Estrai Testo PDF Java – Crea Indice con GroupDocs.Search

In questa guida pratica scoprirai come estrarre testo pdf java dai file PDF, serializzare il contenuto estratto e creare un indice ricercabile ad alte prestazioni. Che tu stia costruendo una base di conoscenza interna, un portale di ricerca contratti o un motore di ricerca personalizzato, i passaggi seguenti ti guideranno attraverso tutto—dall’estrazione del testo dai PDF all’esecuzione di potenti query full‑text. Immergiamoci e vediamo perché GroupDocs.Search rende l’intero processo fluido e scalabile.

Risposte Rapide

Il metodo index.search esegue una query sull’indice creato e restituisce un elenco di documenti corrispondenti con i punteggi di rilevanza.

  • Qual è lo scopo principale? Estrarre testo pdf java dai file PDF e creare un indice di documenti ricercabile con GroupDocs.Search.
  • Quale versione della libreria? GroupDocs.Search 25.4 (o l’ultima release).
  • È necessaria una licenza? Una prova gratuita è sufficiente per lo sviluppo; è necessaria una licenza completa per la produzione.
  • Posso indicizzare PDF? Sì—estrai il testo PDF e aggiungilo all’indice.
  • Come eseguo una ricerca? Usa il metodo index.search(query) dopo aver aggiunto i dati.

Cos’è un Indice di Documenti?

Un Indice di Documenti è una collezione strutturata di termini ricercabili estratti dai tuoi file. Mappa ogni termine ai documenti in cui appare, consentendo ricerche full‑text rapide su grandi repository e riducendo il tempo di ricerca da minuti a millisecondi, supportando al contempo funzioni di ranking e rilevanza.

Perché usare GroupDocs.Search per Java?

GroupDocs.Search supporta oltre 50 formati di input e output, può indicizzare milioni di documenti senza caricare l’intero file in memoria e offre un ricco linguaggio di query con operatori Booleani, wildcard e di prossimità. Queste capacità quantificate lo rendono ideale per soluzioni di ricerca su scala aziendale. Fornisce inoltre rilevamento della lingua integrato, stemming e analizzatori personalizzabili per migliorare la precisione della ricerca su contenuti multilingue.

Prerequisiti

  • GroupDocs.Search per Java (Versione 25.4 o successiva).
  • Java Development Kit (JDK) compatibile con la tua versione di GroupDocs.
  • Un IDE come IntelliJ IDEA o Eclipse.
  • Maven per la gestione delle dipendenze.

Configurazione di GroupDocs.Search per Java

Per prima cosa, aggiungi la libreria al tuo progetto.

Configurazione Maven
Includi quanto segue nel tuo file pom.xml:

<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>

Download Diretto
In alternativa, scarica l’ultima versione da GroupDocs.Search for Java releases.

Acquisizione Licenza

  • Prova Gratuita – Testa tutte le funzionalità con una licenza temporanea.
  • Acquisto – Ottieni accesso completo e supporto prioritario.

Come estrarre testo da PDF (e altri documenti)

Carica il tuo PDF (o documento supportato) con la classe Extractor, configura le opzioni di estrazione e chiama extractText(). Questa chiamata in una sola riga restituisce il testo grezzo o formattato pronto per l’indicizzazione.

La classe Extractor è il componente centrale di GroupDocs.Search che legge un documento e produce testo semplice o formattato.

// ```java
String documentPath = "YOUR_DOCUMENT_DIRECTORY/Lorem ipsum.pdf";
Extractor extractor = new Extractor();
Document document = Document.createFromFile(documentPath);

// ```java
ExtractionOptions extractionOptions = new ExtractionOptions();
extractionOptions.setUseRawTextExtraction(false); // Extract with formatting
ExtractedData extractedData = extractor.extract(document, extractionOptions);

Suggerimento: Imposta setUseRawTextExtraction(true) se ti serve testo semplice senza formattazione.

Come serializzare i dati estratti

La serializzazione converte l’oggetto di testo estratto in un array di byte, consentendoti di archiviarlo su disco o trasmetterlo su rete per indicizzazioni successive.

