, links unchanged.

Check for any missing shortcodes: none.

Now produce final content.# Hogyan hozzunk létre indexet karakterfelismeréssel a GroupDocs.Search for Java használatával

A modern, dokumentum‑intenzív alkalmazásokban elengedhetetlen, hogy a how to create index figyelembe vegye a szöveg finomságait – például a kötőjeleket, aláhúzásokat vagy nyelvspecifikus szimbólumokat – a gyors és pontos visszakeresés érdekében. Ebben az útmutatóban végigvezetünk a karakterfelismerés beállításán a GroupDocs.Search for Java‑ban, lefedve a szabályos karaktereket (betűk, számok, aláhúzások) és a kevert karaktereket (például kötőjelek). A végére képes lesz testre szabni egy indexet, amely pontosan megfelel az OCR vagy képes keresési forgatókönyvének, legyen szó jogi ügyiratszámok, forráskód-repozitóriumok vagy többnyelvű PDF‑ek indexeléséről.

Gyors válaszok

  • What does “create custom search index” mean? Azt jelenti, hogy egy indexet úgy konfigurálunk, hogy bizonyos szimbólumokat betűként vagy kevert karakterként kezelje, ahelyett, hogy figyelmen kívül hagyná őket.
  • Which library is used? GroupDocs.Search for Java (v25.4 a írás időpontjában).
  • Do I need a license? Egy ingyenes próba a fejlesztéshez megfelelő; a termeléshez fizetett licenc szükséges.
  • Can I index both PDFs and images? Igen – a GroupDocs.Search támogatja az OCR‑t képeken és PDF‑eken, ha megfelelően van beállítva.
  • Is Maven required? A Maven a javasolt módja a függőségek kezelésének, de használhat Gradle‑t vagy manuális JAR‑okat is.

Mi az egyedi keresőindex?

Az egyedi keresőindex lehetővé teszi, hogy meghatározd, a keresőmotor hogyan értelmezi a karaktereket. Alapértelmezés szerint sok szimbólum figyelmen kívül marad, ami hiányzó egyezéseket eredményezhet például ügyiratszámok (2023-AB-456) vagy kódrészletek (my_variable) esetén. Az ábécé szótár beállításával teljes irányítást kapsz arról, hogy a motor mi tekinthető kereshető szövegnek.

Miért konfiguráljunk szabályos és kevert karaktereket jogi ügyiratszámokhoz?

  • Regular characters (betűk, számok, aláhúzások) külön tokenizálódnak, lehetővé téve a pontos egyezésű kereséseket az azonosítókra.
  • Blended characters (kötőjelek, perjelek) egyesítik a kapcsolódó tokeneket, megakadályozva a nem kívánt szétválást az ügyiratszámok, termékkódok vagy fájlutak esetén.
  • Ez a beállítás optimalizálja a keresőindex teljesítményét azáltal, hogy csökkenti a token fragmentációt és javítja a relevanciát az OCR‑által generált tartalmaknál.

Előkövetelmények

  • JDK 8 vagy újabb telepítve.
  • Maven a függőségkezeléshez.
  • Hozzáférés a GroupDocs.Search for Java könyvtárhoz (letölthető Maven‑on vagy a hivatalos oldalról).

Szükséges könyvtárak és függőségek

Adja hozzá a tárolót és a függőségi bejegyzéseket a pom.xml‑hez (az alább látható módon). Az XML blokkot változatlanul kell hagyni.

<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>

A legújabb JAR‑okat letöltheti innen: GroupDocs.Search for Java releases.

Licenc beszerzése

  • Free Trial – tökéletes a korai kísérletezéshez.
  • Temporary License – hasznos hosszabb fejlesztési ciklusokhoz.
  • Production License – szükséges a kereskedelmi üzembe helyezéshez.

Szerezzen licencet a hivatalos portálon: GroupDocs.

Alap inicializálás

Az alábbi kódrészlet mutatja a minimális kódot egy üres index elindításához. Hagyja változatlanul; később bővítjük.

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!");
    }
}

A GroupDocs.Search for Java beállítása

Telepítés Maven‑nel

A Prerequisites szakaszból származó Maven‑konfiguráció minden, amire szüksége van. Hozzáadás után futtassa a mvn clean install parancsot a binárisok letöltéséhez.

Környezet beállítási követelmények

  • Győződjön meg róla, hogy a index mappa és a dokumentum mappa létezik a lemezen.
  • Használjon abszolút útvonalakat, vagy konfigurálja az IDE‑t, hogy helyesen oldja fel a relatív útvonalakat.

Implementációs útmutató

Az alábbiakban két különálló funkciót mutatunk be: regular characters és blended characters. Minden funkció ugyanazt a mintát követi – meghatározza az útvonalakat, létrehozza az indexet, beállítja a karakter szótárat, és végül indexeli a dokumentumokat.

1. funkció – Szabályos karakterek

Áttekintés

A szabályos karaktereket független tokenekként kezelik. Ideális, ha a számok, betűk és aláhúzások pontosan úgy legyenek kereshetők, ahogy megjelennek.

