Padroneggiare la ricerca efficiente di documenti con GroupDocs.Search per Java

Trovare il passaggio giusto all’interno di migliaia di PDF, file Word o fogli di calcolo può sembrare come cercare un ago in un pagliaio. How to create index rapidamente e recuperare quell’ago è ciò che rende una soluzione di ricerca di documenti preziosa. In questo tutorial imparerai a usare GroupDocs.Search for Java, una libreria java di ricerca ad alte prestazioni, per create index, add documents to index e extract text from documents in più formati come file, stream, stringhe e dati strutturati. Alla fine avrai una pipeline di indicizzazione pronta per la produzione che scala a grandi collezioni di documenti mantenendo basso l’uso della memoria.

Risposte rapide

• What is the primary purpose? Per how to create index e recuperare il contenuto del documento istantaneamente.
• Which library should I use? La GroupDocs.Search for Java java search library.
• Can I output text to a file? Sì – la libreria fornisce gli adapter output text to file per HTML, testo semplice e altro.
• Is structured extraction supported? Assolutamente – usa l’adapter structured text extraction per ottenere dati a livello di campo.
• Do I need a license? Una licenza di prova funziona per lo sviluppo; è necessaria una licenza permanente per le distribuzioni in produzione.

Cosa imparerai

• Come how to create index e add documents to index usando GroupDocs.Search per Java.
• Tecniche per output text to file, stream, stringhe e formati strutturati.
• Suggerimenti di ottimizzazione delle prestazioni che mantengono l’indicizzazione veloce ed efficiente in termini di memoria.
• Scenari reali in cui queste funzionalità brillano, come repository di contratti legali e archivi di articoli accademici.

Perché usare GroupDocs.Search per Java?

GroupDocs.Search supporta 50+ input and output formats – inclusi DOCX, XLSX, PPTX, PDF, HTML e tipi di immagine comuni – e può indicizzare file multi‑gigabyte senza caricare l’intero file in memoria. I benchmark mostrano che una collezione di documenti da 1 GB può essere indicizzata in meno di 2 minuti su un server standard a 8 core, mentre le query di ricerca restituiscono risultati in meno di 100 ms.

Prerequisiti

• Java Development Kit (JDK) 8 o più recente.
• Libreria GroupDocs.Search for Java (trial o con licenza).
• Maven per la gestione delle dipendenze.
• Conoscenze di base di Java I/O.

Configurare GroupDocs.Search per Java

Per prima cosa, aggiungi il repository Maven di GroupDocs.Search e la dipendenza al file pom.xml del tuo progetto. Questo passaggio garantisce che la libreria sia disponibile nel classpath.

Maven Setup
Aggiungi le seguenti configurazioni di repository e dipendenza 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>

Per chi preferisce un download diretto, è possibile ottenere l’ultima versione da GroupDocs.Search for Java releases.

License Acquisition
Per utilizzare GroupDocs.Search in produzione, ottieni una licenza trial o permanente dal sito ufficiale. La licenza trial è illimitata per sviluppo e test.

Come creare un indice java con impostazioni personalizzate

Index è la classe principale che rappresenta una collezione ricercabile di documenti.
IndexSettings configura opzioni come la compressione per l’indice.
CompressionLevel definisce il grado di compressione applicato al testo memorizzato.

Carica l’oggetto Index con compressione abilitata, puntalo a una cartella e aggiungi tutti i file supportati. Questo paragrafo di risposta diretta ti dice esattamente cosa fare: istanziare Index con new Index("indexFolder", new IndexSettings().setCompressionLevel(CompressionLevel.High)), quindi chiamare index.add("documentsFolder", true) per indicizzare ricorsivamente ogni file supportato. La modalità di compressione alta riduce le dimensioni su disco fino al 70 % mantenendo la velocità di ricerca elevata.

Creare l’indice è la base per qualsiasi applicazione basata sulla ricerca. L’esempio sotto ti guida attraverso il processo, spiega ogni impostazione e mostra come verificare che l’indice sia stato costruito correttamente.

Creazione dell’indice e indicizzazione dei documenti

Panoramica

La classe Index è il componente principale che rappresenta una collezione ricercabile di documenti. Memorizza indici invertiti, dizionari di termini e metadati necessari per ricerche rapide.

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);
    }
}

Explanation

• Index Settings: Abilitiamo high compression per l’archiviazione del testo, ottimizzando l’uso dello spazio su disco senza compromettere la velocità delle query.
• Adding Documents: Il metodo index.add() adds documents to index, scansionando la cartella ricorsivamente e gestendo automaticamente tutti i formati supportati.

