Κατακτώντας την Αποτελεσματική Αναζήτηση Εγγράφων με το GroupDocs.Search για Java

Η εύρεση του σωστού αποσπάσματος μέσα σε χιλιάδες PDF, αρχεία Word ή λογιστικά φύλλα μπορεί να μοιάζει με την αναζήτηση μιας βελόνας σε άχυρο. How to create index γρήγορα και η ανάκτηση εκείνης της βελόνας είναι αυτό που κάνει μια λύση αναζήτησης εγγράφων πολύτιμη. Σε αυτό το tutorial θα μάθετε πώς να χρησιμοποιήσετε το GroupDocs.Search for Java, μια υψηλών επιδόσεων java search library, για create index, add documents to index, και extract text from documents σε πολλαπλές μορφές όπως αρχεία, ροές, συμβολοσειρές και δομημένα δεδομένα. Στο τέλος θα έχετε μια pipeline δημιουργίας ευρετηρίου έτοιμη για παραγωγή που κλιμακώνεται σε μεγάλες συλλογές εγγράφων ενώ διατηρεί τη χρήση μνήμης χαμηλή.

Γρήγορες Απαντήσεις

• Ποιος είναι ο κύριος σκοπός; Για how to create index και άμεση ανάκτηση του περιεχομένου του εγγράφου.
• Ποια βιβλιοθήκη πρέπει να χρησιμοποιήσω; The GroupDocs.Search for Java java search library.
• Μπορώ να εξάγω κείμενο σε αρχείο; Ναι – η βιβλιοθήκη παρέχει output text to file adapters για HTML, plain text, και άλλα.
• Υποστηρίζεται η δομημένη εξαγωγή; Απόλυτα – χρησιμοποιήστε τον structured text extraction adapter για να λάβετε δεδομένα επιπέδου πεδίου.
• Χρειάζομαι άδεια; Μια δοκιμαστική άδεια λειτουργεί για ανάπτυξη· απαιτείται μόνιμη άδεια για παραγωγικές εγκαταστάσεις.

Τι Θα Μάθετε

• Πώς να how to create index και add documents to index χρησιμοποιώντας το GroupDocs.Search for Java.
• Τεχνικές για output text to file, streams, strings, και δομημένες μορφές.
• Συμβουλές βελτιστοποίησης απόδοσης που διατηρούν το ευρετήριο γρήγορο και αποδοτικό σε μνήμη.
• Πραγματικά σενάρια όπου αυτές οι δυνατότητες ξεχωρίζουν, όπως αποθετήρια νομικών συμβάσεων και αρχεία ακαδημαϊκών εργασιών.

Γιατί να Χρησιμοποιήσετε το GroupDocs.Search για Java

Το GroupDocs.Search υποστηρίζει 50+ input and output formats – συμπεριλαμβανομένων των DOCX, XLSX, PPTX, PDF, HTML και κοινών τύπων εικόνων – και μπορεί να ευρετηριάσει αρχεία πολλαπλών gigabyte χωρίς να φορτώνει ολόκληρο το αρχείο στη μνήμη. Τα benchmarks δείχνουν ότι μια συλλογή εγγράφων 1 GB μπορεί να ευρετηριαστεί σε λιγότερο από 2 λεπτά σε έναν τυπικό διακομιστή 8‑πυρήνων, ενώ τα ερωτήματα αναζήτησης επιστρέφουν αποτελέσματα σε λιγότερο από 100 ms.

Προαπαιτούμενα

• Java Development Kit (JDK) 8 ή νεότερο.
• GroupDocs.Search for Java library (trial ή licensed).
• Maven για διαχείριση εξαρτήσεων.
• Βασικές γνώσεις Java I/O.

Ρύθμιση του GroupDocs.Search για Java

Αρχικά, προσθέστε το αποθετήριο Maven του GroupDocs.Search και την εξάρτηση στο pom.xml του έργου σας. Αυτό το βήμα εξασφαλίζει ότι η βιβλιοθήκη είναι διαθέσιμη στο classpath.

Maven Setup
Προσθέστε τις παρακάτω ρυθμίσεις αποθετηρίου και εξαρτήσεων στο αρχείο pom.xml σας:

<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>

Για όσους προτιμούν άμεση λήψη, μπορείτε να αποκτήσετε την τελευταία έκδοση από GroupDocs.Search for Java releases.

License Acquisition
Για να χρησιμοποιήσετε το GroupDocs.Search σε παραγωγή, αποκτήστε δοκιμαστική ή μόνιμη άδεια από τον επίσημο ιστότοπο. Η δοκιμαστική άδεια δεν έχει περιορισμούς για ανάπτυξη και δοκιμές.

