Δημιουργία προσαρμοσμένου ευρετηρίου αναζήτησης java με το GroupDocs.Search
Σε σύγχρονες εφαρμογές με μεγάλο όγκο εγγράφων, η δημιουργία ενός custom search index java που σέβεται τις λεπτομέρειες του κειμένου σας—όπως παύλες, κάτω παύλες ή σύμβολα ειδικά για γλώσσες—είναι απαραίτητη για γρήγορη, ακριβή ανάκτηση. Αυτό το σεμινάριο σας καθοδηγεί στη διαμόρφωση της αναγνώρισης χαρακτήρων στο GroupDocs.Search for Java, καλύπτοντας τόσο τους κανονικούς χαρακτήρες (γράμματα, ψηφία, κάτω παύλες) όσο και τους συνδυαστικούς χαρακτήρες (π.χ., παύλες). Στο τέλος, θα μπορείτε να προσαρμόσετε ένα ευρετήριο που ανταποκρίνεται στις ακριβείς ανάγκες σεναρίων OCR ή αναζήτησης εικόνων, είτε ευρετηριάζετε νομικούς αριθμούς υποθέσεων, αποθετήρια κώδικα ή πολυγλωσσικά PDF.
Γρήγορες απαντήσεις
- Τι σημαίνει “create custom search index”; Σημαίνει τη διαμόρφωση ενός ευρετηρίου ώστε να αντιμετωπίζει συγκεκριμένα σύμβολα ως γράμματα ή συνδυαστικούς χαρακτήρες, αντί να τα αγνοεί.
- Ποια βιβλιοθήκη χρησιμοποιείται; GroupDocs.Search for Java (v25.4 at the time of writing).
- Χρειάζομαι άδεια; Μια δωρεάν δοκιμή λειτουργεί για ανάπτυξη· απαιτείται πληρωμένη άδεια για παραγωγή.
- Μπορώ να ευρετηριάσω τόσο PDF όσο και εικόνες; Ναι—το GroupDocs.Search υποστηρίζει OCR σε εικόνες και PDF όταν διαμορφωθεί σωστά.
- Απαιτείται το Maven; Το Maven είναι η προτεινόμενη μέθοδος διαχείρισης εξαρτήσεων, αλλά μπορείτε επίσης να χρησιμοποιήσετε Gradle ή χειροκίνητα JARs.
Τι είναι ένα custom search index java;
Το custom search index java είναι μια δομή δεδομένων αναζήτησης που μπορείτε να διαμορφώσετε ορίζοντας ποιοι χαρακτήρες θα θεωρούνται γράμματα, ψηφία ή συνδυαστικά σύμβολα. Από προεπιλογή, πολλά σύμβολα αγνοούνται, κάτι που μπορεί να προκαλέσει χαμένες αντιστοιχίες για αναγνωριστικά όπως αριθμούς υποθέσεων (2023-AB-456) ή αποσπάσματα κώδικα (my_variable). Η προσαρμογή του λεξικού αλφαβήτου σας δίνει πλήρη έλεγχο της τοκενικοποίησης, οδηγώντας σε μεγαλύτερη συνάφεια και ταχύτερη εκτέλεση ερωτημάτων.
Γιατί να διαμορφώσετε κανονικούς και συνδυαστικούς χαρακτήρες για νομικούς αριθμούς υποθέσεων;
Η αντιμετώπιση των παύλων και των καθέτων ως συνδυαστικών χαρακτήρων διατηρεί τα σχετιζόμενα tokens μαζί, αποτρέποντας ανεπιθύμητο διαχωρισμό αναγνωριστικών όπως αριθμοί υποθέσεων, κωδικοί προϊόντων ή διαδρομές αρχείων. Αυτή η διαμόρφωση βελτιστοποιεί την απόδοση του ευρετηρίου αναζήτησης μειώνοντας τη θραύση των tokens και βελτιώνει τη συνάφεια για περιεχόμενο που παράγεται από OCR, ειδικά όταν χειρίζεστε νομικά έγγραφα που βασίζονται έντονα σε δομημένα αναγνωριστικά.
Προαπαιτούμενα
- JDK 8 ή νεότερο εγκατεστημένο.
- Maven για διαχείριση εξαρτήσεων.
- Πρόσβαση στη βιβλιοθήκη GroupDocs.Search for Java (κατεβασμένη μέσω Maven ή του επίσημου ιστότοπου).
Απαιτούμενες βιβλιοθήκες και εξαρτήσεις
Προσθέστε τις καταχωρίσεις αποθετηρίου και εξαρτήσεων στο pom.xml σας (όπως φαίνεται παρακάτω). Το μπλοκ XML πρέπει να παραμείνει αμετάβλητο.
<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>
Μπορείτε επίσης να κατεβάσετε τα πιο πρόσφατα JARs από GroupDocs.Search for Java releases.
Απόκτηση άδειας
- Free trial – ιδανική για πρώιμες δοκιμές.
