Crea un indice di ricerca personalizzato con riconoscimento dei caratteri usando GroupDocs.Search per Java

In applicazioni moderne con una grande quantità di documenti, creare un indice di ricerca personalizzato che comprenda le sfumature del tuo testo—come trattini, underscore o simboli specifici di una lingua—è fondamentale per un recupero rapido e preciso. Questo tutorial ti guida nella configurazione del riconoscimento dei caratteri in GroupDocs.Search per Java, coprendo sia i caratteri regolari (lettere, cifre, underscore) sia i caratteri misti (ad es. i trattini). Alla fine, sarai in grado di personalizzare un indice che soddisfi esattamente le esigenze del tuo scenario OCR o di ricerca di immagini.

Risposte rapide

  • Cosa significa “creare un indice di ricerca personalizzato”? Significa configurare un indice per trattare simboli specifici come lettere o caratteri misti, anziché ignorarli.
  • Quale libreria viene utilizzata? GroupDocs.Search per Java (v25.4 al momento della stesura).
  • È necessaria una licenza? Una prova gratuita funziona per lo sviluppo; è richiesta una licenza a pagamento per la produzione.
  • Posso indicizzare sia PDF che immagini? Sì—GroupDocs.Search supporta OCR su immagini e PDF quando configurato correttamente.
  • Maven è obbligatorio? Maven è il metodo consigliato per gestire le dipendenze, ma è possibile usare anche Gradle o JAR manuali.

Cos’è un indice di ricerca personalizzato?

Un indice di ricerca personalizzato ti consente di definire come il motore di ricerca interpreta i caratteri. Per impostazione predefinita, molti simboli vengono ignorati, il che può provocare mancati risultati per elementi come numeri di pratica (ABC-123) o frammenti di codice (my_variable). Modificando il dizionario dell’alfabeto ottieni il pieno controllo su ciò che il motore considera testo ricercabile.

Perché configurare caratteri regolari e misti?

  • Caratteri regolari (lettere, cifre, underscore) sono trattati come token autonomi, migliorando le ricerche a corrispondenza esatta.
  • Caratteri misti (trattini, slash) collegano parole; configurarli impedisce la divisione indesiderata dei token, fondamentale per riferimenti legali, codici prodotto o indicizzazione di codice sorgente.

Prerequisiti

  • JDK 8 o versioni successive installate.
  • Maven per la gestione delle dipendenze.
  • Accesso alla libreria GroupDocs.Search per Java (scaricata via Maven o dal sito ufficiale).

Librerie e dipendenze richieste

Aggiungi il repository e le voci di dipendenza al tuo pom.xml (come mostrato di seguito). Il blocco XML deve rimanere invariato.

<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>

Puoi anche scaricare gli ultimi JAR da GroupDocs.Search for Java releases.

Acquisizione della licenza

  • Free Trial – perfetta per le prime sperimentazioni.
  • Temporary License – utile per cicli di sviluppo più lunghi.
  • Production License – richiesta per il deployment commerciale.

Ottieni una licenza dal portale ufficiale: GroupDocs.

Inizializzazione di base

Il frammento qui sotto mostra il codice minimo necessario per avviare un indice vuoto. Lascialo così com’è; lo estenderemo più avanti.

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!");
    }
}

Configurazione di GroupDocs.Search per Java

Installazione via Maven

La configurazione Maven della sezione Prerequisiti è tutto ciò di cui hai bisogno. Dopo averla aggiunta, esegui mvn clean install per scaricare i binari.

Requisiti per la configurazione dell’ambiente

  • Assicurati che la cartella dell’indice e la cartella dei documenti esistano sul disco.
  • Usa percorsi assoluti o configura il tuo IDE per risolvere correttamente i percorsi relativi.

Guida all’implementazione

Di seguito descriviamo due funzionalità distinte: caratteri regolari e caratteri misti. Ogni funzionalità segue lo stesso schema—definisci i percorsi, crea l’indice, imposta il dizionario dei caratteri e, infine, indicizza i documenti.

Funzionalità 1 – Caratteri regolari

Panoramica

I caratteri regolari sono trattati come token indipendenti. Questo è ideale quando vuoi che cifre, lettere e underscore siano ricercabili esattamente così come appaiono.

