Maak een aangepaste zoekindex met tekenherkenning met GroupDocs.Search voor Java

In moderne, document‑intensieve toepassingen is het maken van een aangepaste zoekindex die de nuances van uw tekst begrijpt—zoals koppeltekens, onderstrepingsstrepen of taalspecifieke symbolen—essentieel voor snelle, nauwkeurige terugwinning. Deze tutorial leidt u door het configureren van tekenherkenning in GroupDocs.Search voor Java, met zowel reguliere tekens (letters, cijfers, onderstrepingsstrepen) als gecombineerde tekens (bijv. koppeltekens). Aan het einde kunt u een index aanpassen die precies voldoet aan de behoeften van uw OCR- of afbeelding‑zoekscenario.

Snelle antwoorden

  • Wat betekent “create custom search index”? Het betekent het configureren van een index om specifieke symbolen als letters of gecombineerde tekens te behandelen, in plaats van ze te negeren.
  • Welke bibliotheek wordt gebruikt? GroupDocs.Search voor Java (v25.4 op het moment van schrijven).
  • Heb ik een licentie nodig? Een gratis proefversie werkt voor ontwikkeling; een betaalde licentie is vereist voor productie.
  • Kan ik zowel PDF’s als afbeeldingen indexeren? Ja—GroupDocs.Search ondersteunt OCR op afbeeldingen en PDF’s wanneer correct geconfigureerd.
  • Is Maven vereist? Maven is de aanbevolen manier om afhankelijkheden te beheren, maar u kunt ook Gradle of handmatige JAR‑s gebruiken.

Wat is een aangepaste zoekindex?

Een aangepaste zoekindex stelt u in staat te definiëren hoe de zoekmachine tekens interpreteert. Standaard worden veel symbolen genegeerd, wat kan leiden tot gemiste overeenkomsten voor zaken als dossiersnummers (ABC-123) of code‑fragmenten (my_variable). Het aanpassen van het alfabet‑woordenboek geeft u volledige controle over wat de engine als doorzoekbare tekst beschouwt.

Waarom reguliere en gecombineerde tekens configureren?

  • Reguliere tekens (letters, cijfers, onderstrepingsstrepen) worden behandeld als zelfstandige tokens, wat exacte‑overeenkomsten verbetert.
  • Gecombineerde tekens (koppeltekens, schuine strepen) verbinden woorden; door ze te configureren voorkomt u ongewenste token‑splitsing, wat cruciaal is voor juridische verwijzingen, productcodes of broncode‑indexering.

Voorvereisten

  • JDK 8 of hoger geïnstalleerd.
  • Maven voor afhankelijkheidsbeheer.
  • Toegang tot de GroupDocs.Search voor Java bibliotheek (gedownload via Maven of de officiële site).

Vereiste bibliotheken en afhankelijkheden

Voeg de repository‑ en afhankelijkheidsvermeldingen toe aan uw pom.xml (zoals hieronder weergegeven). Het XML‑blok moet ongewijzigd blijven.

<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>

U kunt ook de nieuwste JAR‑s downloaden van GroupDocs.Search for Java releases.

Licentie‑acquisitie

  • Gratis proefversie – perfect voor vroege experimenten.
  • Tijdelijke licentie – nuttig voor langere ontwikkelingscycli.
  • Productielicentie – vereist voor commerciële inzet.

Haal een licentie via het officiële portaal: GroupDocs.

Basisinitialisatie

De onderstaande codefragment toont de minimale code die nodig is om een lege index op te starten. Houd het ongewijzigd; we zullen later verder bouwen.

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 voor Java instellen

Installatie via Maven

De Maven‑configuratie uit de Voorvereisten sectie is alles wat u nodig heeft. Na het toevoegen, voer mvn clean install uit om de binaries op te halen.

Vereisten voor omgevingsinstelling

  • Zorg ervoor dat de indexmap en documentmap op schijf bestaan.
  • Gebruik absolute paden of configureer uw IDE om relatieve paden correct op te lossen.

Implementatie‑gids

Hieronder lopen we twee afzonderlijke functies door: reguliere tekens en gecombineerde tekens. Elke functie volgt hetzelfde patroon—pad definiëren, index maken, tekenwoordenboek instellen en tenslotte uw documenten indexeren.

Functie 1 – Reguliere tekens

Overzicht

Reguliere tekens worden behandeld als onafhankelijke tokens. Dit is ideaal wanneer u cijfers, letters en onderstrepingsstrepen precies zoals ze verschijnen doorzoekbaar wilt maken.

Stapsgewijze implementatie

1️⃣ Pad instellen
Definieer waar de index wordt opgeslagen en waar uw bron‑documenten zich bevinden.

