GroupDocs.Search を使用したカスタム検索インデックス Java の作成

モダンな文書中心のアプリケーションでは、ハイフン、アンダースコア、言語固有の記号などテキストのニュアンスを考慮した カスタム検索インデックス Java を作成することが、迅速かつ正確な検索に不可欠です。このチュートリアルでは、GroupDocs.Search for Java における文字認識の設定方法を解説します。通常文字(文字、数字、アンダースコア)と混合文字(例:ハイフン)の両方を扱う方法を学び、OCR や画像検索シナリオに最適なインデックスを構築できるようになります。法的ケース番号、ソースコードリポジトリ、マルチリンガル PDF など、さまざまなユースケースに対応可能です。

クイック回答

  • 「カスタム検索インデックスを作成する」とは何ですか? 特定の記号を文字または混合文字として扱うようインデックスを設定し、無視しないようにすることを意味します。
  • 使用するライブラリは? GroupDocs.Search for Java(執筆時点のバージョン 25.4)。
  • ライセンスは必要ですか? 開発には無料トライアルで十分です。商用環境では有料ライセンスが必要です。
  • PDF と画像の両方をインデックスできますか? はい。適切に設定すれば、画像と PDF の OCR をサポートします。
  • Maven は必須ですか? 依存関係管理の推奨手段は Maven ですが、Gradle や手動 JAR でも構いません。

カスタム検索インデックス Java とは何ですか?

カスタム検索インデックス Java は、文字を文字、数字、または混合記号として扱うかを定義できる検索可能なデータ構造です。デフォルトでは多くの記号が無視され、ケース番号(2023-AB-456)やコードスニペット(my_variable)などの識別子がマッチしなくなることがあります。アルファベット辞書を調整することでトークン化を完全に制御でき、関連性が向上しクエリ実行が高速化します。

法的ケース番号のために通常文字と混合文字を設定する理由は?

ハイフンやスラッシュを混合文字として扱うことで、ケース番号や製品コード、ファイルパスなどの識別子が分割されずにトークンとして保持されます。この設定は 検索インデックスのパフォーマンスを最適化 し、トークンの断片化を減らすと同時に、OCR 生成コンテンツの関連性を向上させます。特に構造化された識別子が多用される法務文書で有効です。

前提条件

  • JDK 8 以上がインストールされていること。
  • Maven による依存関係管理。
  • GroupDocs.Search for Java ライブラリへのアクセス(Maven か公式サイトから取得)。

必要なライブラリと依存関係

pom.xml に以下のリポジトリと依存関係エントリを追加してください。XML ブロックは変更しないでください。

<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>

最新の JAR は GroupDocs.Search for Java releases からダウンロード可能です。

ライセンス取得

  • 無料トライアル – 初期実験に最適。
  • 一時ライセンス – 長期開発サイクルに便利。
  • 本番ライセンス – 商用デプロイに必須。

公式ポータルからライセンスを取得してください: GroupDocs。

基本的な初期化

以下のスニペットは空のインデックスを起動する最小コードを示します。Index クラスは検索可能データを格納・管理するコアコンポーネントです。そのまま残しておき、後で拡張します。

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!");
    }
}

GroupDocs.Search for Java の設定

Maven を使用したインストール

前提条件 セクションの Maven 設定をそのまま使用します。追加後に mvn clean install を実行してバイナリを取得してください。

環境設定要件

  • インデックスフォルダー と ドキュメントフォルダー がディスク上に存在することを確認。
  • 絶対パスを使用するか、IDE で相対パスが正しく解決されるよう設定してください。

実装ガイド

以下では 通常文字 と 混合文字 の 2 つの機能を順に解説します。各機能は「パス定義 → インデックス作成 → 文字辞書設定 → ドキュメントインデックス」の流れで実装します。

