Skapa ett anpassat sökindex java med GroupDocs.Search

I moderna dokumenttunga applikationer är det viktigt att skapa ett custom search index java som respekterar nyanserna i din text—såsom bindestreck, understreck eller språk‑specifika symboler—för snabb och exakt återvinning. Denna handledning guidar dig genom att konfigurera teckenigenkänning i GroupDocs.Search for Java, och täcker både vanliga tecken (bokstäver, siffror, understreck) och blandade tecken (t.ex. bindestreck). I slutet kommer du kunna skräddarsy ett index som passar exakt de behov som OCR‑ eller bildsök‑scenarier kräver, oavsett om du indexerar juridiska ärendenummer, källkodsförråd eller flerspråkiga PDF‑filer.

Snabba svar

  • Vad betyder “create custom search index”? Det betyder att konfigurera ett index för att behandla specifika symboler som bokstäver eller blandade tecken, snarare än att ignorera dem.
  • Vilket bibliotek används? GroupDocs.Search for Java (v25.4 at the time of writing).
  • Behöver jag en licens? En gratis provperiod fungerar för utveckling; en betald licens krävs för produktion.
  • Kan jag indexera både PDF‑filer och bilder? Ja—GroupDocs.Search stödjer OCR på bilder och PDF‑filer när det är korrekt konfigurerat.
  • Krävs Maven? Maven är det rekommenderade sättet att hantera beroenden, men du kan också använda Gradle eller manuella JAR‑filer.

Vad är ett anpassat sökindex java?

Det custom search index java är en sökbar datastruktur som du kan forma genom att definiera vilka tecken som behandlas som bokstäver, siffror eller blandade symboler. Som standard ignoreras många symboler, vilket kan leda till missade träffar för identifierare som ärendenummer (2023-AB-456) eller kodsnuttar (my_variable). Att justera alfabet‑ordlistan ger dig full kontroll över tokenisering, vilket ger högre relevans och snabbare frågeutförande.

Varför konfigurera vanliga och blandade tecken för juridiska ärendenummer?

Att behandla bindestreck och snedstreck som blandade tecken håller relaterade token ihop, vilket förhindrar oönskad delning av identifierare som ärendenummer, produktkoder eller filsökvägar. Denna konfiguration optimerar sökindexprestanda genom att minska token‑fragmentering och förbättrar relevansen för OCR‑genererat innehåll, särskilt när man hanterar juridiska dokument som starkt förlitar sig på strukturerade identifierare.

Förutsättningar

  • JDK 8 eller senare installerat.
  • Maven för beroendehantering.
  • Tillgång till GroupDocs.Search for Java‑biblioteket (nedladdat via Maven eller den officiella webbplatsen).

Nödvändiga bibliotek och beroenden

Lägg till repository‑ och beroende‑poster i din pom.xml (som visas nedan). XML‑blocket måste förbli oförändrat.

<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>

Du kan också ladda ner de senaste JAR‑filerna från GroupDocs.Search for Java releases.

Licensanskaffning

  • Free trial – perfekt för tidig experimentering.
  • Temporary license – användbar för längre utvecklingscykler.
  • Production license – krävs för kommersiell distribution.

Skaffa en licens från den officiella portalen: GroupDocs.

Grundläggande initiering

Kodsnutten nedan visar den minsta koden som behövs för att starta ett tomt index. Index‑klassen är kärnkomponenten som lagrar och hanterar den sökbara datan. Behåll den oförändrad; vi kommer att bygga vidare på den senare.

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!");
    }
}

Konfigurera GroupDocs.Search för Java

Installation via Maven

Maven‑konfigurationen från Förutsättningar-avsnittet är allt du behöver. Efter att du lagt till den, kör mvn clean install för att hämta binärerna.

Krav för miljö‑inställning

  • Säkerställ att indexmappen och dokumentmappen finns på disken.
  • Använd absoluta sökvägar eller konfigurera din IDE för att korrekt lösa relativa sökvägar.

Implementeringsguide

Nedan går vi igenom två separata funktioner: regular characters och blended characters. Varje funktion följer samma mönster—definiera sökvägar, skapa indexet, ställ in teckensnitt‑ordlistan och slutligen indexera dina dokument.

Funktion 1 – regular characters

Översikt

Vanliga tecken behandlas som oberoende token. Detta är idealiskt när du vill att siffror, bokstäver och understreck ska vara sökbara exakt som de visas.

Steg‑för‑steg‑implementering

1️⃣ Ställ in sökvägar
Definiera var indexet ska lagras och var dina källdokument finns.