- Temporary license – χρήσιμη για μεγαλύτερους κύκλους ανάπτυξης.
- Production license – απαιτείται για εμπορική ανάπτυξη.
Αποκτήστε άδεια από το επίσημο portal: GroupDocs.
Βασική αρχικοποίηση
Το παρακάτω απόσπασμα κώδικα δείχνει τον ελάχιστο κώδικα που απαιτείται για τη δημιουργία ενός κεντρικού ευρετηρίου. Η κλάση Index είναι το κύριο συστατικό που αποθηκεύει και διαχειρίζεται τα δεδομένα αναζήτησης. Διατηρήστε το όπως είναι· θα το επεκτείνουμε αργότερα.
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!");
}
}
Ρύθμιση GroupDocs.Search για Java
Εγκατάσταση μέσω Maven
Η διαμόρφωση Maven από την ενότητα Prerequisites είναι ό,τι χρειάζεστε. Μετά την προσθήκη, εκτελέστε mvn clean install για να κατεβάσετε τα δυαδικά αρχεία.
Απαιτήσεις ρύθμισης περιβάλλοντος
- Βεβαιωθείτε ότι ο index folder και ο document folder υπάρχουν στο δίσκο.
- Χρησιμοποιήστε απόλυτες διαδρομές ή διαμορφώστε το IDE σας ώστε να επιλύει σωστά τις σχετικές διαδρομές.
Οδηγός υλοποίησης
Παρακάτω περπατάμε μέσα από δύο ξεχωριστά χαρακτηριστικά: regular characters και blended characters. Κάθε χαρακτηριστικό ακολουθεί το ίδιο μοτίβο—ορίζετε διαδρομές, δημιουργείτε το ευρετήριο, ορίζετε το λεξικό χαρακτήρων και τέλος ευρετηριάζετε τα έγγραφά σας.
Χαρακτηριστικό 1 – regular characters
Επισκόπηση
Οι κανονικοί χαρακτήρες αντιμετωπίζονται ως ανεξάρτητα tokens. Αυτό είναι ιδανικό όταν θέλετε ψηφία, γράμματα και κάτω παύλες να είναι αναζητήσιμα ακριβώς όπως εμφανίζονται.
Υλοποίηση βήμα‑βήμα
1️⃣ Ορισμός διαδρομών
Ορίστε πού θα αποθηκευτεί το ευρετήριο και πού βρίσκονται τα πηγαία έγγραφά σας.
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/RegularCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Δημιουργία και διαμόρφωση ευρετηρίου
Δημιουργήστε ένα αντικείμενο του ευρετηρίου και καθαρίστε τυχόν προϋπάρχουσα διαμόρφωση αλφαβήτου.
Index index = new Index(indexFolder);
index.getDictionaries().getAlphabet().clear();
3️⃣ Ορισμός κανονικών χαρακτήρων
Δημιουργήστε έναν πίνακα χαρακτήρων που περιλαμβάνει ψηφία, λατινικά γράμματα και την κάτω παύλα.
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 Ευρετηρίαση εγγράφων
Προσθέστε όλα τα αρχεία από το φάκελο πηγής στο νεοδιαμορφωμένο ευρετήριο.
index.add(documentFolder);
Χαρακτηριστικό 2 – blended characters
Επισκόπηση
Οι συνδυαστικοί χαρακτήρες (όπως οι παύλες) συχνά συνδέουν δύο λέξεις. Η σήμανσή τους ως blended λέει στη μηχανή να διατηρεί τα γύρω tokens μαζί κατά την ευρετηρίαση.
Υλοποίηση βήμα‑βήμα
1️⃣ Ορισμός διαδρομών
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/BlendedCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Δημιουργία και διαμόρφωση ευρετηρίου
Index index = new Index(indexFolder);
3️⃣ Ορισμός συνδυαστικών χαρακτήρων
Εδώ ενημερώνουμε το λεξικό ότι η παύλα πρέπει να αντιμετωπίζεται ως συνδυαστικός χαρακτήρας.
index.getDictionaries().getAlphabet().setRange(new char[] { '-' }, CharacterType.Blended);
4️⃣ Ευρετηρίαση εγγράφων
index.add(documentFolder);
Πρακτικές εφαρμογές
Περίπτωση χρήσης 1 – διαχείριση νομικών εγγράφων
Τα νομικά αρχεία συχνά περιέχουν αριθμούς υποθέσεων όπως 2023-AB-456. Με τη διαμόρφωση των κάτω παυλών και των παύλων, οι αναζητήσεις επιστρέφουν ακριβείς αντιστοιχίες χωρίς να χωρίζουν το αναγνωριστικό, βοηθώντας σας να αναζητήσετε νομικούς αριθμούς υποθέσεων αποδοτικά.