Πώς να δημιουργήσετε ευρετήριο java με προσαρμοσμένες ρυθμίσεις

Index είναι η βασική κλάση που αντιπροσωπεύει μια συλλογή εγγράφων με δυνατότητα αναζήτησης.
IndexSettings διαμορφώνει επιλογές όπως η συμπίεση για το ευρετήριο.
CompressionLevel ορίζει το επίπεδο συμπίεσης που εφαρμόζεται στο αποθηκευμένο κείμενο.

Φορτώστε το αντικείμενο Index με ενεργοποιημένη τη συμπίεση, δείξτε το σε έναν φάκελο και προσθέστε όλα τα υποστηριζόμενα αρχεία. Αυτή η παράγραφος απάντησης σας λέει ακριβώς τι να κάνετε: δημιουργήστε ένα Index με new Index("indexFolder", new IndexSettings().setCompressionLevel(CompressionLevel.High)), στη συνέχεια καλέστε index.add("documentsFolder", true) για να ευρετηριάσετε αναδρομικά κάθε υποστηριζόμενο αρχείο. Η λειτουργία υψηλής συμπίεσης μειώνει το μέγεθος στο δίσκο έως και 70 % ενώ διατηρεί την ταχύτητα αναζήτησης υψηλή.

Η δημιουργία του ευρετηρίου είναι η βάση για οποιαδήποτε εφαρμογή που βασίζεται στην αναζήτηση. Το παρακάτω παράδειγμα σας καθοδηγεί στη διαδικασία, εξηγεί κάθε ρύθμιση και δείχνει πώς να επαληθεύσετε ότι το ευρετήριο δημιουργήθηκε επιτυχώς.

Δημιουργία Ευρετηρίου και Ευρετηρίαση Εγγράφων

Επισκόπηση

Η κλάση Index είναι το βασικό συστατικό που αντιπροσωπεύει μια συλλογή εγγράφων με δυνατότητα αναζήτησης. Αποθηκεύει ανεστραμμένα ευρετήρια, λεξικά όρων και μεταδεδομένα που απαιτούνται για γρήγορες αναζητήσεις.

import com.groupdocs.search.*;
import java.io.ByteArrayOutputStream;

public class FeatureIndexCreation {
    public static void main(String[] args) {
        // Define the folder paths for indexing
        String indexFolder = YOUR_DOCUMENT_DIRECTORY + "/OutputAdapters/Index";
        String documentsFolder = YOUR_DOCUMENT_DIRECTORY + "/DocumentsPath";  // Adjust as needed

        // Creating an index settings instance with compression enabled
        IndexSettings settings = new IndexSettings();
        settings.setTextStorageSettings(new TextStorageSettings(Compression.High));

        // Creating the index in the specified folder
        Index index = new Index(indexFolder, settings);

        // Adding documents from the specified folder to the index
        index.add(documentsFolder);
    }
}

Εξήγηση

• Index Settings: Ενεργοποιούμε high compression για την αποθήκευση κειμένου, βελτιστοποιώντας τη χρήση του χώρου στο δίσκο χωρίς να επηρεάζουμε την ταχύτητα ερωτημάτων.
• Adding Documents: Η μέθοδος index.add() adds documents to index, σαρώνοντας τον φάκελο αναδρομικά και διαχειριζόμενη αυτόματα όλες τις υποστηριζόμενες μορφές.

Πώς να εξάγετε κείμενο σε αρχείο, ροή, συμβολοσειρά και δομημένες μορφές

Μετά την ευρετηρίαση, συχνά χρειάζεται να εξάγετε το ακατέργαστο ή μορφοποιημένο κείμενο ενός εγγράφου. Το GroupDocs.Search προσφέρει τέσσερις adapters που σας επιτρέπουν να γράψετε το εξαγόμενο περιεχόμενο σε αρχείο, σε ροή μνήμης, σε Java String, ή σε δομημένο μοντέλο αντικειμένου.

Εξαγωγή Κειμένου Εγγράφου σε Αρχείο

FileOutputAdapter γράφει το εξαγόμενο κείμενο του εγγράφου σε αρχείο στην επιλεγμένη μορφή.

