Jak utworzyć indeks z rozpoznawaniem znaków przy użyciu GroupDocs.Search dla Javy

W nowoczesnych aplikacjach intensywnie pracujących z dokumentami, jak utworzyć indeks, który uwzględnia niuanse Twojego tekstu — takie jak myślniki, podkreślenia czy symbole specyficzne dla języka — jest niezbędny do szybkiego i dokładnego wyszukiwania. W tym samouczku przeprowadzimy konfigurację rozpoznawania znaków w GroupDocs.Search for Java, obejmując zarówno zwykłe znaki (litery, cyfry, podkreślenia), jak i znaki mieszane (np. myślniki). Po zakończeniu będziesz w stanie dostosować indeks do dokładnych potrzeb scenariusza OCR lub wyszukiwania obrazów, niezależnie od tego, czy indeksujesz numery spraw prawnych, repozytoria kodu źródłowego czy wielojęzyczne pliki PDF.

Szybkie odpowiedzi

Co oznacza „create custom search index”? Oznacza to konfigurację 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 środowisku deweloperskim; płatna licencja jest wymagana w produkcji.
Czy mogę indeksować zarówno PDF‑y, jak i obrazy? Tak — GroupDocs.Search obsługuje OCR na obrazach i PDF‑ach po odpowiedniej konfiguracji.
Czy Maven jest wymagany? Maven jest zalecaną metodą zarządzania zależnościami, ale możesz również użyć 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 pominiętych dopasowań, np. numerów spraw (2023-AB-456) lub fragmentów kodu (my_variable). Dostosowanie słownika alfabetu daje pełną kontrolę nad tym, co silnik traktuje jako tekst przeszukiwalny.

Dlaczego konfigurować zwykłe i mieszane znaki dla numerów spraw prawnych?

Zwykłe znaki (litery, cyfry, podkreślenia) są tokenizowane osobno, umożliwiając dokładne wyszukiwanie identyfikatorów.
Mieszane znaki (myślniki, ukośniki) utrzymują powiązane tokeny razem, zapobiegając niepożądanemu rozdzielaniu numerów spraw, kodów produktów czy ścieżek plików.
Ta konfiguracja optymalizuje wydajność indeksu wyszukiwania poprzez zmniejszenie fragmentacji tokenów i poprawę trafności wyników dla treści generowanych przez OCR.

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 repozytorium i wpisy zależności do swojego 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 GroupDocs.Search for Java releases.

Uzyskanie licencji

Free Trial – idealna do wczesnych eksperymentów.
Temporary License – przydatna przy dłuższych cyklach rozwojowych.
Production License – wymagana przy wdrożeniach komercyjnych.

Uzyskaj licencję w oficjalnym 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 dla Javy

Instalacja za pomocą Maven

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

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 przechodzimy przez dwie odrębne funkcje: zwykłe znaki i mieszane znaki. Każda funkcja podąża za tym samym schematem — definiuj ścieżki, twórz indeks, ustaw słownik znaków i na końcu indeksuj dokumenty.

Funkcja 1 – Zwykłe znaki

Przegląd

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

Implementacja krok po kroku

1️⃣ Set Up Paths
Zdefiniuj, gdzie indeks będzie przechowywany oraz gdzie znajdują się źródłowe dokumenty.

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

2️⃣ Create and Configure Index
Zainicjuj indeks i wyczyść wszelkie istniejące wcześniej konfiguracje alfabetu.

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

3️⃣ Define Regular Characters
Zbuduj 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 Index Documents
Dodaj wszystkie pliki z folderu źródłowego do nowo skonfigurowanego indeksu.

index.add(documentFolder);

Funkcja 2 – Mieszane znaki

Przegląd

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

Implementacja krok po kroku

1️⃣ Set Up Paths

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

2️⃣ Create and Configure Index

Index index = new Index(indexFolder);

3️⃣ Define Blended Characters
Tutaj informujemy słownik, że myślnik powinien być traktowany jako znak mieszany.

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

4️⃣ Index Documents

index.add(documentFolder);

Praktyczne zastosowania

Przypadek użycia 1 – Zarządzanie dokumentami prawnymi

Pliki prawne często zawierają numery spraw, np. 2023-AB-456. Konfigurując podkreślenia i myślniki, wyszukiwania zwracają dokładne dopasowania bez rozdzielania identyfikatora, co pomaga wyszukiwać numery spraw prawnych efektywnie.

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 – Zestawy danych wielojęzycznych

Pracując z językami używającymi dodatkowych alfabetów, możesz rozszerzyć zestaw znaków Unicode, aby obejmował te zakresy, gwarantując dokładne wyniki wyszukiwania międzyjęzykowego.

Przypadek użycia 4 – Indeksowanie obrazów PDF

Jeśli indeksujesz zeskanowane PDF‑y lub pliki graficzne, wynik OCR często zawiera mieszane znaki. Poprawna konfiguracja zwykłych i mieszanych znaków optymalizuje wydajność indeksu wyszukiwania dla treści opartych na obrazach.

Rozważania dotyczące wydajności

Resource Management – Monitoruj zużycie pamięci heap; duże indeksy korzystają z przyrostowych commitów.
Garbage Collection – Zwolnij obiekty Index, gdy nie są już potrzebne, aby JVM mógł odzyskać pamięć.
Index Optimization – Okresowo wywołuj index.optimize() (jeśli dostępne), aby skompaktować indeks i przyspieszyć zapytania.

Zakończenie

Teraz wiesz jak utworzyć indeks, który rozróżnia zwykłe i mieszane znaki przy użyciu GroupDocs.Search dla Javy. Ta precyzyjna kontrola umożliwia budowanie rozwiązań wyszukiwania świadomych OCR, o wysokiej wydajności, dopasowanych do środowisk prawnych, deweloperskich czy wielojęzycznych.

Kolejne kroki

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

Najczęściej zadawane pytania

Q: Jaki jest cel CharacterType.Letter?
A: Informuje indeks, aby traktował podane znaki jako zwykłe litery, więc są one tokenizowane osobno podczas indeksowania.

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

Q: Czy muszę przebudować indeks po zmianie alfabetu?
A: Zdecydowanie. Zmiany w słowniku znaków wpływają na tokenizację, więc musisz ponownie zindeksować dokumenty, aby zastosować nowe zasady.

Q: Czy istnieje limit liczby niestandardowych znaków, które mogę zdefiniować?
A: Biblioteka obsługuje pełny zakres Unicode; wydajność może spaść, jeśli dodasz niezwykle dużą liczbę znaków, dlatego ogranicz je do rzeczywiście potrzebnych.

Q: Jak to wpływa na dokładność OCR?
A: Dzięki dopasowaniu zestawu znaków indeksu do wyjścia silnika OCR zmniejszasz liczbę fałszywych negatywów i poprawiasz ogólną trafność wyników wyszukiwania.

Last Updated: 2026-03-17
Tested With: GroupDocs.Search 25.4 for Java
Author: GroupDocs