Hoe een index te maken met tekenherkenning met GroupDocs.Search voor Java

In moderne document‑intensieve toepassingen is hoe een index te maken die rekening houdt met de nuances van uw tekst—zoals koppeltekens, onderstrepingstekens of taalspecifieke symbolen—essentieel voor snelle, nauwkeurige zoekresultaten. In deze tutorial lopen we door het configureren van tekenherkenning in GroupDocs.Search for Java, waarbij zowel reguliere tekens (letters, cijfers, onderstrepingstekens) als gecombineerde tekens (bijv. koppeltekens) worden behandeld. Aan het einde kunt u een index op maat maken die precies voldoet aan de behoeften van uw OCR‑ of afbeelding‑zoekscenario, of u nu juridische zaaknummers, broncode‑repositories of meertalige PDF‑bestanden indexeert.

Snelle antwoorden

  • Wat betekent “create custom search index”? Het betekent dat u een index configureert 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‑bestanden 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 zoals zaaknummers (2023-AB-456) 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 voor juridische zaaknummers?

  • Reguliere tekens (letters, cijfers, onderstrepingstekens) worden afzonderlijk getokeniseerd, waardoor exacte‑overeenkomsten voor identifiers mogelijk zijn.
  • Gecombineerde tekens (koppeltekens, schuine strepen) houden gerelateerde tokens bij elkaar, waardoor ongewenste splitsing van zaaknummers, productcodes of bestandspaden wordt voorkomen.
  • Deze configuratie optimaliseert de zoekindex-prestaties door tokenfragmentatie te verminderen en de relevantie voor OCR‑gegenereerde inhoud te verbeteren.

Voorvereisten

  • 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‑bestanden 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 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. 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 sectie Voorvereisten 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 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, de index maken, het 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 onderstrepingstekens exact 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
Maak een tekenarray die cijfers, Latijnse letters en het onderstrepingsteken 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. Het markeren als gecombineerd vertelt 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 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 onderstrepingstekens 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 code‑fragmenten doorzoeken waar onderstrepingstekens (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‑karakterset uitbreiden om die reeksen op te nemen, waardoor nauwkeurige zoekresultaten over verschillende talen worden gegarandeerd.

Gebruikssituatie 4 – PDF‑afbeeldingen indexeren

Als u gescande PDF‑bestanden of afbeeldingen indexeert, bevat de OCR‑output vaak gemengde tekens. Het correct configureren van reguliere en gecombineerde tekens optimaliseert de zoekindex‑prestaties voor op afbeeldingen gebaseerde inhoud.

Prestatie‑overwegingen

  • Resource Management – 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.
  • Index Optimization – Roep periodiek index.optimize() aan (indien beschikbaar) om de index te comprimeren en de query‑snelheid te verbeteren.

Conclusie

U weet nu hoe een index te 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‑reeksen 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

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 in dezelfde index combineren?
A: Ja—roep simpelweg setRange aan voor elk type; het woordenboek zal beide configuraties gelijktijdig afhandelen.

Q: Moet ik de index opnieuw bouwen 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 tekens die u daadwerkelijk nodig heeft.

Q: Hoe beïnvloedt dit de OCR‑nauwkeurigheid?
A: Door de karakterset 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: 2026-03-17
Tested With: GroupDocs.Search 25.4 for Java
Author: GroupDocs