Créer un index de recherche personnalisé java avec GroupDocs.Search

Dans les applications modernes très axées sur les documents, créer un custom search index java qui respecte les nuances de votre texte — comme les tirets, les underscores ou les symboles spécifiques à une langue — est essentiel pour une récupération rapide et précise. Ce tutoriel vous guide à travers la configuration de la reconnaissance des caractères dans GroupDocs.Search for Java, couvrant à la fois les caractères réguliers (lettres, chiffres, underscores) et les caractères mélangés (par ex., les tirets). À la fin, vous pourrez personnaliser un index qui répond exactement aux besoins des scénarios OCR ou de recherche d’images, que vous indexiez des numéros de dossiers juridiques, des dépôts de code source ou des PDF multilingues.

Réponses rapides

  • What does “create custom search index” mean? Cela signifie configurer un index pour traiter des symboles spécifiques comme des lettres ou des caractères mélangés, plutôt que de les ignorer.
  • Quelle bibliothèque est utilisée ? GroupDocs.Search for Java (v25.4 at the time of writing).
  • Ai-je besoin d’une licence ? Un essai gratuit fonctionne pour le développement ; une licence payante est requise pour la production.
  • Puis‑je indexer à la fois les PDF et les images ? Oui—GroupDocs.Search prend en charge l’OCR sur les images et les PDF lorsqu’il est correctement configuré.
  • Maven est‑il requis ? Maven est la méthode recommandée pour gérer les dépendances, mais vous pouvez également utiliser Gradle ou des JARs manuels.

Qu’est‑ce qu’un custom search index java ?

Le custom search index java est une structure de données interrogeable que vous pouvez façonner en définissant quels caractères sont traités comme des lettres, des chiffres ou des symboles mélangés. Par défaut, de nombreux symboles sont ignorés, ce qui peut entraîner des correspondances manquées pour des identifiants tels que les numéros de dossier (2023-AB-456) ou les extraits de code (my_variable). Ajuster le dictionnaire d’alphabet vous donne un contrôle complet sur la tokenisation, menant à une pertinence accrue et à une exécution de requêtes plus rapide.

Pourquoi configurer les caractères réguliers et mélangés pour les numéros de dossiers juridiques ?

Traiter les tirets et les barres obliques comme des caractères mélangés maintient les jetons associés ensemble, évitant la division indésirable d’identifiants tels que les numéros de dossiers, les codes produit ou les chemins de fichiers. Cette configuration optimise les performances de l’index de recherche en réduisant la fragmentation des jetons et améliore la pertinence du contenu généré par OCR, surtout lorsqu’on travaille avec des documents juridiques qui reposent fortement sur des identifiants structurés.

Prérequis

  • JDK 8 ou version ultérieure installé.
  • Maven pour la gestion des dépendances.
  • Accès à la bibliothèque GroupDocs.Search for Java (téléchargée via Maven ou le site officiel).

Bibliothèques et dépendances requises

Ajoutez le dépôt et les entrées de dépendance à votre pom.xml (comme indiqué ci‑dessous). Le bloc XML doit rester inchangé.

<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>

Vous pouvez également télécharger les derniers JAR depuis GroupDocs.Search for Java releases.

Acquisition de licence

  • Free trial – parfait pour les premières expérimentations.
  • Temporary license – utile pour des cycles de développement plus longs.
  • Production license – requise pour le déploiement commercial.

Obtenez une licence depuis le portail officiel : GroupDocs.

Initialisation de base

L’extrait ci‑dessous montre le code minimal nécessaire pour créer un index vide. La classe Index est le composant central qui stocke et gère les données interrogeables. Conservez‑le tel quel ; nous le développerons plus tard.

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!");
    }
}

Configuration de GroupDocs.Search pour Java

Installation via Maven

La configuration Maven de la section Prérequis est tout ce dont vous avez besoin. Après l’avoir ajoutée, exécutez mvn clean install pour récupérer les binaires.

Exigences de configuration de l’environnement

  • Assurez‑vous que le dossier d’index et le dossier de documents existent sur le disque.
  • Utilisez des chemins absolus ou configurez votre IDE pour résoudre correctement les chemins relatifs.

Guide d’implémentation

Ci‑dessous, nous parcourons deux fonctionnalités distinctes : caractères réguliers et caractères mélangés. Chaque fonctionnalité suit le même schéma — définir les chemins, créer l’index, définir le dictionnaire de caractères, puis indexer vos documents.

Fonctionnalité 1 – caractères réguliers

Vue d’ensemble

Les caractères réguliers sont traités comme des jetons indépendants. C’est idéal lorsque vous souhaitez que les chiffres, les lettres et les underscores soient recherchables exactement tels qu’ils apparaissent.

