Crear un índice de búsqueda personalizado con reconocimiento de caracteres usando GroupDocs.Search para Java

En aplicaciones modernas con gran cantidad de documentos, crear un índice de búsqueda personalizado que comprenda los matices de su texto—como guiones, guiones bajos o símbolos específicos de idioma—es esencial para una recuperación rápida y precisa. Este tutorial le guía a través de la configuración del reconocimiento de caracteres en GroupDocs.Search para Java, cubriendo tanto caracteres regulares (letras, dígitos, guiones bajos) como caracteres combinados (p. ej., guiones). Al final, podrá personalizar un índice que se ajuste a las necesidades exactas de su escenario de OCR o búsqueda de imágenes.

Respuestas rápidas

  • ¿Qué significa “crear un índice de búsqueda personalizado”? Significa configurar un índice para tratar símbolos específicos como letras o caracteres combinados, en lugar de ignorarlos.
  • ¿Qué biblioteca se utiliza? GroupDocs.Search para Java (v25.4 al momento de escribir).
  • ¿Necesito una licencia? Una prueba gratuita funciona para desarrollo; se requiere una licencia de pago para producción.
  • ¿Puedo indexar tanto PDFs como imágenes? Sí—GroupDocs.Search admite OCR en imágenes y PDFs cuando está configurado correctamente.
  • ¿Se requiere Maven? Maven es la forma recomendada para gestionar dependencias, pero también puede usar Gradle o JARs manuales.

Qué es un índice de búsqueda personalizado?

Un índice de búsqueda personalizado le permite definir cómo el motor de búsqueda interpreta los caracteres. Por defecto, muchos símbolos se ignoran, lo que puede provocar coincidencias perdidas para cosas como números de caso (ABC-123) o fragmentos de código (my_variable). Ajustar el diccionario del alfabeto le brinda control total sobre lo que el motor trata como texto buscable.

Por qué configurar caracteres regulares y combinados?

  • Caracteres regulares (letras, dígitos, guiones bajos) se tratan como tokens independientes, mejorando las búsquedas de coincidencia exacta.
  • Caracteres combinados (guiones, barras) conectan palabras; configurarlos evita la división no deseada de tokens, lo cual es crucial para referencias legales, códigos de producto o indexación de código fuente.

Requisitos previos

  • JDK 8 o posterior instalado.
  • Maven para la gestión de dependencias.
  • Acceso a la biblioteca GroupDocs.Search para Java (descargada vía Maven o del sitio oficial).

Bibliotecas y dependencias requeridas

Agregue el repositorio y las entradas de dependencia a su pom.xml (como se muestra a continuación). El bloque XML debe permanecer sin cambios.

<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>

También puede descargar los JARs más recientes desde GroupDocs.Search for Java releases.

Obtención de licencia

  • Prueba gratuita – perfecta para la experimentación inicial.
  • Licencia temporal – útil para ciclos de desarrollo más largos.
  • Licencia de producción – requerida para despliegue comercial.

Obtenga una licencia en el portal oficial: GroupDocs.

Inicialización básica

El fragmento a continuación muestra el código mínimo necesario para crear un índice vacío. Manténgalo tal cual; lo ampliaremos más adelante.

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!");
    }
}

Configuración de GroupDocs.Search para Java

Instalación vía Maven

La configuración de Maven de la sección Requisitos previos es todo lo que necesita. Después de agregarla, ejecute mvn clean install para obtener los binarios.

Requisitos de configuración del entorno

  • Asegúrese de que la carpeta de índice y la carpeta de documentos existan en el disco.
  • Use rutas absolutas o configure su IDE para resolver rutas relativas correctamente.

Guía de implementación

A continuación, recorremos dos características distintas: caracteres regulares y caracteres combinados. Cada característica sigue el mismo patrón: definir rutas, crear el índice, establecer el diccionario de caracteres y, finalmente, indexar sus documentos.

Característica 1 – Caracteres regulares

Visión general

Los caracteres regulares se tratan como tokens independientes. Esto es ideal cuando desea que los dígitos, letras y guiones bajos sean buscables exactamente como aparecen.