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

2️⃣ Skapa och konfigurera index
Instansiera indexet och rensa eventuell befintlig alfabet‑konfiguration.

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

3️⃣ Definiera vanliga tecken
Bygg en teckenarray som inkluderar siffror, latinska bokstäver och understreck.

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 Indexera dokument
Lägg till alla filer från källmappen till det nykonfigurerade indexet.

index.add(documentFolder);

Funktion 2 – blended characters

Översikt

Blandade tecken (som bindestreck) kopplar ofta två ord. Att markera dem som blended instruerar motorn att hålla de omgivande tokenen tillsammans under indexering.

Steg‑för‑steg‑implementering

1️⃣ Ställ in sökvägar

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

2️⃣ Skapa och konfigurera index

Index index = new Index(indexFolder);

3️⃣ Definiera blandade tecken
Här talar vi om för ordlistan att bindestrecket ska behandlas som ett blandat tecken.

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

4️⃣ Indexera dokument

index.add(documentFolder);

Praktiska tillämpningar

Användningsfall 1 – juridisk dokumenthantering

Juridiska filer innehåller ofta ärendenummer som 2023-AB-456. Genom att konfigurera understreck och bindestreck returnerar sökningar exakta träffar utan att dela identifieraren, vilket hjälper dig att söka juridiska ärendenummer effektivt.

Användningsfall 2 – källkodsförråd

Utvecklare behöver söka kodsnuttar där understreck (my_variable) och bindestreck (my-function) är betydelsefulla. Anpassad teckenigenkänning säkerställer att sökmotorn respekterar dessa symboler.

Användningsfall 3 – flerspråkiga dataset

När du arbetar med språk som använder ytterligare alfabet kan du utöka Unicode‑teckenuppsättningen för att inkludera dessa områden, vilket garanterar korrekta flerspråkiga sökresultat.

Användningsfall 4 – indexera PDF‑bilder

Om du indexerar skannade PDF‑filer eller bildfiler innehåller OCR‑utdata ofta blandade tecken. Genom att korrekt konfigurera vanliga och blandade tecken optimeras sökindex‑prestanda för bildbaserat innehåll.

Prestandaöverväganden

  • Resurshantering – övervaka heap‑användning; stora index drar nytta av inkrementella commit.
  • Soppsamling – släpp Index‑objekt när de är färdiga så att JVM kan återta minnet.
  • Indexoptimering – anropa periodiskt index.optimize() (om tillgängligt) för att komprimera indexet och förbättra frågehastigheten.

Slutsats

Du vet nu hur man skapar ett custom search index java som skiljer mellan vanliga och blandade tecken med hjälp av GroupDocs.Search för Java. Denna finmaskiga kontroll ger dig möjlighet att bygga OCR‑medvetna, högpresterande söklösningar anpassade för juridiska, utvecklings‑ eller flerspråkiga miljöer.

Nästa steg

  • Experimentera med ytterligare Unicode‑områden för icke‑latinska alfabet.
  • Kombinera teckenkonfiguration med andra GroupDocs.Search‑funktioner som stemming eller synonymer.
  • Exponera indexet via ett REST‑API så att front‑end‑applikationer kan utföra sökningar över HTTP.

Vanliga frågor

Q: Vad är syftet med CharacterType.Letter?
A: Det talar indexet att behandla de angivna tecknen som vanliga bokstäver, så de tokeniseras separat under indexering.

Q: Kan jag blanda vanliga och blandade tecken i samma index?
A: Ja—anropa helt enkelt setRange för varje typ; ordlistan hanterar båda konfigurationerna samtidigt.

Q: Behöver jag bygga om indexet efter att ha ändrat alfabetet?
A: Absolut. Ändringar i teckenordlistan påverkar tokenisering, så du måste åter‑indexera dokumenten för att tillämpa de nya reglerna.

Q: Finns det en gräns för hur många anpassade tecken jag kan definiera?
A: Biblioteket stödjer hela Unicode‑intervallet; prestandan kan försämras om du lägger till en extremt stor mängd, så begränsa det till tecken du faktiskt behöver.

Q: Hur påverkar detta OCR‑noggrannheten?
A: Genom att anpassa indexets teckenuppsättning till OCR‑motorns output minskar du falska negativa och förbättrar den övergripande sökrelevansen.


Senast uppdaterad: 2026-11-02
Testad med: GroupDocs.Search 25.4 for Java
Författare: GroupDocs

Relaterade handledningar