L’utilità SerializationUtil fornisce metodi statici per trasformare oggetti in flussi di byte e viceversa.

// ```java
ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
extractedData.serialize(outputStream);
byte[] serializedArray = outputStream.toByteArray();

Come deserializzare i dati estratti

Quando sei pronto a costruire l’indice, deserializza l’array di byte precedentemente memorizzato tornando all’oggetto di estrazione originale.

Il metodo deserialize ripristina lo stato esatto del risultato di estrazione, garantendo nessuna perdita di dati tra le sessioni.

// ```java
ByteArrayInputStream inputStream = new ByteArrayInputStream(serializedArray);
ExtractedData deserializedData = ExtractedData.deserialize(inputStream);

Come creare un indice di documenti

Istanzia un oggetto Index, specifica la cartella di archiviazione e configura le opzioni di indicizzazione come i vettori di termini e la gestione delle stop‑words.

La classe Index rappresenta il contenitore ricercabile che contiene tutti i termini, i riferimenti ai documenti e i metadati.

// ```java
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/SeparateDataExtraction";
com.groupdocs.search.Index index = new com.groupdocs.search.Index(indexFolder);

Come aggiungere dati all’indice ed eseguire una ricerca

Aggiungi il risultato di estrazione deserializzato all’indice con index.add(), poi esegui una query usando index.search() per risultati immediati.

Il metodo add registra i termini del documento nell’indice, mentre search esegue la query su quei termini.

// ```java
ExtractedData[] dataToIndex = new ExtractedData[] { deserializedData };
index.add(dataToIndex, new IndexingOptions());

// ```java
String query = "ipsum";
SearchResult result = index.search(query);

Suggerimento professionale: Usa index.search("your query", SearchOptions) per affinare il ranking di rilevanza.

Casi d’Uso Comuni

  1. Sistemi di Gestione Documenti – Trova rapidamente contratti, fatture o politiche.
  2. Motori di Ricerca Basati sui Contenuti – Alimenta basi di conoscenza interne con capacità di ricerca full‑text java.
  3. Soluzioni di Archiviazione Dati – Indicizza record storici per un recupero istantaneo.

Considerazioni sulle Prestazioni

Il metodo setStoreTermVectors(boolean) configura se i vettori di termini sono memorizzati nell’indice, influenzando la dimensione dell’indice e le prestazioni delle query.

  • Gestione della Memoria: Aumenta la dimensione dell’heap JVM (es., -Xmx4g) quando elabori batch superiori a 500 MB.
  • Opzioni di Indicizzazione: Disabilita i term vectors (setStoreTermVectors(false)) per ridurre la dimensione dell’indice fino al 30 %.
  • Aggiornamenti Regolari: Mantieni GroupDocs.Search aggiornato; ogni rilascio minore include miglioramenti di velocità medi del 10‑15 %.

Domande Frequenti

D: Come gestisco file PDF molto grandi in modo efficiente?
R: Esegui lo streaming del file usando Extractor e processalo a blocchi; aumenta anche l’heap JVM se necessario.

D: Posso personalizzare la sintassi della query di ricerca?
R: Sì—GroupDocs.Search supporta operatori Booleani, wildcard e ricerche di prossimità.

D: Cosa devo fare se la serializzazione fallisce?
R: Verifica che tutti gli oggetti implementino Serializable e cattura IOException per registrare i dettagli.

D: È possibile indicizzare solo sezioni specifiche di un documento?
R: Assolutamente—configura ExtractionOptions per filtrare pagine o sezioni prima dell’indicizzazione.

D: Come aggiorno a una versione più recente di GroupDocs.Search?
R: Aggiorna il numero di versione nel tuo pom.xml ed esegui mvn clean install; consulta la guida di migrazione per le modifiche breaking.

Risorse

Ultimo Aggiornamento: 2026-07-07
Testato Con: GroupDocs.Search 25.4 for Java
Autore: GroupDocs

Tutorial Correlati