Buat indeks pencarian khusus java dengan GroupDocs.Search
Dalam aplikasi modern yang banyak dokumen, membuat custom search index java yang menghormati nuansa teks Anda—seperti tanda hubung, garis bawah, atau simbol khusus bahasa—sangat penting untuk pengambilan yang cepat dan akurat. Tutorial ini memandu Anda melalui konfigurasi pengenalan karakter dalam GroupDocs.Search for Java, mencakup karakter reguler (huruf, digit, garis bawah) dan karakter campuran (mis., tanda hubung). Pada akhir, Anda akan dapat menyesuaikan indeks yang sesuai dengan kebutuhan OCR atau skenario pencarian gambar, baik Anda mengindeks nomor kasus hukum, repositori kode sumber, atau PDF multibahasa.
Jawaban Cepat
- Apa arti “create custom search index”? Itu berarti mengkonfigurasi indeks untuk memperlakukan simbol tertentu sebagai huruf atau karakter campuran, bukan mengabaikannya.
- Pustaka mana yang digunakan? GroupDocs.Search for Java (v25.4 pada saat penulisan).
- Apakah saya memerlukan lisensi? Versi percobaan gratis dapat digunakan untuk pengembangan; lisensi berbayar diperlukan untuk produksi.
- Bisakah saya mengindeks PDF dan gambar sekaligus? Ya—GroupDocs.Search mendukung OCR pada gambar dan PDF ketika dikonfigurasi dengan benar.
- Apakah Maven diperlukan? Maven adalah cara yang direkomendasikan untuk mengelola dependensi, tetapi Anda juga dapat menggunakan Gradle atau JAR manual.
Apa itu custom search index java?
custom search index java adalah struktur data yang dapat dicari yang dapat Anda bentuk dengan menentukan karakter mana yang diperlakukan sebagai huruf, digit, atau simbol campuran. Secara default, banyak simbol diabaikan, yang dapat menyebabkan kehilangan kecocokan untuk pengidentifikasi seperti nomor kasus (2023-AB-456) atau potongan kode (my_variable). Menyesuaikan kamus alfabet memberi Anda kontrol penuh atas tokenisasi, menghasilkan relevansi lebih tinggi dan eksekusi kueri yang lebih cepat.
Mengapa mengkonfigurasi karakter reguler dan campuran untuk nomor kasus hukum?
Memperlakukan tanda hubung dan garis miring sebagai karakter campuran menjaga token terkait tetap bersama, mencegah pemisahan yang tidak diinginkan pada pengidentifikasi seperti nomor kasus, kode produk, atau jalur file. Konfigurasi ini mengoptimalkan kinerja indeks pencarian dengan mengurangi fragmentasi token dan meningkatkan relevansi untuk konten yang dihasilkan OCR, terutama saat menangani dokumen hukum yang sangat bergantung pada pengidentifikasi terstruktur.
Prasyarat
- JDK 8 atau yang lebih baru terpasang.
- Maven untuk manajemen dependensi.
- Akses ke pustaka GroupDocs.Search for Java (diunduh melalui Maven atau situs resmi).
Pustaka dan dependensi yang diperlukan
Tambahkan entri repositori dan dependensi ke pom.xml Anda (seperti yang ditunjukkan di bawah). Blok XML harus tetap tidak berubah.
<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>
Anda juga dapat mengunduh JAR terbaru dari GroupDocs.Search for Java releases.
Akuisisi lisensi
- Free trial – sempurna untuk percobaan awal.
- Temporary license – berguna untuk siklus pengembangan yang lebih lama.
- Production license – diperlukan untuk penerapan komersial.
Dapatkan lisensi dari portal resmi: GroupDocs.
Inisialisasi dasar
Potongan kode di bawah menunjukkan kode minimal yang diperlukan untuk membuat indeks kosong. Kelas Index adalah komponen inti yang menyimpan dan mengelola data yang dapat dicari. Biarkan apa adanya; kami akan mengembangkannya nanti.
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!");
}
}
Menyiapkan GroupDocs.Search untuk Java
Instalasi melalui Maven
Konfigurasi Maven dari bagian Prerequisites sudah cukup. Setelah menambahkannya, jalankan mvn clean install untuk mengambil binary.
Persyaratan penyiapan lingkungan
- Pastikan folder indeks dan folder dokumen ada di disk.
- Gunakan jalur absolut atau konfigurasikan IDE Anda untuk menyelesaikan jalur relatif dengan benar.
Panduan Implementasi
Di bawah ini kami menjelaskan dua fitur berbeda: regular characters dan blended characters. Setiap fitur mengikuti pola yang sama—menentukan jalur, membuat indeks, mengatur kamus karakter, dan akhirnya mengindeks dokumen Anda.
Fitur 1 – regular characters
Ikhtisar
Karakter reguler diperlakukan sebagai token independen. Ini ideal ketika Anda ingin digit, huruf, dan garis bawah dapat dicari persis seperti yang muncul.
Implementasi langkah‑demi‑langkah
1️⃣ Siapkan jalur
Tentukan di mana indeks akan disimpan dan di mana dokumen sumber Anda berada.
