Tạo một chỉ mục tìm kiếm tùy chỉnh java với GroupDocs.Search

Trong các ứng dụng hiện đại có lượng tài liệu lớn, việc tạo một custom search index java đáp ứng các chi tiết tinh tế của văn bản—như dấu gạch nối, dấu gạch dưới hoặc các ký hiệu đặc thù của ngôn ngữ—là điều cần thiết để truy xuất nhanh chóng và chính xác. Hướng dẫn này sẽ chỉ cho bạn cách cấu hình nhận dạng ký tự trong GroupDocs.Search for Java, bao gồm cả ký tự thường (chữ cái, chữ số, dấu gạch dưới) và ký tự hỗn hợp (ví dụ: dấu gạch nối). Khi hoàn thành, bạn sẽ có thể tùy chỉnh một chỉ mục phù hợp với nhu cầu chính xác của OCR hoặc các kịch bản tìm kiếm hình ảnh, dù bạn đang lập chỉ mục cho số vụ án pháp lý, kho mã nguồn, hoặc các tệp PDF đa ngôn ngữ.

Câu trả lời nhanh

  • What does “create custom search index” mean? Nó có nghĩa là cấu hình một chỉ mục để xử lý các ký hiệu cụ thể như chữ cái hoặc ký tự hỗn hợp, thay vì bỏ qua chúng.
  • Thư viện nào được sử dụng? GroupDocs.Search for Java (v25.4 at the time of writing).
  • Tôi có cần giấy phép không? Một bản dùng thử miễn phí hoạt động cho phát triển; giấy phép trả phí là bắt buộc cho môi trường sản xuất.
  • Tôi có thể lập chỉ mục cả PDF và hình ảnh không? Có—GroupDocs.Search hỗ trợ OCR trên hình ảnh và PDF khi được cấu hình đúng.
  • Có bắt buộc sử dụng Maven không? Maven là cách được khuyến nghị để quản lý phụ thuộc, nhưng bạn cũng có thể dùng Gradle hoặc JAR thủ công.

Chỉ mục tìm kiếm tùy chỉnh java là gì?

custom search index java là một cấu trúc dữ liệu có thể tìm kiếm được mà bạn có thể định hình bằng cách xác định các ký tự nào được coi là chữ cái, chữ số hoặc ký tự hỗn hợp. Theo mặc định, nhiều ký hiệu bị bỏ qua, điều này có thể gây mất khớp cho các định danh như số vụ án (2023-AB-456) hoặc đoạn mã (my_variable). Điều chỉnh từ điển bảng chữ cái cho phép bạn kiểm soát toàn bộ quá trình tokenization, dẫn đến độ liên quan cao hơn và tốc độ truy vấn nhanh hơn.

Tại sao cần cấu hình ký tự thường và ký tự hỗn hợp cho số vụ án pháp lý?

Việc xử lý dấu gạch nối và dấu gạch chéo như các ký tự hỗn hợp giữ các token liên quan cùng nhau, ngăn ngừa việc tách rời không mong muốn các định danh như số vụ án, mã sản phẩm hoặc đường dẫn tệp. Cấu hình này optimizes search index performance bằng cách giảm sự phân mảnh token và cải thiện độ liên quan cho nội dung tạo ra bởi OCR, đặc biệt khi làm việc với tài liệu pháp lý phụ thuộc nhiều vào các định danh có cấu trúc.

Yêu cầu trước

  • JDK 8 trở lên đã được cài đặt.
  • Maven để quản lý phụ thuộc.
  • Truy cập vào thư viện GroupDocs.Search for Java (tải về qua Maven hoặc trang chính thức).

Thư viện và phụ thuộc cần thiết

Thêm repository và các mục phụ thuộc vào file pom.xml của bạn (như ví dụ dưới). Khối XML phải giữ nguyên.

<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>

Bạn cũng có thể tải xuống các JAR mới nhất từ GroupDocs.Search for Java releases.

Nhận giấy phép

  • Free trial – hoàn hảo cho việc thử nghiệm ban đầu.
  • Temporary license – hữu ích cho các chu kỳ phát triển dài hơn.
  • Production license – bắt buộc cho triển khai thương mại.

Nhận giấy phép từ cổng thông tin chính thức: GroupDocs.

Khởi tạo cơ bản

Đoạn mã dưới đây hiển thị code tối thiểu cần thiết để khởi tạo một chỉ mục trống. Lớp Index là thành phần cốt lõi lưu trữ và quản lý dữ liệu có thể tìm kiếm. Giữ nguyên như hiện tại; chúng tôi sẽ xây dựng tiếp trên nó sau.

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!");
    }
}

Thiết lập GroupDocs.Search cho Java

Cài đặt qua Maven

Cấu hình Maven từ phần Yêu cầu trước là tất cả những gì bạn cần. Sau khi thêm, chạy mvn clean install để tải các binary.

Yêu cầu thiết lập môi trường

  • Đảm bảo index folder và document folder tồn tại trên đĩa.
  • Sử dụng đường dẫn tuyệt đối hoặc cấu hình IDE để giải quyết đúng các đường dẫn tương đối.

Hướng dẫn triển khai

Dưới đây chúng tôi sẽ hướng dẫn hai tính năng riêng biệt: regular characters và blended characters. Mỗi tính năng tuân theo cùng một mẫu—định nghĩa đường dẫn, tạo chỉ mục, thiết lập từ điển ký tự, và cuối cùng lập chỉ mục tài liệu của bạn.