Επισκόπηση

Το FileOutputAdapter γράφει το εξαγόμενο κείμενο στην επιλεγμένη μορφή (HTML, plain text κ.λπ.) απευθείας σε αρχείο στο δίσκο. Αυτό είναι χρήσιμο για τη δημιουργία αναφορών ευανάγνωστων από άνθρωπο ή για την τροφοδοσία επεξεργαστικών pipelines.

import com.groupdocs.search.*;

public class FeatureOutputToFile {
    public static void main(String[] args) {
        String indexFolder = YOUR_DOCUMENT_DIRECTORY + "/OutputAdapters/Index";
        Index index = new Index(indexFolder);

        // Assuming documents are already indexed, retrieve the first document
        DocumentInfo[] documents = index.getIndexedDocuments();
        if (documents.length > 0) {
            DocumentInfo document = documents[0];

            // Output document text to an HTML file
            FileOutputAdapter fileOutputAdapter = new FileOutputAdapter(OutputFormat.Html, YOUR_OUTPUT_DIRECTORY + "/Text.html");
            index.getDocumentText(document, fileOutputAdapter);
        }
    }
}

Εξήγηση

• FileOutputAdapter: Μετατρέπει το κείμενο του ευρετηριασμένου εγγράφου σε HTML και το γράφει στη συγκεκριμένη διαδρομή αρχείου, διατηρώντας βασική μορφοποίηση όπως επικεφαλίδες και πίνακες.

Εξαγωγή Κειμένου Εγγράφου σε Ροή

StreamOutputAdapter ροή εξαγόμενου κειμένου εγγράφου σε ByteArrayOutputStream χωρίς δημιουργία προσωρινού αρχείου.

Επισκόπηση

Όταν χρειάζεστε το περιεχόμενο μόνο προσωρινά—π.χ., για αποστολή μέσω HTTP ή ενσωμάτωση σε απάντηση web—χρησιμοποιήστε το StreamOutputAdapter. Ροή το κείμενο σε ByteArrayOutputStream, αποφεύγοντας το κόστος δημιουργίας προσωρινού αρχείου.

import com.groupdocs.search.*;
import java.io.ByteArrayOutputStream;

public class FeatureOutputToStream {
    public static void main(String[] args) {
        String indexFolder = YOUR_DOCUMENT_DIRECTORY + "/OutputAdapters/Index";
        Index index = new Index(indexFolder);

        // Assuming documents are already indexed, retrieve the first document
        DocumentInfo[] documents = index.getIndexedDocuments();
        if (documents.length > 0) {
            DocumentInfo document = documents[0];

            // Output document text to a stream in HTML format
            ByteArrayOutputStream stream = new ByteArrayOutputStream();
            StreamOutputAdapter streamOutputAdapter = new StreamOutputAdapter(OutputFormat.Html, stream);
            index.getDocumentText(document, streamOutputAdapter);
        }
    }
}

Εξήγηση

• StreamOutputAdapter: Ροή του κειμένου του εγγράφου σε ByteArrayOutputStream, επιτρέποντας ευέλικτη διαχείριση χωρίς επαφή με το σύστημα αρχείων.

Εξαγωγή Κειμένου Εγγράφου σε Συμβολοσειρά

StringOutputAdapter καταγράφει ολόκληρο το κείμενο του εγγράφου σε ένα μοναδικό αντικείμενο String.

Επισκόπηση

Για γρήγορη καταγραφή, αποσφαλμάτωση ή εμφάνιση UI, το StringOutputAdapter καταγράφει ολόκληρο το κείμενο του εγγράφου σε ένα μοναδικό αντικείμενο String.

import com.groupdocs.search.*;

public class FeatureOutputToString {
    public static void main(String[] args) {
        String indexFolder = YOUR_DOCUMENT_DIRECTORY + "/OutputAdapters/Index";
        Index index = new Index(indexFolder);

        // Assuming documents are already indexed, retrieve the first document
        DocumentInfo[] documents = index.getIndexedDocuments();
        if (documents.length > 0) {
            DocumentInfo document = documents[0];

            // Output document text to a string in HTML format
            StringOutputAdapter stringOutputAdapter = new StringOutputAdapter(OutputFormat.Html);
            index.getDocumentText(document, stringOutputAdapter);
            String result = stringOutputAdapter.getResult();
        }
    }
}

Εξήγηση

• StringOutputAdapter: Καταγράφει το κείμενο του εγγράφου σε String, καθιστώντας το εύκολο για ενσωμάτωση σε logs, έξοδο κονσόλας ή UI components.

Εξαγωγή Κειμένου Εγγράφου σε Δομημένη Μορφή

StructuredOutputAdapter επιστρέφει ένα πλούσιο μοντέλο αντικειμένου που περιέχει παραγράφους, πίνακες και προσαρμοσμένα μεταδεδομένα.

