Создание пользовательского поискового индекса с распознаванием символов с помощью GroupDocs.Search для Java

В современных приложениях, работающих с большим количеством документов, создание пользовательского поискового индекса, который понимает нюансы вашего текста — такие как дефисы, подчёркивания или специфические для языка символы — является необходимым для быстрого и точного поиска. В этом руководстве мы покажем, как настроить распознавание символов в GroupDocs.Search для Java, охватывая как обычные символы (буквы, цифры, подчёркивания), так и комбинированные символы (например, дефисы). По завершении вы сможете адаптировать индекс под точные требования вашего OCR‑или поиска по изображениям.

Быстрые ответы

  • Что означает «создание пользовательского поискового индекса»? Это настройка индекса так, чтобы определённые символы рассматривались как буквы или комбинированные символы, а не игнорировались.
  • Какая библиотека используется? GroupDocs.Search для Java (v25.4 на момент написания).
  • Нужна ли лицензия? Бесплатная пробная версия подходит для разработки; платная лицензия требуется для продакшн‑использования.
  • Можно ли индексировать и PDF, и изображения? Да — GroupDocs.Search поддерживает OCR для изображений и PDF при правильной конфигурации.
  • Обязательно ли использовать Maven? Maven — рекомендованный способ управления зависимостями, но можно также использовать Gradle или подключать JAR‑файлы вручную.

Что такое пользовательский поисковый индекс?

Пользовательский поисковый индекс позволяет задать, как поисковый движок интерпретирует символы. По умолчанию многие символы игнорируются, что может приводить к пропуску совпадений, например, номеров дел (ABC-123) или фрагментов кода (my_variable). Настройка словаря алфавита даёт полный контроль над тем, какие символы считаются поисковым текстом.

Почему нужно настраивать обычные и комбинированные символы?

  • Обычные символы (буквы, цифры, подчёркивания) рассматриваются как отдельные токены, улучшая точный поиск.
  • Комбинированные символы (дефисы, слеши) соединяют слова; их настройка предотвращает нежелательное разбиение токенов, что критично для юридических ссылок, артикулов продукции или индексации исходного кода.

Предварительные требования

  • JDK 8 или более новая версия.
  • Maven для управления зависимостями.
  • Доступ к библиотеке GroupDocs.Search для Java (скачивается через Maven или с официального сайта).

Необходимые библиотеки и зависимости

Добавьте репозиторий и зависимости в ваш pom.xml (как показано ниже). XML‑блок должен оставаться без изменений.

<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>

Вы также можете загрузить последние JAR‑файлы по ссылке GroupDocs.Search for Java releases.

Приобретение лицензии

  • Free Trial — идеален для ранних экспериментов.
  • Temporary License — полезна для длительных циклов разработки.
  • Production License — требуется для коммерческого развертывания.

Получить лицензию можно на официальном портале: GroupDocs.

Базовая инициализация

Ниже приведён минимальный код для создания пустого индекса. Оставьте его без изменений; позже мы будем его расширять.

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!");
    }
}

Настройка GroupDocs.Search для Java

Установка через Maven

Конфигурация Maven из раздела Предварительные требования — всё, что нужно. После добавления выполните mvn clean install для загрузки бинарных файлов.

Требования к окружению

  • Убедитесь, что папка индекса и папка документов существуют на диске.
  • Используйте абсолютные пути или настройте IDE для корректного разрешения относительных путей.

Руководство по реализации

Ниже рассмотрены две отдельные функции: обычные символы и комбинированные символы. Каждая функция следует одинаковому шаблону — задаём пути, создаём индекс, настраиваем словарь символов и, наконец, индексируем документы.

Функция 1 — Обычные символы

Обзор

Обычные символы рассматриваются как независимые токены. Это удобно, когда нужно, чтобы цифры, буквы и подчёркивания искались точно в том виде, в каком они записаны.

