at med:** GroupDocs.Search 25.4 för Java"

“Author: GroupDocs” -> “Författare: GroupDocs”

Then “—”

We must ensure we keep all markdown formatting, code block placeholders unchanged.

Check for any other shortcodes: none.

Now produce final translated content.# Så skapar du index med teckenigenkänning med GroupDocs.Search för Java

I moderna dokumenttunga applikationer är hur man skapar index som respekterar nyanserna i din text—såsom bindestreck, understreck eller språk‑specifika symboler—viktigt för snabb, exakt återvinning. I den här handledningen går vi igenom hur man konfigurerar teckenigenkänning i GroupDocs.Search för Java, och täcker både vanliga tecken (bokstäver, siffror, understreck) och blandade tecken (t.ex. bindestreck). I slutet kommer du att kunna skräddarsy ett index som passar exakt dina OCR‑ eller bildsök‑scenarier, oavsett om du indexerar juridiska ärendenummer, källkods‑arkiv 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 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 sök‑index?

Ett anpassat sök‑index låter dig definiera hur sökmotorn tolkar tecken. Som standard ignoreras många symboler, vilket kan leda till missade träffar för exempelvis ärendenummer (2023-AB-456) eller kodsnuttar (my_variable). Genom att justera alfabet‑ordlistan får du full kontroll över vad motorn behandlar som sökbar text.

Varför konfigurera vanliga och blandade tecken för juridiska ärendenummer?

Vanliga tecken (bokstäver, siffror, understreck) tokeniseras separat, vilket möjliggör exakt‑matchning sökningar för identifierare.
Blandade tecken (bindestreck, snedstreck) håller relaterade token ihop, vilket förhindrar oönskad splittring av ärendenummer, produktkoder eller filsökvägar.
Denna konfiguration optimerar sök‑index‑prestanda genom att minska token‑fragmentering och förbättra relevans för OCR‑genererat innehåll.

Förutsättningar

JDK 8 eller senare installerat.
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 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 för Java‑utgåvor.

Licensförvärv

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. Behåll den som den är; 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 miljöinställning

Se till att index‑mappen och dokument‑mappen finns på disken.
Använd absoluta sökvägar eller konfigurera din IDE för att lösa relativa sökvägar korrekt.

Implementeringsguide

Nedan går vi igenom två distinkta funktioner: vanliga tecken och blandade tecken. Varje funktion följer samma mönster—definiera sökvägar, skapa indexet, ange teckensnitt‑ordlistan och slutligen indexera 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 Definiera 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) kopplar ofta två ord. Att markera dem som blandade instruerar motorn att hålla de omgivande tokenen ihop under indexering.

Steg‑för‑steg‑implementering

1️⃣ Definiera 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 – Källkods‑arkiv

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 intervall, vilket garanterar korrekta sökresultat över språk.

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 sök‑index‑prestanda för bildbaserat innehåll.

Prestandaöverväganden

Resurshantering – Håll koll på heap‑användning; stora index drar nytta av inkrementella commit.
Soppsamling – Frigör Index‑objekt när de är klara 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 index som skiljer mellan vanliga och blandade tecken med GroupDocs.Search för Java. Denna finmaskiga kontroll gör det möjligt att bygga OCR‑medvetna, högpresterande söklösningar anpassade 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 sökfunktioner 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 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; prestanda kan försämras om du lägger till en extremt stor mängd, så begränsa det till de tecken du faktiskt behöver.

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

Senast uppdaterad: 2026-03-17
Testat med: GroupDocs.Search 25.4 för Java
Författare: GroupDocs