Egyedi keresési index Java létrehozása a GroupDocs.Search segítségével

A modern dokumentum‑intenzív alkalmazásokban egy custom search index java létrehozása, amely figyelembe veszi a szöveg finomságait – például a kötőjeleket, aláhúzásokat vagy nyelvspecifikus szimbólumokat – elengedhetetlen a gyors, pontos visszakereséshez. Ez az útmutató végigvezeti a karakterfelismerés beállításán a GroupDocs.Search for Java‑ban, lefedve a szabályos karaktereket (betűk, számjegyek, aláhúzások) és a kevert karaktereket (pl. kötőjelek). A végére képes lesz egy olyan index testreszabására, amely pontosan megfelel az OCR vagy képes keresési forgatókönyvek igényeinek, legyen szó jogi ügyiratszámok, forráskód‑tárak vagy többnyelvű PDF‑ek indexeléséről.

Gyors válaszok

  • Mit jelent a “create custom search index”? Ez azt jelenti, hogy egy indexet konfigurálunk úgy, hogy bizonyos szimbólumokat betűként vagy kevert karakterként kezelje, ahelyett, hogy figyelmen kívül hagyná őket.
  • Melyik könyvtár van használatban? GroupDocs.Search for Java (v25.4 at the time of writing).
  • Szükségem van licencre? A free trial fejlesztéshez működik; egy fizetett licenc szükséges a termeléshez.
  • Indexelhetek PDF‑eket és képeket is? Igen—GroupDocs.Search támogatja az OCR‑t képeken és PDF‑eken, ha megfelelően van beállítva.
  • Szükséges a Maven? A Maven az ajánlott módja a függőségek kezelésének, de használhatod a Gradle‑t vagy manuális JAR‑okat is.

Mi az a custom search index java?

A custom search index java egy kereshető adatstruktúra, amelyet úgy alakíthatsz, hogy meghatározod, mely karaktereket kezelje betűként, számjegyként vagy kevert szimbólumként. Alapértelmezés szerint sok szimbólum figyelmen kívül marad, ami hiányzó egyezéseket eredményezhet azonosítók, például ügyiratszámok (2023-AB-456) vagy kódrészletek (my_variable) esetén. Az ábécé szótár beállítása teljes irányítást ad a tokenizálás felett, ami nagyobb relevanciához és gyorsabb lekérdezés‑végrehajtáshoz vezet.

Miért konfiguráljuk a szabályos és kevert karaktereket a jogi ügyiratszámokhoz?

A kötőjelek és perjelek kevert karakterként történő kezelése egyesíti a kapcsolódó tokeneket, megakadályozva az azonosítók, például ügyiratszámok, termékkódok vagy fájlutak nem kívánt felosztását. Ez a konfiguráció optimizes search index performance a token fragmentáció csökkentésével, és javítja az OCR‑generált tartalom relevanciáját, különösen jogi dokumentumok esetén, amelyek erősen támaszkodnak a strukturált azonosítókra.

Előfeltételek

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

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 letöltheted a GroupDocs.Search for Java kiadások oldalról.

Licenc beszerzése

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

Licencet szerezhetsz a hivatalos portálon: GroupDocs.

Alap inicializálás

Az alábbi kódrészlet mutatja a minimális kódot egy üres index elindításához. Az Index osztály a fő komponens, amely a kereshető adatokat tárolja és kezeli. Hagyd változatlanul; később tovább építünk rá.

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!");
    }
}

GroupDocs.Search for Java beállítása

Telepítés Maven‑en keresztül

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

Környezeti beállítási követelmények

  • Győződj meg róla, hogy a index folder és a document folder létezik a lemezen.
  • Használj abszolút útvonalakat, vagy konfiguráld az IDE‑det, hogy helyesen oldja fel a relatív útvonalakat.

Megvalósítási útmutató

Az alábbiakban két különálló funkción keresztül vezetünk: regular characters és blended characters. Minden funkció ugyanazt a mintát követi – meghatározod az útvonalakat, létrehozod az indexet, beállítod a karakter szótárat, és végül indexeled a dokumentumokat.

