A hatékony dokumentumkeresés elsajátítása a GroupDocs.Search for Java segítségével

A megfelelő szakasz megtalálása több ezer PDF, Word vagy táblázat fájlban olyan, mintha tűt keresnénk egy szénakazalban. Hogyan kell indexet létrehozni gyorsan és a tű visszakeresése teszi értékessé a dokumentum‑kereső megoldást. Ebben az oktatóanyagban megtanulja, hogyan használja a GroupDocs.Search for Java‑t, egy nagy‑teljesítményű java keresőkönyvtárat, index létrehozása, dokumentumok hozzáadása az indexhez, és szöveg kinyerése a dokumentumokból több formátumban, például fájlok, stream-ek, string-ek és strukturált adatok. A végére egy termelés‑kész indexelési folyamatot kap, amely nagy dokumentumgyűjteményekhez is skálázható, miközben alacsony memóriahasználatot biztosít.

Gyors válaszok

• Mi a fő cél? A hogyan kell indexet létrehozni és a dokumentum tartalmának azonnali lekérése.
• Melyik könyvtárat használjam? A GroupDocs.Search for Java java keresőkönyvtár.
• Kimeneti szöveget tudok fájlba menteni? Igen – a könyvtár output text to file adaptereket biztosít HTML, egyszerű szöveg és egyebek számára.
• Támogatott a strukturált kinyerés? Teljesen – használja a structured text extraction adaptert a mezőszintű adatokhoz.
• Szükségem van licencre? A próbaverzió licenc fejlesztéshez működik; a végleges licenc szükséges a termelési környezethez.

Mit fogsz megtanulni

• Hogyan kell hogyan kell indexet létrehozni és dokumentumok hozzáadása az indexhez a GroupDocs.Search for Java segítségével.
• Technikák a output text to file, stream-ek, string-ek és strukturált formátumok kezelésére.
• Teljesítmény‑optimalizálási tippek, amelyek gyors és memóriahatékony indexelést biztosítanak.
• Valós példák, ahol ezek a funkciók kiemelkednek, például jogi‑szerződés tárolók és tudományos‑cikk archívumok.

Miért használjuk a GroupDocs.Search for Java‑t?

A GroupDocs.Search 50+ bemeneti és kimeneti formátumot támogat – beleértve a DOCX, XLSX, PPTX, PDF, HTML és általános képformátumokat – és képes több gigabájtos fájlokat indexelni anélkül, hogy az egész fájlt a memóriába töltené. A benchmarkok azt mutatják, hogy egy 1 GB dokumentumgyűjteményt kevesebb, mint 2 perc alatt lehet indexelni egy standard 8‑magos szerveren, míg a keresési lekérdezések kevesebb mint 100 ms alatt adnak vissza eredményt.

Előfeltételek

• Java Development Kit (JDK) 8 vagy újabb.
• GroupDocs.Search for Java library (trial or licensed).
• Maven for dependency management.
• Alapvető Java I/O ismeretek.

A GroupDocs.Search for Java beállítása

Először adja hozzá a GroupDocs.Search Maven tárolót és függőséget a projekt pom.xml fájljához. Ez a lépés biztosítja, hogy a könyvtár elérhető legyen az osztályúton.

Maven Setup
Adja hozzá a következő tároló- és függőségkonfigurációkat a pom.xml fájlhoz:

<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>

Azok számára, akik közvetlen letöltést részesítenek előnyben, a legújabb verziót letölthetik a GroupDocs.Search for Java releases oldalról.

License Acquisition
A GroupDocs.Search termelésben való használatához szerezzen be egy próbaverzió vagy végleges licencet a hivatalos oldalról. A próbaverzió licenc korlátozás nélkül használható fejlesztéshez és teszteléshez.

Hogyan kell indexet létrehozni Java-ban egyéni beállításokkal

Index a fő osztály, amely egy kereshető dokumentumgyűjteményt képvisel.
IndexSettings konfigurálja az olyan beállításokat, mint a tömörítés az indexhez.
CompressionLevel meghatározza a tárolt szövegre alkalmazott tömörítés mértékét.

Töltse be az Index objektumot tömörítéssel, mutassa meg egy mappára, és adja hozzá az összes támogatott fájlt. Ez a közvetlen‑válasz bekezdés pontosan leírja, mit kell tenni: példányosítsa az Index‑et a new Index("indexFolder", new IndexSettings().setCompressionLevel(CompressionLevel.High)) kóddal, majd hívja meg az index.add("documentsFolder", true)‑t, hogy rekurzívan indexelje az összes támogatott fájlt. A magas tömörítésű mód akár 70 %-kal is csökkenti a lemezhelyet, miközben a keresési sebesség gyors marad.

Az index létrehozása minden keresés‑alapú alkalmazás alapja. Az alábbi példa végigvezeti a folyamaton, elmagyarázza minden beállítást, és megmutatja, hogyan ellenőrizze, hogy az index sikeresen felépült-e.

Index létrehozása és dokumentumok indexelése

Áttekintés

Az Index osztály a fő komponens, amely egy kereshető dokumentumgyűjteményt képvisel. Tárolja a fordított indexeket, a kifejezés-szótárakat és a gyors lekérdezésekhez szükséges metaadatokat.