Περίπτωση χρήσης 2 – αποθετήρια κώδικα
Οι προγραμματιστές χρειάζονται να αναζητούν αποσπάσματα κώδικα όπου οι κάτω παύλες (my_variable) και οι παύλες (my-function) έχουν σημασία. Η προσαρμοσμένη αναγνώριση χαρακτήρων διασφαλίζει ότι η μηχανή αναζήτησης σέβεται αυτά τα σύμβολα.
Περίπτωση χρήσης 3 – πολυγλωσσικά σύνολα δεδομένων
Όταν εργάζεστε με γλώσσες που χρησιμοποιούν πρόσθετα αλφάβητα, μπορείτε να επεκτείνετε το σύνολο χαρακτήρων Unicode ώστε να περιλαμβάνει αυτά τα εύρη, εξασφαλίζοντας ακριβή αποτελέσματα αναζήτησης μεταξύ γλωσσών.
Περίπτωση χρήσης 4 – ευρετηρίαση εικόνων PDF
Εάν ευρετηριάζετε σαρωμένα PDF ή αρχεία εικόνας, η έξοδος OCR συχνά περιέχει μικτούς χαρακτήρες. Η σωστή διαμόρφωση κανονικών και συνδυαστικών χαρακτήρων βελτιστοποιεί την απόδοση του ευρετηρίου αναζήτησης για περιεχόμενο βασισμένο σε εικόνες.
Σκέψεις για την απόδοση
- Διαχείριση πόρων – παρακολουθήστε τη χρήση heap· μεγάλα ευρετήρια ωφελούνται από σταδιακές υποβολές.
- Garbage collection – απελευθερώστε αντικείμενα
Indexόταν τελειώσετε ώστε η JVM να ανακτήσει μνήμη. - Βελτιστοποίηση ευρετηρίου – καλείτε περιοδικά το
index.optimize()(αν είναι διαθέσιμο) για να συμπιέσετε το ευρετήριο και να βελτιώσετε την ταχύτητα ερωτημάτων.
Συμπέρασμα
Τώρα γνωρίζετε πώς να δημιουργήσετε ένα custom search index java που διακρίνει μεταξύ κανονικών και συνδυαστικών χαρακτήρων χρησιμοποιώντας το GroupDocs.Search for Java. Αυτός ο λεπτομερής έλεγχος σας δίνει τη δυνατότητα να δημιουργήσετε λύσεις αναζήτησης υψηλής απόδοσης, ευαίσθητες στο OCR, προσαρμοσμένες σε νομικά, προγραμματιστικά ή πολυγλωσσικά περιβάλλοντα.
Επόμενα βήματα
- Πειραματιστείτε με πρόσθετα εύρη Unicode για μη λατινικά αλφάβητα.
- Συνδυάστε τη διαμόρφωση χαρακτήρων με άλλες δυνατότητες του GroupDocs.Search όπως stemming ή synonyms.
- Εκθέστε το ευρετήριο μέσω REST API ώστε οι εφαρμογές front‑end να εκτελούν αναζητήσεις μέσω HTTP.
Συχνές ερωτήσεις
Q: Ποιος είναι ο σκοπός του CharacterType.Letter;
A: Λέει στο ευρετήριο να αντιμετωπίζει τους παρεχόμενους χαρακτήρες ως κανονικά γράμματα, ώστε να τοκενικοποιούνται ξεχωριστά κατά την ευρετηρίαση.
Q: Μπορώ να συνδυάσω κανονικούς και συνδυαστικούς χαρακτήρες στο ίδιο ευρετήριο;
A: Ναι—απλώς καλέστε setRange για κάθε τύπο· το λεξικό θα διαχειριστεί και τις δύο διαμορφώσεις ταυτόχρονα.
Q: Πρέπει να ξαναχτίσω το ευρετήριο μετά την αλλαγή του αλφαβήτου;
A: Απόλυτα. Οι αλλαγές στο λεξικό χαρακτήρων επηρεάζουν την τοκενικοποίηση, επομένως πρέπει να επανευρετηριάσετε τα έγγραφα για να εφαρμοστούν οι νέοι κανόνες.
Q: Υπάρχει όριο στον αριθμό των προσαρμοσμένων χαρακτήρων που μπορώ να ορίσω;
A: Η βιβλιοθήκη υποστηρίζει ολόκληρο το εύρος Unicode· η απόδοση μπορεί να μειωθεί αν προσθέσετε ένα εξαιρετικά μεγάλο σύνολο, οπότε περιορίστε το σε χαρακτήρες που χρειάζεστε πραγματικά.
Q: Πώς αυτό επηρεάζει την ακρίβεια του OCR;
A: Ευθυγραμμίζοντας το σύνολο χαρακτήρων του ευρετηρίου με την έξοδο του OCR, μειώνετε τα ψευδώς αρνητικά και βελτιώνετε τη συνολική συνάφεια της αναζήτησης.
Τελευταία ενημέρωση: 2026-11-02
Δοκιμή με: GroupDocs.Search 25.4 for Java
Συγγραφέας: GroupDocs