機能 1 – 通常文字

概要

通常文字は独立したトークンとして扱われます。数字、文字、アンダースコアをそのまま検索対象にしたい場合に最適です。

ステップバイステップ実装

1️⃣ パスの設定
インデックスの保存先とソースドキュメントの場所を定義します。

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

2️⃣ インデックスの作成と構成
インデックスをインスタンス化し、既存のアルファベット設定をクリアします。

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

3️⃣ 通常文字の定義
数字、ラテン文字、アンダースコアを含む文字配列を作成します。

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 ドキュメントのインデックス作成
ソースフォルダー内のすべてのファイルを新しく構成したインデックスに追加します。

index.add(documentFolder);

機能 2 – 混合文字

概要

ハイフンなどの混合文字は 2 つの単語を結びつけることが多いです。これらを 混合 としてマークすると、インデックス作成時に周囲のトークンが一緒に保持されます。

ステップバイステップ実装

1️⃣ パスの設定

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

2️⃣ インデックスの作成と構成

Index index = new Index(indexFolder);

3️⃣ 混合文字の定義
ここではハイフンを混合文字として扱うよう辞書に指示します。

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

4️⃣ ドキュメントのインデックス作成

index.add(documentFolder);

実用的な応用

ユースケース 1 – 法務文書管理

法務ファイルには 2023-AB-456 のようなケース番号が頻出します。アンダースコアとハイフンを設定すれば、識別子が分割されずに正確に検索でき、法的ケース番号の検索 が効率化されます。

ユースケース 2 – ソースコードリポジトリ

開発者はアンダースコア(my_variable)やハイフン(my-function)が意味を持つコードスニペットを検索したい場面があります。カスタム文字認識により、検索エンジンがこれらの記号を正しく扱います。

ユースケース 3 – 多言語データセット

追加のアルファベット範囲を Unicode 文字セットに拡張 すれば、非ラテン文字を含むデータでも正確なクロスランゲージ検索が可能です。

ユースケース 4 – PDF 画像のインデックス作成

スキャンした PDF や画像ファイルをインデックス化する場合、OCR 出力には混在した文字が含まれます。通常文字と混合文字を適切に設定することで、画像ベースコンテンツの検索インデックス パフォーマンスが最適化されます。

パフォーマンス上の考慮点

  • リソース管理 – ヒープ使用量を監視。大規模インデックスはインクリメンタルコミットが有効です。
  • ガベージコレクション – 使用後は Index オブジェクトを解放し、JVM にメモリ回収を促します。
  • インデックス最適化 – 利用可能なら定期的に index.optimize() を呼び出し、インデックスを圧縮してクエリ速度を向上させます。

結論

これで GroupDocs.Search for Java を用いて、通常文字と混合文字を区別できる カスタム検索インデックス Java の作成方法が理解できました。この細かな制御により、OCR 対応の高性能検索ソリューションを法務、開発、マルチリンガル環境向けに構築できます。

次のステップ

  • 非ラテン文字用に追加の Unicode 範囲を実験。
  • 文字設定と併せて、ステミングや同義語など GroupDocs.Search の他機能も組み合わせる。
  • インデックスを REST API で公開し、フロントエンドアプリから HTTP 経由で検索できるようにする。

よくある質問

Q: CharacterType.Letter の目的は何ですか?
A: インデックスに対し、指定した文字を通常の文字として扱うよう指示し、インデックス作成時に個別のトークンとして分割されます。

Q: 同じインデックス内で通常文字と混合文字を混在させられますか?
A: はい。各タイプに対して setRange を呼び出すだけで、辞書は両方の設定を同時に処理します。

Q: アルファベットを変更した後、インデックスを再構築する必要がありますか?
A: 必要です。文字辞書の変更はトークン化に影響するため、変更を反映させるにはドキュメントを再インデックス化する必要があります。

Q: カスタム文字の上限はありますか?
A: ライブラリは Unicode 全域をサポートしますが、極端に大量の文字を追加するとパフォーマンスが低下する可能性があるため、実際に必要な文字だけを定義してください。

Q: これが OCR の精度に与える影響は?
A: インデックスの文字セットを OCR エンジンの出力と合わせることで、偽陰性を減らし、検索関連性全体を向上させます。


最終更新日: 2026-11-02
テスト済み: GroupDocs.Search 25.4 for Java
作者: GroupDocs

関連チュートリアル