Tworzenie niestandardowego indeksu wyszukiwania z rozpoznawaniem znaków przy użyciu GroupDocs.Search for Java

W nowoczesnych aplikacjach intensywnie pracujących z dokumentami, tworzenie niestandardowego indeksu wyszukiwania, który rozumie niuanse Twojego tekstu — takie jak myślniki, podkreślenia czy symbole specyficzne dla języka — jest niezbędne dla szybkiego i dokładnego wyszukiwania. Ten samouczek przeprowadzi Cię przez konfigurowanie rozpoznawania znaków w GroupDocs.Search for Java, obejmując zarówno zwykłe znaki (litery, cyfry, podkreślenia), jak i znaki mieszane (np. myślniki). Po zakończeniu będziesz mógł dostosować indeks do dokładnych potrzeb scenariusza OCR lub wyszukiwania obrazów.

Szybkie odpowiedzi

  • Co oznacza „create custom search index”? Oznacza to konfigurowanie indeksu tak, aby traktował określone symbole jako litery lub znaki mieszane, zamiast je ignorować.
  • Jakiej biblioteki użyto? GroupDocs.Search for Java (v25.4 w momencie pisania).
  • Czy potrzebna jest licencja? Bezpłatna wersja próbna działa w fazie rozwoju; płatna licencja jest wymagana w środowisku produkcyjnym.
  • Czy mogę indeksować zarówno pliki PDF, jak i obrazy? Tak — GroupDocs.Search obsługuje OCR na obrazach i plikach PDF po odpowiedniej konfiguracji.
  • Czy Maven jest wymagany? Maven jest zalecanym sposobem zarządzania zależnościami, ale można również używać Gradle lub ręcznych plików JAR.

Czym jest niestandardowy indeks wyszukiwania?

Niestandardowy indeks wyszukiwania pozwala określić, jak silnik wyszukiwania interpretuje znaki. Domyślnie wiele symboli jest ignorowanych, co może prowadzić do pominięcia dopasowań, np. numerów spraw (ABC-123) lub fragmentów kodu (my_variable). Dostosowanie słownika alfabetu daje pełną kontrolę nad tym, co silnik traktuje jako tekst podlegający wyszukiwaniu.

Dlaczego konfigurować znaki zwykłe i mieszane?

  • Znaki zwykłe (litery, cyfry, podkreślenia) są traktowane jako odrębne tokeny, co poprawia wyszukiwania dokładnych dopasowań.
  • Znaki mieszane (myślniki, ukośniki) łączą słowa; ich konfiguracja zapobiega niepożądanemu dzieleniu tokenów, co jest kluczowe dla odniesień prawnych, kodów produktów lub indeksowania kodu źródłowego.

Wymagania wstępne

  • JDK 8 lub nowszy zainstalowany.
  • Maven do zarządzania zależnościami.
  • Dostęp do biblioteki GroupDocs.Search for Java (pobranej przez Maven lub ze strony oficjalnej).

Wymagane biblioteki i zależności

Dodaj wpisy repozytorium i zależności do pliku pom.xml (jak pokazano poniżej). Blok XML musi pozostać niezmieniony.

<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>

Możesz także pobrać najnowsze pliki JAR z Wydania GroupDocs.Search for Java.

Uzyskanie licencji

  • Bezpłatna wersja próbna – idealna do wczesnych eksperymentów.
  • Licencja tymczasowa – przydatna przy dłuższych cyklach rozwoju.
  • Licencja produkcyjna – wymagana przy wdrożeniu komercyjnym.

Uzyskaj licencję z oficjalnego portalu: GroupDocs.

Podstawowa inicjalizacja

Poniższy fragment kodu pokazuje minimalny kod potrzebny do uruchomienia pustego indeksu. Zachowaj go w niezmienionej formie; później rozbudujemy go.

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!");
    }
}

Konfiguracja GroupDocs.Search for Java

Instalacja za pomocą Maven

Konfiguracja Maven z sekcji Wymagania wstępne to wszystko, czego potrzebujesz. Po jej dodaniu uruchom mvn clean install, aby pobrać pliki binarne.

Wymagania dotyczące konfiguracji środowiska

  • Upewnij się, że folder indeksu i folder dokumentów istnieją na dysku.
  • Używaj ścieżek bezwzględnych lub skonfiguruj IDE tak, aby poprawnie rozwiązywało ścieżki względne.

Przewodnik implementacji

Poniżej przeprowadzimy Cię przez dwie odrębne funkcje: znaki zwykłe i znaki mieszane. Każda funkcja podąża za tym samym schematem — definiowanie ścieżek, tworzenie indeksu, ustawienie słownika znaków i w końcu indeksowanie dokumentów.

Funkcja 1 – Znaki zwykłe

Przegląd

Znaki zwykłe są traktowane jako niezależne tokeny. Jest to idealne, gdy chcesz, aby cyfry, litery i podkreślenia były wyszukiwalne dokładnie tak, jak się pojawiają.