Επισκόπηση

Το StructuredOutputAdapter επιστρέφει ένα πλούσιο μοντέλο αντικειμένου που περιέχει παραγράφους, πίνακες και προσαρμοσμένα μεταδεδομένα. Αυτή η μορφή είναι ιδανική για downstream natural‑language‑processing (NLP) ή ροές εργασίας εξαγωγής δεδομένων.

import com.groupdocs.search.*;

public class FeatureOutputToStructure {
    public static void main(String[] args) {
        String indexFolder = YOUR_DOCUMENT_DIRECTORY + "/OutputAdapters/Index";
        Index index = new Index(indexFolder);

        // Assuming documents are already indexed, retrieve the first document
        DocumentInfo[] documents = index.getIndexedDocuments();
        if (documents.length > 0) {
            DocumentInfo document = documents[0];

            // Output document text to a structured format like PlainText
            StructuredOutputAdapter structuredOutputAdapter = new StructuredOutputAdapter(OutputFormat.PlainText);
            index.getDocumentText(document, structuredOutputAdapter);
        }
    }
}

Εξήγηση

• StructuredOutputAdapter: Εξάγει το κείμενο του εγγράφου σε μορφή structured text extraction, επιτρέποντας λεπτομερή ανάλυση, εξαγωγή πεδίων και ενσωμάτωση σε pipelines μηχανικής μάθησης.

Συνηθισμένα Προβλήματα και Λύσεις

Συχνές Ερωτήσεις

Q: Μπορώ να χρησιμοποιήσω το GroupDocs.Search με άλλες γλώσσες JVM όπως Kotlin ή Scala;
A: Ναι, η βιβλιοθήκη είναι καθαρή Java και λειτουργεί άψογα με οποιαδήποτε γλώσσα JVM.

Q: Πώς η συμπίεση επηρεάζει την ταχύτητα αναζήτησης;
A: Η υψηλή συμπίεση μειώνει τη χρήση δίσκου έως και 70 % και προσθέτει μόνο ελάχιστο φόρτο CPU κατά την ευρετηρίαση· η καθυστέρηση ερωτημάτων παραμένει κάτω από 100 ms για τυπικά φορτία εργασίας.

Q: Είναι δυνατόν να ενημερώσετε ένα υπάρχον ευρετήριο χωρίς επαναδημιουργία;
A: Απόλυτα. Χρησιμοποιήστε index.add() για νέα αρχεία και index.remove() για διαγραφή παλαιών, επιτρέποντας σταδιακές ενημερώσεις.

Q: Ποια μορφή εξόδου είναι η καλύτερη για pipelines επεξεργασίας φυσικής γλώσσας (NLP);
A: Το αποτέλεσμα PlainText από τον structured text extraction adapter παρέχει καθαρό, γλωσσικά ανεξάρτητο περιεχόμενο ιδανικό για εργασίες NLP.

Q: Χρειάζομαι άδεια για ανάπτυξη και δοκιμές;
A: Μια δωρεάν δοκιμαστική άδεια αρκεί για ανάπτυξη και αξιολόγηση· οι παραγωγικές εγκαταστάσεις απαιτούν αγορασμένη άδεια.

Συμπέρασμα

Τώρα έχετε μια πλήρη, έτοιμη για παραγωγή ροή εργασίας για how to create index, προσθήκη εγγράφων και εξαγωγή του κειμένου τους σε κάθε μορφή που μπορεί να χρειαστείτε. Ξεκινήστε διαμορφώνοντας το Index με συμπίεση, προσθέστε τη συλλογή εγγράφων σας και επιλέξτε τον κατάλληλο adapter εξόδου για το downstream σενάριό σας—είτε πρόκειται για δημιουργία αναφορών HTML, τροφοδοσία μοντέλου NLP, ή ροή περιεχομένου σε web client. Πειραματιστείτε με τα APIs σταδιακής ενημέρωσης για να διατηρείτε το ευρετήριο φρέσκο χωρίς δαπανηρές επαναδημιουργίες, και θα απολαμβάνετε γρήγορη, αξιόπιστη αναζήτηση σε οποιοδήποτε αποθετήριο εγγράφων.

Τελευταία Ενημέρωση: 2026-06-27
Δοκιμάστηκε Με: GroupDocs.Search 25.4 for Java
Συγγραφέας: GroupDocs

Σχετικά Μαθήματα

• Προσθήκη Εγγράφων στο Ευρετήριο – Οδηγός GroupDocs.Search Java
• Δημιουργία Ευρετηρίου Εγγράφου με το GroupDocs.Search για Java
• Πώς να προσθέσετε έγγραφα στο ευρετήριο με Metadata Indexing σε Java χρησιμοποιώντας το GroupDocs.Search