Skapa anpassat sökindex med teckenigenkänning med GroupDocs.Search för Java

I moderna dokumenttunga applikationer är att skapa ett anpassat sökindex som förstår nyanserna i din text—såsom bindestreck, understreck eller språk‑specifika symboler—avgörande för snabb och exakt återhämtning. Denna handledning guidar dig genom att konfigurera teckenigenkänning i GroupDocs.Search för 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 dina OCR‑ eller bildsök‑scenarier.

Snabba svar

  • Vad betyder “skapa anpassat sökindex”? Det innebär att konfigurera ett index så att specifika symboler behandlas som bokstäver eller blandade tecken, snarare än att ignoreras.
  • Vilket bibliotek används? GroupDocs.Search för Java (v25.4 vid skrivtillfället).
  • Behöver jag en licens? En gratis provversion 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?

Ett anpassat sökindex låter dig definiera hur sökmotorn tolkar tecken. Som standard ignoreras många symboler, vilket kan leda till missade träffar för exempelvis ärendenummer (ABC-123) eller kodsnuttar (my_variable). Genom att justera alfabet‑ordlistan får du full kontroll över vad motorn betraktar som sökbar text.

Varför konfigurera vanliga och blandade tecken?

  • Vanliga tecken (bokstäver, siffror, understreck) behandlas som fristående token, vilket förbättrar exakt‑match‑sökningar.
  • Blandade tecken (bindestreck, snedstreck) förenar ord; att konfigurera dem förhindrar oönskad token‑uppdelning, vilket är kritiskt för juridiska referenser, produktkoder eller källkod‑indexering.

Förutsättningar

  • JDK 8 eller senare installerad.
  • Maven för beroendehantering.
  • Tillgång till GroupDocs.Search för 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 får inte ändras.

<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 för Java‑releaser.

Licensanskaffning

  • Gratis prov – perfekt för tidig experimentering.
  • Tillfällig licens – användbar för längre utvecklingscykler.
  • Produktionslicens – krävs för kommersiell driftsättning.

Skaffa en licens via den officiella portalen: GroupDocs.

Grundläggande initialisering

Kodsnutten nedan visar den minsta koden som behövs för att starta ett tomt index. Behåll den oförändrad; vi bygger 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!");
    }
}

Installera GroupDocs.Search för Java

Installation via Maven

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

Miljöinställningar

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

Implementeringsguide

Nedan går vi igenom två separata funktioner: vanliga tecken och blandade tecken. Varje funktion följer samma mönster—definiera sökvägar, skapa indexet, sätt teckensnitt‑ordlistan och indexera slutligen dina dokument.

Funktion 1 – Vanliga tecken

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 Ange 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 – Blandade tecken

Översikt

Blandade tecken (som bindestreck) förenar ofta två ord. Att markera dem som blandade talar om för motorn att hålla de omgivande token‑erna ihop under indexeringen.

Steg‑för‑steg‑implementering

1️⃣ Ange 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 upp identifieraren.

Användningsfall 2 – Källkodsförråd

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

Användningsfall 3 – Flerspråkiga dataset

När du arbetar med språk som använder ytterligare alfabet kan du utöka den vanliga teckenmängden för att inkludera dessa Unicode‑intervall, vilket garanterar korrekta korsspråkliga sökresultat.

Prestanda‑överväganden

  • Resurshantering – Håll koll på heap‑användning; stora index drar nytta av inkrementella commit‑s.
  • Garbage Collection – Frigör Index‑objekt när de är klara så att JVM kan återvinna minnet.
  • Indexoptimering – Anropa periodiskt index.optimize() (om tillgängligt) för att komprimera indexet och förbättra frågehastigheten.

Slutsats

Du vet nu hur du skapar ett anpassat sökindex som skiljer mellan vanliga och blandade tecken med GroupDocs.Search för Java. Denna fin‑granulerade kontroll ger dig möjlighet att bygga OCR‑medvetna, högpresterande söklösningar skräddarsydda för juridiska, utvecklings‑ eller flerspråkiga miljöer.

Nästa steg

  • Experimentera med ytterligare Unicode‑intervall för icke‑latinska alfabet.
  • Kombinera teckenkonfiguration med andra GroupDocs.Search‑funktioner som stemming eller synonymer.
  • Integrera indexet i ett REST‑API för att exponera sökfunktionalitet till front‑end‑applikationer.

Vanliga frågor

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

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 tokeniseringen, 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‑området; prestandan kan försämras om du lägger till en extremt stor mängd, så begränsa dig till de tecken du faktiskt behöver.

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

Senast uppdaterad: 2026-01-11
Testat med: GroupDocs.Search 25.4 för Java
Författare: GroupDocs