Come creare un indice con riconoscimento dei caratteri usando GroupDocs.Search per Java

Nelle moderne applicazioni ricche di documenti, come creare un indice che rispetti le sfumature del tuo testo — come trattini, underscore o simboli specifici della lingua — è essenziale per un recupero rapido e accurato. In questo tutorial vedremo come configurare il riconoscimento dei caratteri in GroupDocs.Search per Java, coprendo sia i caratteri regolari (lettere, cifre, underscore) sia i caratteri misti (ad esempio i trattini). Alla fine, sarai in grado di personalizzare un indice che soddisfi le esigenze precise del tuo scenario OCR o di ricerca di immagini, sia che tu stia indicizzando numeri di cause legali, repository di codice sorgente o PDF multilingue.

Risposte rapide

  • Cosa significa “create custom search index”? Significa configurare un indice per trattare simboli specifici come lettere o caratteri misti, invece di ignorarli.
  • Quale libreria viene usata? GroupDocs.Search for Java (v25.4 al momento della stesura).
  • Ho bisogno di una licenza? Una prova gratuita funziona per lo sviluppo; è necessaria 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 portare a corrispondenze mancate per elementi come i numeri di caso (2023-AB-456) 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 per i numeri di causa legale?

  • Caratteri regolari (lettere, cifre, underscore) vengono tokenizzati separatamente, consentendo ricerche a corrispondenza esatta per gli identificatori.
  • Caratteri misti (trattini, slash) mantengono i token correlati insieme, evitando divisioni indesiderate di numeri di caso, codici prodotto o percorsi di file.
  • Questa configurazione ottimizza le prestazioni dell’indice di ricerca riducendo la frammentazione dei token e migliorando la pertinenza per contenuti generati da OCR.

Prerequisiti

  • JDK 8 o versioni successive installate.
  • Maven per la gestione delle dipendenze.
  • Accesso alla libreria GroupDocs.Search for 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 – necessaria per il deployment commerciale.

Ottieni una licenza dal portale ufficiale: GroupDocs.

Inizializzazione di base

Il frammento di codice qui sotto mostra il codice minimo necessario per avviare un indice vuoto. Mantienilo così com’è; lo estenderemo in seguito.

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 dalla 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 su disco.
  • Usa percorsi assoluti o configura il tuo IDE per risolvere correttamente i percorsi relativi.

Guida all’implementazione

Di seguito esaminiamo 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.

Funzione 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 come appaiono.

Implementazione passo‑passo

1️⃣ Configura i percorsi
Definisci dove verrà memorizzato l’indice e dove si trovano i tuoi 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 pre‑esistente.

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);

Funzione 2 – Caratteri misti

Panoramica

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

Implementazione passo‑passo

1️⃣ Configura 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 documenti legali

I file legali spesso contengono numeri di caso come 2023-AB-456. Configurando underscore e trattini, le ricerche restituiscono corrispondenze esatte senza dividere l’identificatore, aiutandoti a cercare numeri di causa legali in modo efficiente.

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 usano alfabeti aggiuntivi, è possibile estendere il set di caratteri Unicode per includere quegli intervalli, garantendo risultati di ricerca accurati tra più lingue.

Caso d’uso 4 – Indicizzare immagini PDF

Se stai indicizzando PDF scansionati o file immagine, l’output OCR contiene spesso caratteri misti. Configurare correttamente caratteri regolari e misti ottimizza le prestazioni dell’indice di ricerca per contenuti basati su immagini.

Considerazioni sulle prestazioni

  • Gestione delle risorse – Tieni sotto controllo 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.
  • Ottimizzazione dell’indice – Chiama periodicamente index.optimize() (se disponibile) per compattare l’indice e migliorare la velocità delle query.

Conclusione

Ora sai come creare un indice 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.

Prossimi passi

  • 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 vengono tokenizzati 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 possono degradare se aggiungi un set estremamente grande, quindi limitati ai caratteri realmente necessari.

Q: Come influisce questo sull’accuratezza dell’OCR?
A: Allineando il set di caratteri dell’indice con l’output del motore OCR, riduci i falsi negativi e migliori la pertinenza complessiva della ricerca.

Ultimo aggiornamento: 2026-03-17
Testato con: GroupDocs.Search 25.4 per Java
Autore: GroupDocs