Maak een aangepaste zoekindex java met GroupDocs.Search
In moderne, document‑intensieve toepassingen is het creëren van een custom search index java die rekening houdt met de nuances van uw tekst—zoals koppeltekens, onderstrepingen of taalspecifieke symbolen—essentieel voor snelle, nauwkeurige terugwinning. Deze tutorial leidt u door het configureren van tekenherkenning in GroupDocs.Search for Java, waarbij zowel reguliere tekens (letters, cijfers, onderstrepingen) als gecombineerde tekens (bijv. koppeltekens) worden behandeld. Aan het einde kunt u een index op maat maken die precies voldoet aan de behoeften van OCR‑ of afbeelding‑zoekscenario’s, of u nu juridische zaaknummers, broncode‑repositories of meertalige PDF‑bestanden indexeert.
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 for 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 custom search index java?
De custom search index java is een doorzoekbare datastructuur die u kunt vormgeven door te definiëren welke tekens als letters, cijfers of gecombineerde symbolen worden behandeld. Standaard worden veel symbolen genegeerd, wat kan leiden tot gemiste overeenkomsten voor identificatoren zoals zaaknummers (2023-AB-456) of codefragmenten (my_variable). Het aanpassen van het alfabetwoordenboek geeft u volledige controle over tokenisatie, wat leidt tot hogere relevantie en snellere query‑uitvoering.
Waarom reguliere en gecombineerde tekens configureren voor juridische zaaknummers?
Het behandelen van koppeltekens en schuine strepen als gecombineerde tekens houdt gerelateerde tokens bij elkaar, waardoor ongewenste splitsing van identificatoren zoals zaaknummers, productcodes of bestandspaden wordt voorkomen. Deze configuratie optimaliseert de prestaties van de zoekindex door tokenfragmentatie te verminderen en verbetert de relevantie voor OCR‑gegenereerde inhoud, vooral bij juridische documenten die sterk afhankelijk zijn van gestructureerde identificatoren.
Vereisten
- JDK 8 of later geïnstalleerd.
- Maven voor afhankelijkheidsbeheer.
- Toegang tot de GroupDocs.Search for 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 voor Java releases.
Licentie‑acquisitie
- Gratis proefversie – perfect voor vroege experimenten.
- Tijdelijke licentie – handig voor langere ontwikkelingscycli.
- Productielicentie – vereist voor commerciële implementatie.
Haal een licentie op via het officiële portaal: GroupDocs.
Basisinitialisatie
De onderstaande codefragment toont de minimale code die nodig is om een lege index op te starten. De Index‑klasse is de kerncomponent die de doorzoekbare gegevens opslaat en beheert. Laat 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 sectie Vereisten is alles wat u nodig heeft. Na het toevoegen, voer mvn clean install uit om de binaries op te halen.
Vereisten voor omgeving‑configuratie
- Zorg ervoor dat de indexmap en documentmap op de 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—definieer paden, maak de index, stel het tekenwoordenboek in, en indexeer uiteindelijk uw documenten.
Functie 1 – reguliere tekens
Overzicht
Reguliere tekens worden behandeld als onafhankelijke tokens. Dit is ideaal wanneer u cijfers, letters en onderstrepingen exact zoals ze verschijnen doorzoekbaar wilt maken.
Stapsgewijze implementatie
1️⃣ Padinstellingen
Definieer waar de index wordt opgeslagen en waar uw bronbestanden 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 alfabetconfiguratie.
Index index = new Index(indexFolder);
index.getDictionaries().getAlphabet().clear();
3️⃣ Reguliere tekens definiëren
Bouw een tekenarray die cijfers, Latijnse letters en de onderstreping 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. Ze markeren als gecombineerd vertelt de engine om de omliggende tokens tijdens het indexeren bij elkaar te houden.
Stapsgewijze implementatie
1️⃣ Padinstellingen
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 koppelteken 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 zaaknummers zoals 2023-AB-456. Door onderstrepingen en koppeltekens te configureren, geven zoekopdrachten exacte overeenkomsten terug zonder de identifier te splitsen, waardoor u juridische zaaknummers efficiënt kunt doorzoeken.
Gebruikssituatie 2 – broncode‑repositories
Ontwikkelaars moeten codefragmenten doorzoeken waar onderstrepingen (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 Unicode‑tekenset uitbreiden om die reeksen op te nemen, waardoor nauwkeurige zoekresultaten over verschillende talen worden gegarandeerd.
Gebruikssituatie 4 – PDF‑afbeeldingen indexeren
Als u gescande PDF’s of afbeeldingsbestanden indexeert, bevat de OCR‑output vaak gemengde tekens. Het correct configureren van reguliere en gecombineerde tekens optimaliseert de prestaties van de zoekindex voor op afbeeldingen gebaseerde inhoud.
Prestatie‑overwegingen
- Resource‑beheer – monitor heap‑gebruik; grote indexen profiteren van incrementele commits.
- Garbage collection – geef
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 query‑snelheid te verbeteren.
Conclusie
U weet nu hoe u een custom search index java kunt maken die onderscheid maakt tussen reguliere en gecombineerde tekens met GroupDocs.Search for 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‑reeksen voor niet‑Latijnse alfabetten.
- Combineer tekenconfiguratie met andere GroupDocs.Search‑functies zoals stemming of synoniemen.
- Stel de index beschikbaar via een REST‑API zodat front‑end applicaties zoekopdrachten via HTTP kunnen uitvoeren.
Veelgestelde vragen
Q: 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 afzonderlijk worden getokeniseerd.
Q: Kan ik reguliere en gecombineerde tekens combineren in dezelfde index?
A: Ja—roep eenvoudig setRange aan voor elk type; het woordenboek zal beide configuraties gelijktijdig afhandelen.
Q: 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.
Q: 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.
Q: Hoe beïnvloedt dit de OCR‑nauwkeurigheid?
A: Door de tekenset van de index af te stemmen op de output van de OCR‑engine, vermindert u valse negatieven en verbetert u de algehele zoekrelevantie.
Last Updated: 2026-11-02
Tested with: GroupDocs.Search 25.4 for Java
Author: GroupDocs