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);
    }
}

Magyarázat

• Index Settings: Engedélyezzük a high compression a szöveg tárolásához, optimalizálva a lemezhely használatát anélkül, hogy a lekérdezési sebességet befolyásolná.
• Adding Documents: Az index.add() metódus adds documents to index, rekurzívan beolvassa a mappát és automatikusan kezeli az összes támogatott formátumot.

Hogyan kell szöveget kimenetként fájlba, stream-be, string-be és strukturált formátumokba

Az indexelés után gyakran szükség van a dokumentum nyers vagy formázott szövegének kinyerésére. A GroupDocs.Search négy adaptert kínál, amelyek lehetővé teszik a kinyert tartalom írását fájlba, egy memóriában lévő stream‑be, egy Java String‑be vagy egy strukturált objektummodellbe.

Dokumentum szöveg kimenete fájlba

FileOutputAdapter writes extracted document text to a file in the chosen format.

Áttekintés

A FileOutputAdapter writes the extracted text in the chosen format (HTML, plain text, etc.) directly to a file on disk. This is useful for generating human‑readable reports or feeding downstream processing 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);
        }
    }
}

Magyarázat

• FileOutputAdapter: Converts the indexed document’s text into HTML and writes it to the specified file path, preserving basic formatting such as headings and tables.

Dokumentum szöveg kimenete stream-be

StreamOutputAdapter streams extracted document text into a ByteArrayOutputStream without creating a temporary file.

Áttekintés

When you need the content only temporarily—e.g., to send it over HTTP or embed it in a web response—use the StreamOutputAdapter. It streams the text into a ByteArrayOutputStream, avoiding the overhead of creating a temporary file.

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);
        }
    }
}

Magyarázat

• StreamOutputAdapter: Streams the document’s text into a ByteArrayOutputStream, allowing flexible handling without touching the file system.

Dokumentum szöveg kimenete string-be

StringOutputAdapter captures the entire document text in a single String object.

Áttekintés

For quick logging, debugging, or UI display, the StringOutputAdapter captures the entire document text in a single String object.

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();
        }
    }
}

Magyarázat

• StringOutputAdapter: Captures the document’s text in a String, making it easy to embed in logs, console output, or UI components.

Dokumentum szöveg kimenete strukturált formátumba

StructuredOutputAdapter returns a rich object model that contains paragraphs, tables, and custom metadata.

Áttekintés

The StructuredOutputAdapter returns a rich object model that contains paragraphs, tables, and custom metadata. This format is ideal for downstream natural‑language‑processing (NLP) or data‑extraction workflows.

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);
        }
    }
}

Magyarázat

• StructuredOutputAdapter: Extracts document text into a structured text extraction format, enabling fine‑grained analysis, field extraction, and integration with machine‑learning pipelines.

Gyakori problémák és megoldások

Gyakran Ismételt Kérdések

Q: Használhatom a GroupDocs.Search‑t más JVM nyelvekkel, például Kotlin‑nal vagy Scala‑val?
A: Igen, a könyvtár tisztán Java, és zökkenőmentesen működik bármely JVM nyelvvel.

Q: Hogyan befolyásolja a tömörítés a keresési sebességet?
A: A magas tömörítés akár 70 %-kal csökkenti a lemezhasználatot, és csak minimális CPU terhet jelent az indexelés során; a lekérdezési késleltetés tipikus terhelés esetén 100 ms alatt marad.

Q: Lehetséges frissíteni egy meglévő indexet újraépítés nélkül?
A: Teljesen. Használja az index.add()‑t új fájlokhoz és az index.remove()‑t elavultak törléséhez, így lehetővé téve az inkrementális frissítéseket.

Q: Melyik kimeneti formátum a legjobb a természetes nyelvfeldolgozási (NLP) csővezetékekhez?
A: A structured text extraction adapter PlainText eredménye tiszta, nyelv‑független tartalmat biztosít, amely ideális az NLP feladatokhoz.

Q: Szükségem van licencre fejlesztéshez és teszteléshez?
A: Egy ingyenes próbaverzió licenc elegendő a fejlesztéshez és értékeléshez; a termelési környezethez megvásárolt licenc szükséges.

Következtetés

Most már rendelkezik egy teljes, termelés‑kész munkafolyamattal a hogyan kell indexet létrehozni, dokumentumok hozzáadásához és szövegük kinyeréséhez minden szükséges formátumban. Kezdje az Index tömörítéssel történő konfigurálásával, adja hozzá a dokumentumgyűjteményt, és válassza ki a megfelelő output adaptert a downstream szcenárióhoz – legyen az HTML jelentés generálása, NLP modell táplálása vagy tartalom stream‑elése egy webkliensnek. Kísérletezzen az inkrementális frissítési API‑kkal, hogy az indexet frissen tartsa költséges újraépítés nélkül, és élvezze a gyors, megbízható keresést bármely dokumentumtárban.

Last Updated: 2026-06-27
Tested With: GroupDocs.Search 25.4 for Java
Author: GroupDocs

Kapcsolódó oktatóanyagok

• Dokumentumok hozzáadása az indexhez – GroupDocs.Search Java útmutató
• Dokumentum index létrehozása a GroupDocs.Search for Java segítségével
• Hogyan adjunk dokumentumokat az indexhez metaadat-indexeléssel Java-ban a GroupDocs.Search használatával