Implementazione passo‑a‑passo

1️⃣ Imposta i percorsi
Definisci dove verrà memorizzato l’indice e dove risiedono i documenti sorgente.

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

2️⃣ Crea e configura l’indice
Istanzia l’indice e cancella qualsiasi configurazione dell’alfabeto preesistente.

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

3️⃣ Definisci i caratteri regolari
Costruisci un array di caratteri che includa cifre, lettere latine e l’underscore.

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 Indicizza i documenti
Aggiungi tutti i file dalla cartella sorgente al nuovo indice configurato.

index.add(documentFolder);

Funzionalità 2 – Caratteri misti

Panoramica

I caratteri misti (come i trattini) collegano spesso due parole. Segnarli come misti indica al motore di mantenere insieme i token circostanti durante l’indicizzazione.

Implementazione passo‑a‑passo

1️⃣ Imposta i percorsi

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

2️⃣ Crea e configura l’indice

Index index = new Index(indexFolder);

3️⃣ Definisci i caratteri misti
Qui indichiamo al dizionario che il trattino deve essere trattato come carattere misto.

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

4️⃣ Indicizza i documenti

index.add(documentFolder);

Applicazioni pratiche

Caso d’uso 1 – Gestione di documenti legali

I file legali contengono spesso numeri di pratica come 2023-AB-456. Configurando underscore e trattini, le ricerche restituiscono corrispondenze esatte senza dividere l’identificatore.

Caso d’uso 2 – Repository di codice sorgente

Gli sviluppatori hanno bisogno di cercare frammenti di codice dove underscore (my_variable) e trattini (my-function) sono significativi. Il riconoscimento personalizzato dei caratteri garantisce che il motore di ricerca rispetti questi simboli.

Caso d’uso 3 – Set di dati multilingue

Quando si lavora con lingue che utilizzano alfabeti aggiuntivi, è possibile estendere il set di caratteri regolari includendo quegli intervalli Unicode, garantendo risultati di ricerca accurati tra più lingue.

Considerazioni sulle prestazioni

  • Resource Management – Monitora l’utilizzo dell’heap; gli indici di grandi dimensioni beneficiano di commit incrementali.
  • Garbage Collection – Rilascia gli oggetti Index al termine per consentire alla JVM di recuperare la memoria.
  • Index Optimization – Chiama periodicamente index.optimize() (se disponibile) per compattare l’indice e migliorare la velocità delle query.

Conclusione

Ora sai come creare un indice di ricerca personalizzato che distingue tra caratteri regolari e misti usando GroupDocs.Search per Java. Questo controllo fine ti permette di costruire soluzioni di ricerca ad alte prestazioni, consapevoli dell’OCR, adatte a contesti legali, di sviluppo o multilingue.

Passi successivi

  • Sperimenta con intervalli Unicode aggiuntivi per alfabeti non latini.
  • Combina la configurazione dei caratteri con altre funzionalità di GroupDocs.Search come stemming o sinonimi.
  • Integra l’indice in un’API REST per esporre le capacità di ricerca alle applicazioni front‑end.

Domande frequenti

Q: Qual è lo scopo di CharacterType.Letter?
A: Indica all’indice di trattare i caratteri forniti come lettere regolari, così da tokenizzarli separatamente durante l’indicizzazione.

Q: Posso mescolare caratteri regolari e misti nello stesso indice?
A: Sì—basta chiamare setRange per ciascun tipo; il dizionario gestirà entrambe le configurazioni contemporaneamente.

Q: Devo ricostruire l’indice dopo aver modificato l’alfabeto?
A: Assolutamente. Le modifiche al dizionario dei caratteri influenzano la tokenizzazione, quindi è necessario re‑indicizzare i documenti per applicare le nuove regole.

Q: Esiste un limite al numero di caratteri personalizzati che posso definire?
A: La libreria supporta l’intero intervallo Unicode; le prestazioni potrebbero degradare se aggiungi un set estremamente ampio, quindi limitati ai caratteri realmente necessari.

Q: Come influisce tutto ciò sulla precisione dell’OCR?
A: Allineando il set di caratteri dell’indice con l’output del motore OCR, riduci i falsi negativi e migliori la rilevanza complessiva della ricerca.

Ultimo aggiornamento: 2026-01-11
Testato con: GroupDocs.Search 25.4 per Java
Autore: GroupDocs