Come esportare testo su file, stream, stringa e formati strutturati

Dopo l’indicizzazione, spesso è necessario estrarre il testo grezzo o formattato di un documento. GroupDocs.Search offre quattro adapter che ti permettono di scrivere il contenuto estratto su un file, su uno stream in memoria, su una String Java o su un modello di oggetto strutturato.

Esportazione del testo del documento su file

FileOutputAdapter scrive il testo del documento estratto su un file nel formato scelto.

Panoramica

Il FileOutputAdapter scrive il testo estratto nel formato scelto (HTML, testo semplice, ecc.) direttamente su un file su disco. Questo è utile per generare report leggibili dall’uomo o per alimentare pipeline di elaborazione successive.

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);
        }
    }
}

Explanation

• FileOutputAdapter: Converte il testo del documento indicizzato in HTML e lo scrive nel percorso file specificato, preservando la formattazione di base come intestazioni e tabelle.

Esportazione del testo del documento su stream

StreamOutputAdapter invia in streaming il testo del documento estratto in un ByteArrayOutputStream senza creare un file temporaneo.

Panoramica

Quando hai bisogno del contenuto solo temporaneamente — ad esempio per inviarlo via HTTP o incorporarlo in una risposta web — usa il StreamOutputAdapter. Trasmette il testo in un ByteArrayOutputStream, evitando l’overhead di creare un file temporaneo.

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);
        }
    }
}

Explanation

• StreamOutputAdapter: Trasmette il testo del documento in un ByteArrayOutputStream, consentendo una gestione flessibile senza toccare il file system.

Esportazione del testo del documento su stringa

StringOutputAdapter cattura l’intero testo del documento in un unico oggetto String.

Panoramica

Per log veloce, debug o visualizzazione UI, il StringOutputAdapter cattura l’intero testo del documento in un unico oggetto String.

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();
        }
    }
}

Explanation

• StringOutputAdapter: Cattura il testo del documento in una String, rendendo facile l’inserimento in log, output console o componenti UI.

Esportazione del testo del documento in formato strutturato

StructuredOutputAdapter restituisce un modello di oggetto ricco che contiene paragrafi, tabelle e metadati personalizzati.

Panoramica

Il StructuredOutputAdapter restituisce un modello di oggetto ricco che contiene paragrafi, tabelle e metadati personalizzati. Questo formato è ideale per pipeline di elaborazione del linguaggio naturale (NLP) o flussi di lavoro di estrazione dati.

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);
        }
    }
}

Explanation

• StructuredOutputAdapter: Estrae il testo del documento in un formato structured text extraction, consentendo analisi dettagliate, estrazione di campi e integrazione con pipeline di machine learning.

Problemi comuni e soluzioni

Domande frequenti

Q: Can I use GroupDocs.Search with other JVM languages like Kotlin or Scala?
A: Sì, la libreria è pure Java e funziona senza problemi con qualsiasi linguaggio JVM.

Q: How does compression affect search speed?
A: L’alta compressione riduce l’uso del disco fino al 70 % e aggiunge solo un minimo overhead CPU durante l’indicizzazione; la latenza delle query rimane sotto i 100 ms per carichi di lavoro tipici.

Q: Is it possible to update an existing index without rebuilding it?
A: Assolutamente. Usa index.add() per nuovi file e index.remove() per eliminare quelli obsoleti, consentendo aggiornamenti incrementali.

Q: Which output format is best for natural‑language‑processing pipelines?
A: Il risultato PlainText dall’adapter structured text extraction fornisce contenuto pulito e indipendente dalla lingua, ideale per compiti NLP.

Q: Do I need a license for development and testing?
A: Una licenza trial gratuita è sufficiente per sviluppo e valutazione; le distribuzioni in produzione richiedono una licenza acquistata.

Conclusione

Ora hai un flusso di lavoro completo, pronto per la produzione, per how to create index, aggiungere documenti e estrarre il loro testo in tutti i formati di cui potresti aver bisogno. Inizia configurando l’Index con compressione, aggiungi la tua collezione di documenti e scegli l’adapter di output appropriato per il tuo scenario successivo — sia che si tratti di generare report HTML, alimentare un modello NLP o trasmettere contenuti a un client web. Sperimenta con le API di aggiornamento incrementale per mantenere l’indice aggiornato senza ricostruzioni costose, e potrai godere di una ricerca veloce e affidabile su qualsiasi repository di documenti.

Ultimo aggiornamento: 2026-06-27
Testato con: GroupDocs.Search 25.4 for Java
Autore: GroupDocs

Tutorial correlati

• Aggiungere documenti all’indice – Guida GroupDocs.Search Java
• Creare indice di documenti con GroupDocs.Search per Java
• Come aggiungere documenti all’indice con indicizzazione dei metadati in Java usando GroupDocs.Search