Tính năng 1 – ký tự thường

Tổng quan

Ký tự thường được xử lý như các token độc lập. Điều này lý tưởng khi bạn muốn các chữ số, chữ cái và dấu gạch dưới có thể tìm kiếm chính xác như chúng xuất hiện.

Thực hiện từng bước

1️⃣ Set up paths
Xác định nơi sẽ lưu trữ chỉ mục và nơi các tài liệu nguồn của bạn nằm.

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

2️⃣ Create and configure index
Khởi tạo chỉ mục và xóa bất kỳ cấu hình bảng chữ cái nào đã tồn tại trước đó.

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

3️⃣ Define regular characters
Xây dựng một mảng ký tự bao gồm chữ số, chữ Latin và dấu gạch dưới.

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
Thêm tất cả các tệp từ thư mục nguồn vào chỉ mục mới cấu hình.

index.add(documentFolder);

Tính năng 2 – ký tự hỗn hợp

Tổng quan

Ký tự hỗn hợp (như dấu gạch nối) thường nối hai từ lại với nhau. Đánh dấu chúng là blended cho engine biết giữ các token xung quanh cùng nhau trong quá trình lập chỉ mục.

Thực hiện từng bước

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
Ở đây chúng ta thông báo cho từ điển rằng dấu gạch nối nên được xử lý như một ký tự hỗn hợp.

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

4️⃣ Index documents

index.add(documentFolder);

Ứng dụng thực tiễn

Trường hợp sử dụng 1 – quản lý tài liệu pháp lý

Các tệp pháp lý thường chứa số vụ án như 2023-AB-456. Bằng cách cấu hình dấu gạch dưới và dấu gạch nối, các tìm kiếm sẽ trả về kết quả chính xác mà không tách rời định danh, giúp bạn search legal case numbers một cách hiệu quả.

Trường hợp sử dụng 2 – kho mã nguồn

Các nhà phát triển cần tìm kiếm các đoạn mã nơi dấu gạch dưới (my_variable) và dấu gạch nối (my-function) mang ý nghĩa. Nhận dạng ký tự tùy chỉnh đảm bảo công cụ tìm kiếm tôn trọng các ký hiệu này.

Trường hợp sử dụng 3 – bộ dữ liệu đa ngôn ngữ

Khi làm việc với các ngôn ngữ sử dụng bảng chữ cái bổ sung, bạn có thể extend the Unicode character set để bao gồm các dải ký tự đó, đảm bảo kết quả tìm kiếm chính xác xuyên ngôn ngữ.

Trường hợp sử dụng 4 – lập chỉ mục hình ảnh PDF

Nếu bạn đang lập chỉ mục các PDF đã quét hoặc tệp hình ảnh, đầu ra OCR thường chứa các ký tự hỗn hợp. Cấu hình đúng ký tự thường và ký tự hỗn hợp optimizes search index cho nội dung dựa trên hình ảnh.

Các cân nhắc về hiệu năng

  • Resource management – giám sát việc sử dụng heap; các chỉ mục lớn hưởng lợi từ các commit tăng dần.
  • Garbage collection – giải phóng các đối tượng Index khi không còn dùng để JVM có thể thu hồi bộ nhớ.
  • Index optimization – định kỳ gọi index.optimize() (nếu có) để nén chỉ mục và cải thiện tốc độ truy vấn.

Kết luận

Bạn giờ đã biết how to create a custom search index java phân biệt giữa ký tự thường và ký tự hỗn hợp bằng GroupDocs.Search for Java. Kiểm soát chi tiết này cho phép bạn xây dựng các giải pháp tìm kiếm hiệu năng cao, nhận thức OCR, phù hợp với môi trường pháp lý, phát triển hoặc đa ngôn ngữ.

Các bước tiếp theo

  • Thử nghiệm với các dải Unicode bổ sung cho các bảng chữ cái không phải Latin.
  • Kết hợp cấu hình ký tự với các tính năng khác của GroupDocs.Search như stemming hoặc synonyms.
  • Phơi bày chỉ mục qua REST API để các ứng dụng front‑end có thể thực hiện tìm kiếm qua HTTP.

Câu hỏi thường gặp

Q: What is the purpose of CharacterType.Letter?
A: Nó cho phép chỉ mục xử lý các ký tự được cung cấp như các chữ cái thường, vì vậy chúng được tokenization riêng biệt trong quá trình lập chỉ mục.

Q: Can I mix regular and blended characters in the same index?
A: Có—chỉ cần gọi setRange cho mỗi loại; từ điển sẽ xử lý đồng thời cả hai cấu hình.

Q: Do I need to rebuild the index after changing the alphabet?
A: Chắc chắn. Thay đổi từ điển ký tự ảnh hưởng đến tokenization, vì vậy bạn phải re‑index các tài liệu để áp dụng quy tắc mới.

Q: Is there a limit to the number of custom characters I can define?
A: Thư viện hỗ trợ toàn bộ dải Unicode; hiệu năng có thể giảm nếu bạn thêm một tập hợp ký tự quá lớn, vì vậy hãy giới hạn ở những ký tự thực sự cần thiết.

Q: How does this affect OCR accuracy?
A: Bằng cách đồng bộ bộ ký tự của chỉ mục với đầu ra của engine OCR, bạn giảm thiểu false negatives và cải thiện độ liên quan tổng thể của kết quả tìm kiếm.

Cập nhật lần cuối: 2026-11-02
Được kiểm tra với: GroupDocs.Search 25.4 for Java
Tác giả: GroupDocs

Hướng dẫn liên quan