Wyodrębnianie tekstu z PDF w Javie: Tworzenie indeksu dokumentów z GroupDocs.Search

W tym praktycznym przewodniku odkryjesz jak wyodrębnić tekst z PDF w Javie aplikacji i przekształcić tę surową treść w szybki, pełnotekstowy indeks możliwy do przeszukiwania. Niezależnie od tego, czy budujesz wewnętrzną bazę wiedzy, portal do wyszukiwania umów, czy własną wyszukiwarkę, poniższe kroki przeprowadzą Cię przez wszystko — od wyciągania tekstu z PDF‑ów, przez serializację danych, tworzenie indeksu, aż po wykonywanie zapytań. Zanurzmy się i zobaczmy, dlaczego GroupDocs.Search sprawia, że cały proces jest płynny i skalowalny.

Szybkie odpowiedzi

  • Jaki jest główny cel? Wyodrębnić tekst z plików PDF w Javie i stworzyć przeszukiwalny indeks dokumentów przy użyciu GroupDocs.Search.
  • Która wersja biblioteki? GroupDocs.Search 25.4 (lub najnowsze wydanie).
  • Czy potrzebna jest licencja? Darmowa wersja próbna działa w środowisku deweloperskim; pełna licencja jest wymagana w produkcji.
  • Czy mogę indeksować PDF‑y? Tak — wyodrębnić tekst z PDF i dodać go do indeksu.
  • Jak uruchomić wyszukiwanie? Użyj metody index.search(query) po dodaniu danych.

Co to jest indeks dokumentów?

Indeks dokumentów to ustrukturyzowana kolekcja wyszukiwalnych terminów wyodrębnionych z Twoich plików. Tworząc indeks dokumentów, umożliwiasz szybkie pełnotekstowe wyszukiwanie w dużych repozytoriach, co znacząco zwiększa prędkość i dokładność odzyskiwania informacji.

Dlaczego używać GroupDocs.Search dla Javy?

  • Solidne wyodrębnianie – Obsługuje PDF, Word, Excel i inne.
  • Łatwa serializacja – Przechowuj wyodrębnione dane jako tablice bajtów do późniejszego użycia.
  • Skalowalne indeksowanie – Efektywnie indeksuj miliony dokumentów.
  • Potężny język zapytań – Obsługuje złożone pełnotekstowe zapytania Java.

Wymagania wstępne

  • GroupDocs.Search for Java (Wersja 25.4 lub nowsza).
  • Java Development Kit (JDK) kompatybilny z Twoją wersją GroupDocs.
  • IDE, takie jak IntelliJ IDEA lub Eclipse.
  • Maven do zarządzania zależnościami.

Konfiguracja GroupDocs.Search dla Javy

Najpierw dodaj bibliotekę do swojego projektu.

Konfiguracja Maven
Umieść następujące w pliku 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>

Bezpośrednie pobranie
Alternatywnie, pobierz najnowszą wersję z GroupDocs.Search for Java releases.

Uzyskanie licencji

  • Darmowa wersja próbna – Przetestuj wszystkie funkcje z tymczasową licencją.
  • Zakup – Uzyskaj pełny dostęp i priorytetowe wsparcie.

Implementacja krok po kroku

Jak wyodrębnić tekst z PDF‑ów (i innych dokumentów)

Wyodrębnianie surowego lub sformatowanego tekstu to pierwszy krok w kierunku tworzenia indeksu dokumentów. Gdy wyodrębniasz tekst z PDF w Javie, dostarczasz silnikowi wyszukiwania coś, co może zrozumieć.

String documentPath = "YOUR_DOCUMENT_DIRECTORY/Lorem ipsum.pdf";
Extractor extractor = new Extractor();
Document document = Document.createFromFile(documentPath);

ExtractionOptions extractionOptions = new ExtractionOptions();
extractionOptions.setUseRawTextExtraction(false); // Extract with formatting
ExtractedData extractedData = extractor.extract(document, extractionOptions);

Wskazówka: Ustaw setUseRawTextExtraction(true), jeśli potrzebujesz czystego tekstu bez formatowania.

Jak serializować wyodrębnione dane

Serializacja pozwala przechowywać wyodrębnione dane do późniejszego indeksowania.

ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
extractedData.serialize(outputStream);
byte[] serializedArray = outputStream.toByteArray();

Jak deserializować wyodrębnione dane

Gdy jesteś gotowy do budowy indeksu, przekształć tablicę bajtów z powrotem w obiekt.

ByteArrayInputStream inputStream = new ByteArrayInputStream(serializedArray);
ExtractedData deserializedData = ExtractedData.deserialize(inputStream);

Jak stworzyć indeks dokumentów

Teraz, gdy masz deserializedData, możesz stworzyć indeks, który będzie przechowywał wyszukiwalne terminy.

String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/SeparateDataExtraction";
com.groupdocs.search.Index index = new com.groupdocs.search.Index(indexFolder);

Jak dodać dane do indeksu i wykonać wyszukiwanie

Dodanie danych i zapytanie indeksu kończy przepływ pracy wyodrębniania tekstu z PDF w Javie.

ExtractedData[] dataToIndex = new ExtractedData[] { deserializedData };
index.add(dataToIndex, new IndexingOptions());

String query = "ipsum";
SearchResult result = index.search(query);

Pro tip: Użyj index.search("your query", SearchOptions), aby precyzyjnie dostroić ranking trafności.

Typowe przypadki użycia

  1. Systemy zarządzania dokumentami – Szybkie odnajdywanie umów, faktur lub polityk.
  2. Wyszukiwarki oparte na treści – Zasilają wewnętrzne bazy wiedzy dzięki możliwościom pełnotekstowego wyszukiwania w Javie.
  3. Rozwiązania archiwizacji danych – Indeksuj historyczne rekordy dla natychmiastowego dostępu.

Rozważania dotyczące wydajności

  • Zarządzanie pamięcią: Dostosuj rozmiar sterty JVM dla dużych partii dokumentów.
  • Opcje indeksowania: Wyłącz niepotrzebne funkcje (np. wektory terminów), aby przyspieszyć indeksowanie.
  • Regularne aktualizacje: Utrzymuj GroupDocs.Search w najnowszej wersji, aby korzystać z poprawek wydajności.

Najczęściej zadawane pytania

P: Jak efektywnie obsługiwać bardzo duże pliki PDF?
O: Strumieniuj plik przy użyciu Extractor i przetwarzaj go w fragmentach; zwiększ także rozmiar sterty JVM w razie potrzeby.

P: Czy mogę dostosować składnię zapytań wyszukiwania?
O: Tak — GroupDocs.Search obsługuje operatory logiczne, symbole wieloznaczne i wyszukiwania przybliżeniowe.

P: Co zrobić, gdy serializacja nie powiedzie się?
O: Upewnij się, że wszystkie obiekty implementują Serializable i przechwyć IOException, aby zalogować szczegóły.

P: Czy można indeksować tylko określone sekcje dokumentu?
O: Oczywiście — skonfiguruj ExtractionOptions, aby filtrować strony lub sekcje przed indeksowaniem.

P: Jak zaktualizować do nowszej wersji GroupDocs.Search?
O: Zaktualizuj numer wersji w pliku pom.xml i uruchom mvn clean install; przejrzyj przewodnik migracji pod kątem zmian łamiących kompatybilność.

Zasoby

Ostatnia aktualizacja: 2026-02-19
Testowano z: GroupDocs.Search 25.4 for Java
Autor: GroupDocs