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

2️⃣ Index maken en configureren
Instantieer de index en wis eventuele vooraf bestaande alfabet‑configuratie.

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

3️⃣ Reguliere tekens definiëren
Bouw een tekenarray die cijfers, Latijnse letters en de onderstrepingsstreep bevat.

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 Documenten indexeren
Voeg alle bestanden uit de bronmap toe aan de nieuw geconfigureerde index.

index.add(documentFolder);

Functie 2 – Gecombineerde tekens

Overzicht

Gecombineerde tekens (zoals koppeltekens) verbinden vaak twee woorden. Door ze als gecombineerd te markeren, vertelt u de engine om de omliggende tokens tijdens het indexeren bij elkaar te houden.

Stapsgewijze implementatie

1️⃣ Pad instellen

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

2️⃣ Index maken en configureren

Index index = new Index(indexFolder);

3️⃣ Gecombineerde tekens definiëren
Hier vertellen we het woordenboek dat het koppelstreepje als een gecombineerd teken moet worden behandeld.

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

4️⃣ Documenten indexeren

index.add(documentFolder);

Praktische toepassingen

Gebruikssituatie 1 – Juridisch documentbeheer

Juridische bestanden bevatten vaak dossiersnummers zoals 2023-AB-456. Door onderstrepingsstrepen en koppeltekens te configureren, geven zoekopdrachten exacte overeenkomsten terug zonder de identifier te splitsen.

Gebruikssituatie 2 – Broncode‑repositories

Ontwikkelaars moeten code‑fragmenten doorzoeken waar onderstrepingsstrepen (my_variable) en koppeltekens (my-function) betekenisvol zijn. Aangepaste tekenherkenning zorgt ervoor dat de zoekengine deze symbolen respecteert.

Gebruikssituatie 3 – Meertalige datasets

Bij het werken met talen die extra alfabetten gebruiken, kunt u de reguliere tekenreeks uitbreiden met die Unicode‑bereiken, waardoor nauwkeurige zoekresultaten over verschillende talen worden gegarandeerd.

Prestatie‑overwegingen

  • Resource‑beheer – Houd het heap‑gebruik in de gaten; grote indexen profiteren van incrementele commits.
  • Garbage collection – Maak Index‑objecten vrij wanneer ze niet meer nodig zijn zodat de JVM geheugen kan terugwinnen.
  • Indexoptimalisatie – Roep periodiek index.optimize() aan (indien beschikbaar) om de index te comprimeren en de zoek‑snelheid te verbeteren.

Conclusie

U weet nu hoe u een aangepaste zoekindex kunt maken die onderscheid maakt tussen reguliere en gecombineerde tekens met GroupDocs.Search voor Java. Deze fijnmazige controle stelt u in staat OCR‑bewuste, high‑performance zoekoplossingen te bouwen die zijn afgestemd op juridische, ontwikkelings‑ of meertalige omgevingen.

Volgende stappen

  • Experimenteer met extra Unicode‑bereiken voor niet‑Latijnse alfabetten.
  • Combineer tekenconfiguratie met andere GroupDocs.Search‑functies zoals stemming of synoniemen.
  • Integreer de index in een REST‑API om zoekfunctionaliteit beschikbaar te maken voor front‑end applicaties.

Veelgestelde vragen

V: Wat is het doel van CharacterType.Letter?
A: Het vertelt de index om de opgegeven tekens als reguliere letters te behandelen, zodat ze tijdens het indexeren apart getokeniseerd worden.

V: Kan ik reguliere en gecombineerde tekens in dezelfde index combineren?
A: Ja—roep simpelweg setRange aan voor elk type; het woordenboek zal beide configuraties gelijktijdig afhandelen.

V: Moet ik de index opnieuw opbouwen na het wijzigen van het alfabet?
A: Absoluut. Wijzigingen in het tekenwoordenboek beïnvloeden de tokenisatie, dus u moet de documenten opnieuw indexeren om de nieuwe regels toe te passen.

V: Is er een limiet aan het aantal aangepaste tekens dat ik kan definiëren?
A: De bibliotheek ondersteunt het volledige Unicode‑bereik; de prestaties kunnen afnemen als u een extreem grote set toevoegt, dus beperk het tot de tekens die u daadwerkelijk nodig heeft.

V: Hoe beïnvloedt dit de OCR‑nauwkeurigheid?
A: Door de tekenreeks van de index af te stemmen op de output van de OCR‑engine, vermindert u valse negatieven en verbetert u de algehele zoekrelevantie.

Laatst bijgewerkt: 2026-01-11
Getest met: GroupDocs.Search 25.4 voor Java
Auteur: GroupDocs