1. funkció – regular characters

Áttekintés

A regular characters független tokenekként kerülnek kezelve. Ideális, ha a számjegyeket, betűket és aláhúzásokat pontosan úgy szeretnéd keresni, ahogy megjelennek.

Lépésről‑lépésre megvalósítás

1️⃣ Útvonalak beállítása
Határozd meg, hol lesz tárolva az index és hol vannak a forrásdokumentumok.

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

2️⃣ Index létrehozása és konfigurálása
Példányosítsd az indexet és töröld a korábban létező ábécé beállításokat.

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

3️⃣ Regular characters meghatározása
Készíts egy karaktertömböt, amely tartalmazza a számjegyeket, a 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 Dokumentumok indexelése
Add hozzá az összes fájlt a forrásmappából az újonnan konfigurált indexhez.

index.add(documentFolder);

2. funkció – blended characters

Áttekintés

A blended characters (például a kötőjelek) gyakran összekapcsolnak két szót. Ha blended-ként jelöljük őket, a motor a környező tokeneket együtt tartja az indexelés során.

Lépésről‑lépésre megvalósítás

1️⃣ Útvonalak beállítása

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

2️⃣ Index létrehozása és konfigurálása

Index index = new Index(indexFolder);

3️⃣ Blended characters meghatározása
Itt mondjuk meg a szótárnak, hogy a kötőjelet blended character‑ként kezelje.

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

4️⃣ Dokumentumok indexelése

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 keresések pontos egyezéseket adnak, anélkül, hogy felosztanák az azonosítót, segítve a jogi ügyiratszámok keresését hatékonyan.

2. eset – forráskód tárolók

A fejlesztőknek szükségük van a kódrészletek keresésére, ahol az aláhúzások (my_variable) és a kötőjelek (my-function) jelentőséggel bírnak. Az egyedi karakterfelismerés biztosítja, hogy a keresőmotor tiszteletben tartsa ezeket a szimbólumokat.

3. eset – többnyelvű adathalmazok

Amikor olyan nyelvekkel dolgozol, amelyek további ábécéket használnak, extend the Unicode character set-et bővítheted, hogy tartalmazza ezeket a tartományokat, ezáltal biztosítva a pontos többnyelvű keresési eredményeket.

4. eset – PDF képek indexelése

Ha beolvasott PDF‑eket vagy képfájlokat indexelsz, az OCR‑kimenet gyakran vegyes karaktereket tartalmaz. A szabályos és kevert karakterek megfelelő beállítása optimizes search index teljesítményt biztosít a képalapú tartalomhoz.

Teljesítmény szempontok

  • Resource management – figyeld a heap használatot; a nagy indexek előnyben részesítik a fokozatos commit‑okat.
  • Garbage collection – szabadítsd fel a Index objektumokat, amikor kész vagy, hogy a JVM visszanyerje a memóriát.
  • Index optimization – időnként hívd meg a index.optimize()‑t (ha elérhető), hogy tömörítsd az indexet és javítsd a lekérdezés sebességét.

Következtetés

Most már tudod, how to create a custom search index java, 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 építs, amelyek a jogi, fejlesztési vagy többnyelvű környezetekhez vannak szabva.

Következő lépések

  • Kísérletezz további Unicode tartományokkal a nem latin ábécékhez.
  • Kombináld a karakterkonfigurációt más GroupDocs.Search funkciókkal, mint a stemming vagy szinonimák.
  • Tedd elérhetővé az indexet egy REST API‑n keresztül, hogy a front‑end alkalmazások HTTP‑n keresztül hajthassanak végre kereséseket.

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 tokenekre bontja őket.

Q: Keverhetem a regular és blended karaktereket ugyanabban az indexben?
A: Igen—egyszerűen hívd meg a setRange‑t minden típusra; a szótár egyidejűleg kezeli mindkét konfigurációt.

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

Q: Van korlátja a definiálható egyedi karakterek számának?
A: A könyvtár támogatja a teljes Unicode tartományt; a teljesítmény romolhat, ha rendkívül nagy halmazt adsz hozzá, ezért korlátozd a ténylegesen szükséges karakterekre.

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

Legutóbb frissítve: 2026-11-02
Tesztelve: GroupDocs.Search 25.4 for Java
Szerző: GroupDocs

Kapcsolódó oktatóanyagok