Implémentation étape par étape

1️⃣ Définir les chemins
Spécifiez où l’index sera stocké et où se trouvent vos documents source.

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

2️⃣ Créer et configurer l’index
Instanciez l’index et effacez toute configuration d’alphabet pré‑existante.

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

3️⃣ Définir les caractères réguliers
Construisez un tableau de caractères incluant les chiffres, les lettres latines et l’underscore.

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 Indexer les documents
Ajoutez tous les fichiers du dossier source à l’index nouvellement configuré.

index.add(documentFolder);

Fonctionnalité 2 – caractères mélangés

Vue d’ensemble

Les caractères mélangés (comme les tirets) relient souvent deux mots. Les marquer comme blended indique au moteur de garder les jetons environnants ensemble lors de l’indexation.

Implémentation étape par étape

1️⃣ Définir les chemins

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

2️⃣ Créer et configurer l’index

Index index = new Index(indexFolder);

3️⃣ Définir les caractères mélangés
Ici, nous indiquons au dictionnaire que le tiret doit être traité comme un caractère mélangé.

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

4️⃣ Indexer les documents

index.add(documentFolder);

Applications pratiques

Cas d’utilisation 1 – gestion de documents juridiques

Les fichiers juridiques contiennent souvent des numéros de dossier comme 2023-AB-456. En configurant les underscores et les tirets, les recherches renvoient des correspondances exactes sans diviser l’identifiant, vous aidant à rechercher des numéros de dossiers juridiques efficacement.

Cas d’utilisation 2 – dépôts de code source

Les développeurs ont besoin de rechercher des extraits de code où les underscores (my_variable) et les tirets (my-function) sont significatifs. La reconnaissance personnalisée des caractères garantit que le moteur de recherche respecte ces symboles.

Cas d’utilisation 3 – ensembles de données multilingues

Lorsque vous travaillez avec des langues qui utilisent des alphabets supplémentaires, vous pouvez étendre le jeu de caractères Unicode pour inclure ces plages, garantissant des résultats de recherche inter‑langues précis.

Cas d’utilisation 4 – indexer des images PDF

Si vous indexez des PDF numérisés ou des fichiers image, la sortie OCR contient souvent des caractères mixtes. Configurer correctement les caractères réguliers et mélangés optimise les performances de l’index de recherche pour le contenu basé sur des images.

Considérations de performance

  • Gestion des ressources – surveillez l’utilisation du tas ; les grands index bénéficient des validations incrémentielles.
  • Garbage collection – libérez les objets Index une fois terminés pour permettre à la JVM de récupérer la mémoire.
  • Optimisation de l’index – appelez périodiquement index.optimize() (si disponible) pour compacter l’index et améliorer la vitesse des requêtes.

Conclusion

Vous savez maintenant comment créer un custom search index java qui distingue les caractères réguliers des caractères mélangés en utilisant GroupDocs.Search for Java. Ce contrôle granulaire vous permet de créer des solutions de recherche haute performance, compatibles OCR, adaptées aux environnements juridiques, de développement ou multilingues.

Prochaines étapes

  • Expérimentez avec des plages Unicode supplémentaires pour les alphabets non latins.
  • Combinez la configuration des caractères avec d’autres fonctionnalités de GroupDocs.Search comme le stemming ou les synonymes.
  • Exposez l’index via une API REST pour permettre aux applications front‑end d’effectuer des recherches via HTTP.

Questions fréquemment posées

Q : Quel est le but de CharacterType.Letter ?
R : Il indique à l’index de traiter les caractères fournis comme des lettres régulières, de sorte qu’ils soient tokenisés séparément lors de l’indexation.

Q : Puis‑je mélanger des caractères réguliers et mélangés dans le même index ?
R : Oui — il suffit d’appeler setRange pour chaque type ; le dictionnaire gérera les deux configurations simultanément.

Q : Dois‑je reconstruire l’index après avoir modifié l’alphabet ?
R : Absolument. Les changements du dictionnaire de caractères affectent la tokenisation, il faut donc ré‑indexer les documents pour appliquer les nouvelles règles.

Q : Existe‑t‑il une limite au nombre de caractères personnalisés que je peux définir ?
R : La bibliothèque prend en charge l’ensemble complet de la plage Unicode ; les performances peuvent se dégrader si vous ajoutez un ensemble extrêmement vaste, il faut donc le limiter aux caractères réellement nécessaires.

Q : Comment cela affecte‑t‑il la précision de l’OCR ?
R : En alignant le jeu de caractères de l’index avec la sortie du moteur OCR, vous réduisez les faux négatifs et améliorez la pertinence globale de la recherche.


Dernière mise à jour : 2026-11-02
Testé avec : GroupDocs.Search 25.4 for Java
Auteur : GroupDocs

Tutoriels associés