Lépésről‑lépésre megvalósítás

1️⃣ Set Up Paths
Határozza meg, hogy hol tárolódik az index és hol vannak a forrásdokumentumok.

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

2️⃣ Create and Configure Index
Példányosítsa az indexet, és törölje az esetleg korábban beállított ábécé konfigurációt.

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

3️⃣ Define Regular Characters
Hozzon létre egy karaktertömböt, amely tartalmazza a számokat, latin betűket és az aláhúzást.

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 Index Documents
Adja hozzá az összes fájlt a forrásmappából az újonnan konfigurált indexhez.

index.add(documentFolder);

2. funkció – Kevert karakterek

Áttekintés

A kevert karakterek (például a kötőjelek) gyakran összekapcsolnak két szót. Ha blended-ként jelöljük őket, a motor a tokenek körülötte egyben tartja az indexelés során.

Lépésről‑lépésre megvalósítás

1️⃣ Set Up Paths

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

2️⃣ Create and Configure Index

Index index = new Index(indexFolder);

3️⃣ Define Blended Characters
Itt azt mondjuk a szótárnak, hogy a kötőjelet kevert karakterként kezelje.

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

4️⃣ Index Documents

index.add(documentFolder);

Gyakorlati alkalmazások

1. eset – Jogi dokumentumkezelés

A jogi fájlok gyakran tartalmaznak ügyiratszámokat, például 2023-AB-456. Az aláhúzások és kötőjelek konfigurálásával a keresés pontos egyezéseket ad anélkül, hogy szétbontaná az azonosítót, így hatékonyan kereshet jogi ügyiratszámokat.

2. eset – Forráskód-repozitóriumok

A fejlesztőknek kódrészleteket kell keresniük, ahol az aláhúzások (my_variable) és a kötőjelek (my-function) jelentőséggel bírnak. Az egyedi karakterfelismerés biztosítja, hogy a keresőmotor tiszteletben tartja ezeket a szimbólumokat.

3. eset – Többnyelvű adatkészletek

Ha olyan nyelvekkel dolgozik, amelyek további ábécéket használnak, kiterjesztheti a Unicode karakterkészletet ezeknek a tartományoknak a belefoglalásával, ezáltal biztosítva a pontos többnyelvű keresési eredményeket.

4. eset – PDF‑képek indexelése

Ha beolvasott PDF‑eket vagy képfájlokat indexel, az OCR kimenete gyakran vegyes karaktereket tartalmaz. A szabályos és kevert karakterek megfelelő beállítása optimalizálja a keresőindex teljesítményét a képalapú tartalmaknál.

Teljesítményfontosságú szempontok

  • Resource Management – Figyelje a heap használatát; a nagy indexek előnyben részesítik az inkrementális commit‑okat.
  • Garbage Collection – Szabadítsa fel a Index objektumokat, amikor már nincs rájuk szükség, hogy a JVM visszanyerje a memóriát.
  • Index Optimization – Időnként hívja meg a index.optimize() (ha elérhető) metódust az index tömörítéséhez és a lekérdezési sebesség javításához.

Következtetés

Most már tudja, hogyan hozzunk létre indexet, amely megkülönbözteti a szabályos és kevert karaktereket a GroupDocs.Search for Java használatával. Ez a finomhangolt vezérlés lehetővé teszi, hogy OCR‑tudatos, nagy teljesítményű keresési megoldásokat építsen, amelyek a jogi, fejlesztési vagy többnyelvű környezetekhez igazodnak.

Következő lépések

  • Kísérletezzen további Unicode tartományokkal a nem latin ábécékhez.
  • Kombinálja a karakterbeállítást más GroupDocs.Search funkciókkal, például stemminggel vagy szinonimákkal.
  • Integrálja az indexet egy REST API‑ba, hogy a keresési képességeket front‑end alkalmazások számára elérhetővé tegye.

Gyakran Ismételt Kérdések

Q: Mi a célja a CharacterType.Letter-nek?
A: Azt mondja az indexnek, hogy a megadott karaktereket szabályos betűként kezelje, így az indexelés során külön tokenizálódnak.

Q: Keverhetek szabályos és kevert karaktereket ugyanabban az indexben?
A: Igen – egyszerűen hívja meg a setRange‑t minden típusra; a szótár egyszerre kezeli mindkét konfigurációt.

Q: Újra kell építeni az indexet az ábécé módosítása után?
A: Határozottan. A karakter szótár változásai befolyásolják a tokenizálást, ezért újra kell indexelni a dokumentumokat az új szabályok alkalmazásához.

Q: Van korlát a definiálható egyedi karakterek számában?
A: A könyvtár támogatja a teljes Unicode tartományt; a teljesítmény romolhat, ha rendkívül nagy halmazt ad hozzá, ezért korlátozza a ténylegesen szükséges karakterekre.

Q: Hogyan befolyásolja ez az OCR pontosságát?
A: Az index karakterkészletének az OCR motor kimenetéhez való igazításával csökkenti a hamis negatív találatokat és javítja a keresés általános relevanciáját.

Last Updated: 2026-03-17
Tested With: GroupDocs.Search 25.4 for Java
Author: GroupDocs