Implementación paso a paso

1️⃣ Configurar rutas
Defina dónde se almacenará el índice y dónde se encuentran sus documentos fuente.

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

2️⃣ Crear y configurar el índice
ancie el índice y borre cualquier configuración de alfabeto preexistente.

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

3️⃣ Definir caracteres regulares
Construya una matriz de caracteres que incluya dígitos, letras latinas y el guión bajo.

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 Indexar documentos
Agregue todos los archivos de la carpeta fuente al índice recién configurado.

index.add(documentFolder);

Característica 2 – Caracteres combinados

Visión general

Los caracteres combinados (como los guiones) a menudo conectan dos palabras. Marcarlos como combinados indica al motor que mantenga los tokens circundantes juntos durante la indexación.

Implementación paso a paso

1️⃣ Configurar rutas

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

2️⃣ Crear y configurar el índice

Index index = new Index(indexFolder);

3️⃣ Definir caracteres combinados
Aquí indicamos al diccionario que el guión debe tratarse como un carácter combinado.

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

4️⃣ Indexar documentos

index.add(documentFolder);

Aplicaciones prácticas

Caso de uso 1 – Gestión de documentos legales

Los archivos legales a menudo contienen números de caso como 2023-AB-456. Al configurar guiones bajos y guiones, las búsquedas devuelven coincidencias exactas sin dividir el identificador.

Caso de uso 2 – Repositorios de código fuente

Los desarrolladores necesitan buscar fragmentos de código donde los guiones bajos (my_variable) y los guiones (my-function) son significativos. El reconocimiento de caracteres personalizado garantiza que el motor de búsqueda respete estos símbolos.

Caso de uso 3 – Conjuntos de datos multilingües

Al trabajar con idiomas que utilizan alfabetos adicionales, puede ampliar el conjunto de caracteres regulares para incluir esos rangos Unicode, garantizando resultados de búsqueda precisos entre idiomas.

Consideraciones de rendimiento

  • Gestión de recursos – Vigile el uso del heap; los índices grandes se benefician de confirmaciones incrementales.
  • Recolección de basura – Libere los objetos Index cuando haya terminado para que la JVM recupere la memoria.
  • Optimización del índice – Llame periódicamente a index.optimize() (si está disponible) para compactar el índice y mejorar la velocidad de consulta.

Conclusión

Ahora sabe cómo crear un índice de búsqueda personalizado que distingue entre caracteres regulares y combinados usando GroupDocs.Search para Java. Este control detallado le permite crear soluciones de búsqueda de alto rendimiento y conscientes de OCR, adaptadas a entornos legales, de desarrollo o multilingües.

Próximos pasos

  • Experimente con rangos Unicode adicionales para alfabetos no latinos.
  • Combine la configuración de caracteres con otras funciones de GroupDocs.Search como stemming o sinónimos.
  • Integre el índice en una API REST para exponer capacidades de búsqueda a aplicaciones front‑end.

Preguntas frecuentes

P: ¿Cuál es el propósito de CharacterType.Letter?
R: Indica al índice que trate los caracteres proporcionados como letras regulares, de modo que se tokenicen por separado durante la indexación.

P: ¿Puedo mezclar caracteres regulares y combinados en el mismo índice?
R: Sí—simplemente llame a setRange para cada tipo; el diccionario manejará ambas configuraciones simultáneamente.

P: ¿Necesito reconstruir el índice después de cambiar el alfabeto?
R: Absolutamente. Los cambios en el diccionario de caracteres afectan la tokenización, por lo que debe volver a indexar los documentos para aplicar las nuevas reglas.

P: ¿Existe un límite al número de caracteres personalizados que puedo definir?
R: La biblioteca admite todo el rango Unicode; el rendimiento puede degradarse si agrega un conjunto extremadamente grande, así que limítelo a los caracteres que realmente necesita.

P: ¿Cómo afecta esto a la precisión del OCR?
R: Al alinear el conjunto de caracteres del índice con la salida del motor OCR, reduce los falsos negativos y mejora la relevancia general de la búsqueda.

Última actualización: 2026-01-11
Probado con: GroupDocs.Search 25.4 para Java
Autor: GroupDocs