eines custom search index java, das die Nuancen Ihres Textes – wie Bindestriche, Unterstriche oder sprachspezifische Symbole – berücksichtigt, entscheidend für eine schnelle und präzise Wiederfindung. Dieses Tutorial führt Sie durch die Konfiguration der Zeichenerkennung in GroupDocs.Search for Java, wobei sowohl reguläre Zeichen (Buchstaben, Ziffern, Unterstriche) als auch gemischte Zeichen (z. B. Bindestriche) behandelt werden. Am Ende können Sie einen Index anpassen, der exakt den Anforderungen von OCR‑ oder Bildsuch‑Szenarien entspricht, egal ob Sie juristische Aktenzeichen, Quellcode‑Repositorys oder mehrsprachige PDFs indizieren.

Schnelle Antworten

  • Was bedeutet “create custom search index”? Es bedeutet, einen Index so zu konfigurieren, dass bestimmte Symbole als Buchstaben oder gemischte Zeichen behandelt werden, anstatt sie zu ignorieren.
  • Welche Bibliothek wird verwendet? GroupDocs.Search for Java (v25.4 zum Zeitpunkt der Erstellung).
  • Benötige ich eine Lizenz? Eine kostenlose Testversion funktioniert für die Entwicklung; für den Produktionseinsatz ist eine kostenpflichtige Lizenz erforderlich.
  • Kann ich sowohl PDFs als auch Bilder indizieren? Ja – GroupDocs.Search unterstützt OCR für Bilder und PDFs, wenn es korrekt konfiguriert ist.
  • Ist Maven erforderlich? Maven ist die empfohlene Methode zur Verwaltung von Abhängigkeiten, Sie können jedoch auch Gradle oder manuelle JAR‑Dateien verwenden.

Was ist ein custom search index java?

Der custom search index java ist eine durchsuchbare Datenstruktur, die Sie durch die Definition, welche Zeichen als Buchstaben, Ziffern oder gemischte Symbole behandelt werden, anpassen können. Standardmäßig werden viele Symbole ignoriert, was zu verpassten Treffern bei Identifikatoren wie Aktenzeichen (2023-AB-456) oder Code‑Snippets (my_variable) führen kann. Das Anpassen des Alphabet‑Wörterbuchs gibt Ihnen die volle Kontrolle über die Tokenisierung, was zu höherer Relevanz und schnelleren Abfrageausführungen führt.

Warum reguläre und gemischte Zeichen für juristische Aktenzahlen konfigurieren?

Die Behandlung von Bindestrichen und Schrägstrichen als gemischte Zeichen hält zusammengehörige Token zusammen und verhindert ein unerwünschtes Aufteilen von Identifikatoren wie Aktenzahlen, Produktcodes oder Dateipfaden. Diese Konfiguration optimiert die Leistung des Suchindexes, indem sie die Token‑Fragmentierung reduziert und die Relevanz für OCR‑generierten Inhalt verbessert, insbesondere bei juristischen Dokumenten, die stark auf strukturierte Identifikatoren angewiesen sind.

Voraussetzungen

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

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 for 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. Die Klasse Index ist die Kernkomponente, die die durchsuchbaren Daten speichert und verwaltet. 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 Umgebungseinrichtung

  • 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.

Implementierungsleitfaden

Im Folgenden führen wir Sie durch zwei verschiedene Funktionen: reguläre Zeichen und gemischte Zeichen. Jede Funktion folgt dem gleichen Muster – Pfade definieren, den Index erstellen, das Zeichen‑Wörterbuch festlegen und schließlich Ihre Dokumente indizieren.

Feature 1 – reguläre Zeichen

Übersicht

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

Schritt‑für‑Schritt‑Implementierung

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

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

index.add(documentFolder);

Feature 2 – gemischte Zeichen

Übersicht

Gemischte Zeichen (wie Bindestriche) verbinden häufig zwei Wörter. Wenn sie als gemischt markiert werden, weist das die Engine an, die umgebenden Token während der Indexierung 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 Gemischte Zeichen definieren
Hier teilen wir dem Wörterbuch mit, dass der Bindestrich als gemischtes Zeichen behandelt werden soll.

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

4️⃣ Dokumente indizieren

index.add(documentFolder);

Praktische Anwendungen

Anwendungsfall 1 – Verwaltung juristischer Dokumente

Juristische Dateien enthalten häufig Aktenzahlen wie 2023-AB-456. Durch die Konfiguration von Unterstrichen und Bindestrichen liefern Suchvorgänge exakte Treffer, ohne den Identifier zu splitten, und unterstützen Sie dabei, juristische Aktenzahlen effizient zu durchsuchen.

Anwendungsfall 2 – Quellcode‑Repositories

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

Anwendungsfall 3 – mehrsprachige Datensätze

Bei der Arbeit mit Sprachen, die zusätzliche Alphabete verwenden, können Sie den Unicode‑Zeichensatz erweitern, um diese Bereiche einzuschließen, und so genaue Suchergebnisse über Sprachgrenzen hinweg gewährleisten.

Anwendungsfall 4 – PDF‑Bilder indexieren

Wenn Sie gescannte PDFs oder Bilddateien indexieren, enthält die OCR‑Ausgabe häufig gemischte Zeichen. Durch die korrekte Konfiguration von regulären und gemischten Zeichen wird die Leistung des Suchindexes für bildbasierte Inhalte optimiert.

Leistungsüberlegungen

  • Ressourcenverwaltung – überwachen Sie die Heap‑Nutzung; 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.
  • Indexoptimierung – rufen Sie periodisch index.optimize() (falls verfügbar) auf, um den Index zu komprimieren und die Abfragegeschwindigkeit zu verbessern.

Fazit

Sie wissen jetzt wie man einen custom search index java erstellt, der zwischen regulären und gemischten Zeichen unterscheidet, mithilfe von GroupDocs.Search for Java. 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.
  • Stellen Sie den Index über eine REST‑API bereit, damit Front‑End‑Anwendungen Suchvorgänge über HTTP ausführen können.

Häufig gestellte Fragen

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

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

Q: Muss ich den Index neu aufbauen, nachdem ich das Alphabet geändert habe?
A: Absolut. Änderungen am Zeichenwörterbuch beeinflussen die Tokenisierung, daher müssen Sie die Dokumente neu indizieren, um die neuen Regeln anzuwenden.

Q: 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.

Q: Wie wirkt sich das auf die OCR‑Genauigkeit aus?
A: Durch die Angleichung des Zeichenumfangs des Index an die Ausgabe der OCR‑Engine reduzieren Sie Fehlnegative und verbessern die Gesamtrelevanz der Suche.


Zuletzt aktualisiert: 2026-11-02
Getestet mit: GroupDocs.Search 25.4 for Java
Autor: GroupDocs

Verwandte Tutorials