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/RegularCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Buat dan konfigurasikan indeks
Instansiasi indeks dan bersihkan konfigurasi alfabet yang ada sebelumnya.
Index index = new Index(indexFolder);
index.getDictionaries().getAlphabet().clear();
3️⃣ Tentukan karakter reguler
Buat array karakter yang mencakup digit, huruf Latin, dan garis bawah.
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 Indeks dokumen
Tambahkan semua file dari folder sumber ke indeks yang baru dikonfigurasi.
index.add(documentFolder);
Fitur 2 – blended characters
Ikhtisar
Karakter campuran (seperti tanda hubung) sering menghubungkan dua kata. Menandainya sebagai blended memberi tahu mesin untuk menjaga token di sekitarnya tetap bersama selama proses pengindeksan.
Implementasi langkah‑demi‑langkah
1️⃣ Siapkan jalur
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/BlendedCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Buat dan konfigurasikan indeks
Index index = new Index(indexFolder);
3️⃣ Tentukan karakter campuran
Di sini kami memberi tahu kamus bahwa tanda hubung harus diperlakukan sebagai karakter campuran.
index.getDictionaries().getAlphabet().setRange(new char[] { '-' }, CharacterType.Blended);
4️⃣ Indeks dokumen
index.add(documentFolder);
Aplikasi praktis
Kasus penggunaan 1 – manajemen dokumen hukum
File hukum sering berisi nomor kasus seperti 2023-AB-456. Dengan mengkonfigurasi garis bawah dan tanda hubung, pencarian mengembalikan kecocokan tepat tanpa memisahkan pengidentifikasi, membantu Anda menelusuri nomor kasus hukum secara efisien.
Kasus penggunaan 2 – repositori kode sumber
Pengembang perlu menelusuri potongan kode di mana garis bawah (my_variable) dan tanda hubung (my-function) memiliki arti. Pengenalan karakter khusus memastikan mesin pencari menghormati simbol-simbol ini.
Kasus penggunaan 3 – dataset multibahasa
Saat bekerja dengan bahasa yang menggunakan alfabet tambahan, Anda dapat memperluas set karakter Unicode untuk mencakup rentang tersebut, menjamin hasil pencarian lintas bahasa yang akurat.
Kasus penggunaan 4 – mengindeks gambar PDF
Jika Anda mengindeks PDF yang dipindai atau file gambar, output OCR sering berisi karakter campuran. Mengkonfigurasi karakter reguler dan campuran dengan tepat mengoptimalkan kinerja indeks pencarian untuk konten berbasis gambar.
Pertimbangan kinerja
- Resource management – pantau penggunaan heap; indeks besar mendapat manfaat dari commit inkremental.
- Garbage collection – lepaskan objek
Indexsetelah selesai agar JVM dapat memulihkan memori. - Index optimization – secara berkala panggil
index.optimize()(jika tersedia) untuk memadatkan indeks dan meningkatkan kecepatan kueri.
Kesimpulan
Anda kini mengetahui cara membuat custom search index java yang membedakan antara karakter reguler dan campuran menggunakan GroupDocs.Search untuk Java. Kontrol yang detail ini memungkinkan Anda membangun solusi pencarian berperforma tinggi yang sadar OCR, disesuaikan untuk lingkungan hukum, pengembangan, atau multibahasa.
Langkah selanjutnya
- Bereksperimen dengan rentang Unicode tambahan untuk alfabet non‑Latin.
- Gabungkan konfigurasi karakter dengan fitur GroupDocs.Search lainnya seperti stemming atau sinonim.
- Ekspos indeks melalui REST API agar aplikasi front‑end dapat melakukan pencarian melalui HTTP.
Pertanyaan yang sering diajukan
Q: Apa tujuan CharacterType.Letter?
A: Itu memberi tahu indeks untuk memperlakukan karakter yang diberikan sebagai huruf reguler, sehingga mereka ditokenisasi secara terpisah selama pengindeksan.
Q: Bisakah saya mencampur karakter reguler dan campuran dalam indeks yang sama?
A: Ya—cukup panggil setRange untuk setiap tipe; kamus akan menangani kedua konfigurasi secara bersamaan.
Q: Apakah saya perlu membangun ulang indeks setelah mengubah alfabet?
A: Tentu saja. Perubahan kamus karakter memengaruhi tokenisasi, jadi Anda harus mengindeks ulang dokumen untuk menerapkan aturan baru.
Q: Apakah ada batasan jumlah karakter khusus yang dapat saya definisikan?
A: Pustaka mendukung seluruh rentang Unicode; kinerja dapat menurun jika Anda menambahkan set yang sangat besar, jadi batasi pada karakter yang memang Anda butuhkan.
Q: Bagaimana hal ini memengaruhi akurasi OCR?
A: Dengan menyelaraskan set karakter indeks dengan output mesin OCR, Anda mengurangi false negative dan meningkatkan relevansi pencarian secara keseluruhan.
Terakhir Diperbarui: 2026-11-02
Diuji dengan: GroupDocs.Search 25.4 for Java
Penulis: GroupDocs