Создать пользовательский поисковый индекс java с GroupDocs.Search

В современных приложениях, работающих с большим количеством документов, создание пользовательского поискового индекса java, учитывающего нюансы вашего текста — такие как дефисы, подчёркивания или специфические для языка символы — необходимо для быстрой и точной выдачи результатов. Этот учебник проведёт вас через настройку распознавания символов в GroupDocs.Search for Java, охватывая как обычные символы (буквы, цифры, подчёркивания), так и комбинированные символы (например, дефисы). К концу вы сможете настроить индекс, соответствующий точным требованиям OCR‑ или поиска по изображениям, будь то индексация номеров судебных дел, репозиториев исходного кода или многоязычных PDF‑файлов.

Быстрые ответы

  • Что означает «создать пользовательский поисковый индекс»? Это настройка индекса так, чтобы определённые символы рассматривались как буквы или комбинированные символы, а не игнорировались.
  • Какая библиотека используется? GroupDocs.Search for Java (v25.4 на момент написания).
  • Нужна ли лицензия? Бесплатная пробная версия подходит для разработки; платная лицензия требуется для продакшна.
  • Можно ли индексировать и PDF, и изображения? Да — GroupDocs.Search поддерживает OCR для изображений и PDF, когда правильно сконфигурирован.
  • Требуется ли Maven? Maven рекомендуется для управления зависимостями, но можно также использовать Gradle или вручную подключать JAR‑файлы.

Что такое пользовательский поисковый индекс java?

Пользовательский поисковый индекс java — это структура данных, которую можно настроить, определяя, какие символы считаются буквами, цифрами или комбинированными символами. По умолчанию многие символы игнорируются, что может приводить к пропуску совпадений для идентификаторов, таких как номера дел (2023-AB-456) или фрагменты кода (my_variable). Настройка словаря алфавита даёт полный контроль над токенизацией, повышая релевантность и ускоряя выполнение запросов.

Почему стоит настраивать обычные и комбинированные символы для номеров судебных дел?

Обработка дефисов и слешей как комбинированных символов сохраняет связанные токены вместе, предотвращая нежелательное разбиение идентификаторов, таких как номера дел, коды продуктов или пути к файлам. Такая конфигурация оптимизирует производительность поискового индекса, уменьшая фрагментацию токенов и улучшая релевантность для контента, полученного с помощью OCR, особенно в юридических документах, где структурированные идентификаторы играют ключевую роль.

Предпосылки

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

Требуемые 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 скачать последние JAR‑файлы с GroupDocs.Search for Java releases.

Приобретение лицензии

  • Free trial – идеально для ранних экспериментов.
  • Temporary license – полезна для длительных циклов разработки.
  • Production license – требуется для коммерческого развертывания.

Получите лицензию на официальном портале: GroupDocs.

Базовая инициализация

Ниже показан минимальный код, необходимый для создания пустого индекса. Класс Index является ядром, хранящим и управляющим поисковыми данными. Оставьте его без изменений; дальше 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 for Java

Установка через Maven

Конфигурация Maven из раздела Предпосылки полностью покрывает ваши потребности. После добавления запустите mvn clean install для загрузки бинарных файлов.

Требования к настройке окружения

  • 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 рассматриваются 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 требуется, чтобы цифры, буквы и подчёркивания искались точно в том виде, в каком они записаны.

Пошаговая реализация

1️⃣ Set up paths
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 Create and configure index
Создайте индекс и очистите любую предустановленную конфигурацию алфавита.

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

3️⃣ Define regular characters
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 Index documents
Добавьте все файлы из исходной папки в только что сконфигурированный индекс.

index.add(documentFolder);

Функция 2 – комбинированные символы

Обзор

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

Пошаговая реализация

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
Здесь мы указываем словарю, что дефис следует рассматривать как комбинированный символ.

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

4️⃣ Index documents

index.add(documentFolder);

Практические применения

Сценарий 1 – управление юридическими документами

Юридические файлы часто содержат номера дел вроде 2023-AB-456. Настроив подчёркивания и дефисы, поиск возвращает точные совпадения без разбиения идентификатора, что позволяет эффективно искать номера судебных дел.

Сценарий 2 – репозитории исходного кода

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

Сценарий 3 – многоязычные наборы данных

Работая с языками, использующими дополнительные алфавиты, вы можете расширить набор Unicode‑символов, включив нужные диапазоны, обеспечивая точный кросс‑языковой поиск.

Сценарий 4 – индексация PDF‑изображений

При индексации отсканированных PDF или файлов‑изображений вывод OCR часто содержит смешанные символы. Правильная настройка обычных и комбинированных символов оптимизирует производительность поискового индекса для контента, основанного на изображениях.

Соображения по производительности

  • Resource management – следите за использованием кучи; большие индексы выигрывают от инкрементных коммитов.
  • Garbage collection – освобождайте объекты Index после завершения работы, чтобы JVM могла собрать память.
  • Index optimization – периодически вызывайте index.optimize() (если доступно) для уплотнения индекса и ускорения запросов.

Заключение

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

Следующие шаги

  • Поэкспериментировать с дополнительными диапазонами Unicode для нелатинских алфавитов.
  • Скомбинировать настройку символов с другими возможностями GroupDocs.Search, такими как стемминг или синонимы.
  • Открыть доступ к индексу через REST API, чтобы фронтенд‑приложения могли выполнять поиск по HTTP.

Часто задаваемые вопросы

Q: Какова цель CharacterType.Letter?
A: Он указывает индексу рассматривать указанные символы как обычные буквы, поэтому они токенизируются отдельно при индексации.

Q: Можно ли смешивать обычные и комбинированные символы в одном индексе?
A: Да — просто вызывайте setRange для каждого типа; словарь одновременно обработает обе конфигурации.

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

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

Q: Как это влияет на точность OCR?
A: Согласовывая набор символов индекса с выводом OCR‑движка, вы снижаете количество ложных отрицаний и повышаете общую релевантность поиска.


Last Updated: 2026-11-02
Tested with: GroupDocs.Search 25.4 for Java
Author: GroupDocs

Связанные учебники