Пошаговая реализация

1️⃣ Задание путей
Определите, где будет храниться индекс и где находятся исходные документы.

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

2️⃣ Создание и настройка индекса
Создайте объект индекса и очистите любую предустановленную конфигурацию алфавита.

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

3️⃣ Определение обычных символов
Сформируйте массив символов, включающий цифры, латинские буквы и подчёркивание.

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 Индексация документов
Добавьте все файлы из исходной папки в только что настроенный индекс.

index.add(documentFolder);

Функция 2 — Комбинированные символы

Обзор

Комбинированные символы (например, дефис) часто соединяют два слова. Пометка их как комбинированных заставляет движок сохранять окружающие токены вместе при индексации.

Пошаговая реализация

1️⃣ Задание путей

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

2️⃣ Создание и настройка индекса

Index index = new Index(indexFolder);

3️⃣ Определение комбинированных символов
Здесь мы указываем словарю, что дефис следует рассматривать как комбинированный символ.

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

4️⃣ Индексация документов

index.add(documentFolder);

Практические применения

Сценарий 1 — Управление юридическими документами

Юридические файлы часто содержат номера дел, например 2023-AB-456. Настроив подчёркивания и дефисы, поиск будет возвращать точные совпадения без разбиения идентификатора.

Сценарий 2 — Репозитории исходного кода

Разработчикам необходимо искать фрагменты кода, где подчёркивания (my_variable) и дефисы (my-function) имеют смысл. Пользовательское распознавание символов гарантирует, что поисковый движок учитывает эти знаки.

Сценарий 3 — Многоязычные наборы данных

Работая с языками, использующими дополнительные алфавиты, можно расширить набор обычных символов, включив соответствующие диапазоны Unicode, обеспечивая точный кросс‑языковой поиск.

Соображения по производительности

  • Управление ресурсами — следите за использованием heap; большие индексы выигрывают от инкрементных коммитов.
  • Сборка мусора — освобождайте объекты Index, когда они больше не нужны, чтобы JVM могла вернуть память.
  • Оптимизация индекса — периодически вызывайте index.optimize() (если доступно) для уплотнения индекса и ускорения запросов.

Заключение

Теперь вы знаете, как создать пользовательский поисковый индекс, различающий обычные и комбинированные символы с помощью GroupDocs.Search для Java. Такой тонко настроенный контроль позволяет строить OCR‑ориентированные, высокопроизводительные поисковые решения для юридических, разработческих или многоязычных окружений.

Следующие шаги

  • Поэкспериментировать с дополнительными диапазонами Unicode для нелатинских алфавитов.
  • Скомбинировать настройку символов с другими возможностями GroupDocs.Search, такими как стемминг или синонимы.
  • Интегрировать индекс в REST‑API для предоставления поисковых возможностей фронтенд‑приложениям.

Часто задаваемые вопросы

В: Какова цель CharacterType.Letter?
О: Он указывает индексу рассматривать переданные символы как обычные буквы, поэтому они токенизируются отдельно при индексации.

В: Можно ли смешивать обычные и комбинированные символы в одном индексе?
О: Да — достаточно вызвать setRange для каждого типа; словарь одновременно обработает обе конфигурации.

В: Нужно ли перестраивать индекс после изменения алфавита?
О: Обязательно. Изменения в словаре символов влияют на токенизацию, поэтому необходимо переиндексировать документы, чтобы новые правила вступили в силу.

В: Есть ли ограничение на количество пользовательских символов?
О: Библиотека поддерживает полный диапазон Unicode; производительность может ухудшиться при добавлении чрезвычайно большого набора, поэтому ограничьте его только необходимыми символами.

В: Как это влияет на точность OCR?
О: Согласование набора символов индекса с выводом OCR‑движка уменьшает количество ложных отрицаний и повышает общую релевантность поиска.

Последнее обновление: 2026-01-11
Тестировано с: GroupDocs.Search 25.4 для Java
Автор: GroupDocs