Implementacja krok po kroku

1️⃣ Ustawienie ścieżek
Określ, gdzie będzie przechowywany indeks oraz gdzie znajdują się źródłowe dokumenty.

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

2️⃣ Utworzenie i konfiguracja indeksu
Zainicjuj indeks i wyczyść wszelką istniejącą wcześniej konfigurację alfabetu.

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

3️⃣ Definicja znaków zwykłych
Utwórz tablicę znaków, która zawiera cyfry, litery łacińskie oraz podkreślenie.

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 Indeksowanie dokumentów
Dodaj wszystkie pliki z folderu źródłowego do nowo skonfigurowanego indeksu.

index.add(documentFolder);

Funkcja 2 – Znaki mieszane

Przegląd

Znaki mieszane (np. myślniki) często łączą dwa słowa. Oznaczenie ich jako mieszane informuje silnik, aby podczas indeksowania utrzymał otaczające tokeny razem.

Implementacja krok po kroku

1️⃣ Ustawienie ścieżek

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

2️⃣ Utworzenie i konfiguracja indeksu

Index index = new Index(indexFolder);

3️⃣ Definicja znaków mieszanych
Tutaj informujemy słownik, że myślnik powinien być traktowany jako znak mieszany.

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

4️⃣ Indeksowanie dokumentów

index.add(documentFolder);

Praktyczne zastosowania

Przypadek użycia 1 – Zarządzanie dokumentami prawnymi

Pliki prawne często zawierają numery spraw, np. 2023-AB-456. Dzięki konfiguracji podkreśleń i myślników, wyszukiwania zwracają dokładne dopasowania bez rozdzielania identyfikatora.

Przypadek użycia 2 – Repozytoria kodu źródłowego

Programiści muszą przeszukiwać fragmenty kodu, w których podkreślenia (my_variable) i myślniki (my-function) mają znaczenie. Niestandardowe rozpoznawanie znaków zapewnia, że silnik wyszukiwania respektuje te symbole.

Przypadek użycia 3 – Zbiory danych wielojęzycznych

Pracując z językami używającymi dodatkowych alfabetów, możesz rozszerzyć zestaw znaków zwykłych o te zakresy Unicode, co zapewnia dokładne wyniki wyszukiwania międzyjęzykowego.

Rozważania dotyczące wydajności

  • Zarządzanie zasobami – Monitoruj zużycie pamięci heap; duże indeksy korzystają z przyrostowych commitów.
  • Garbage Collection – Zwolnij obiekty Index po zakończeniu, aby JVM mogło odzyskać pamięć.
  • Optymalizacja indeksu – Okresowo wywołuj index.optimize() (jeśli dostępne), aby skompaktować indeks i zwiększyć szybkość zapytań.

Zakończenie

Teraz wiesz, jak tworzyć niestandardowy indeks wyszukiwania, który rozróżnia znaki zwykłe i mieszane przy użyciu GroupDocs.Search for Java. Ta precyzyjna kontrola umożliwia budowanie rozwiązań wyszukiwania z uwzględnieniem OCR, o wysokiej wydajności, dostosowanych do środowisk prawnych, deweloperskich lub wielojęzycznych.

Kolejne kroki

  • Eksperymentuj z dodatkowymi zakresami Unicode dla alfabetów niełacińskich.
  • Połącz konfigurację znaków z innymi funkcjami GroupDocs.Search, takimi jak stemming czy synonimy.
  • Zintegruj indeks z API REST, aby udostępnić możliwości wyszukiwania aplikacjom front‑end.

Najczęściej zadawane pytania

P: Jaki jest cel CharacterType.Letter?
O: Informuje indeks, aby traktował podane znaki jako zwykłe litery, dzięki czemu są tokenizowane osobno podczas indeksowania.

P: Czy mogę mieszać znaki zwykłe i mieszane w tym samym indeksie?
O: Tak — po prostu wywołaj setRange dla każdego typu; słownik obsłuży obie konfiguracje jednocześnie.

P: Czy muszę przebudować indeks po zmianie alfabetu?
O: Zdecydowanie tak. Zmiany w słowniku znaków wpływają na tokenizację, więc musisz ponownie zindeksować dokumenty, aby zastosować nowe reguły.

P: Czy istnieje limit liczby niestandardowych znaków, które mogę zdefiniować?
O: Biblioteka obsługuje pełny zakres Unicode; wydajność może spaść, jeśli dodasz bardzo dużą liczbę znaków, więc ogranicz je do rzeczywiście potrzebnych.

P: Jak to wpływa na dokładność OCR?
O: Dopasowując zestaw znaków indeksu do wyjścia silnika OCR, zmniejszasz liczbę fałszywych negatywów i poprawiasz ogólną trafność wyników wyszukiwania.

Ostatnia aktualizacja: 2026-01-11
Testowano z: GroupDocs.Search 25.4 for Java
Autor: GroupDocs