提取 PDF 文本 Java – 使用 GroupDocs.Search 建立索引

在本實作指南中，您將了解 如何從 PDF 檔案中提取 pdf text java，將提取的內容序列化，並建立高效能的可搜尋索引。無論您是構建內部知識庫、合約搜尋入口網站，或是自訂搜尋引擎，以下步驟將帶您完成所有操作——從從 PDF 中抽取文字到執行強大的全文查詢。讓我們深入了解為何 GroupDocs.Search 讓整個流程順暢且具可擴展性。

快速解答

index.search 方法對已建立的索引執行查詢，並返回符合文件的清單以及相關性分數。

  • 主要目的為何？ 從 PDF 檔案中提取 pdf text java，並使用 GroupDocs.Search 建立可搜尋的文件索引。
  • 使用哪個函式庫版本？ GroupDocs.Search 25.4（或最新發行版）。
  • 需要授權嗎？ 開發階段可使用免費試用版；正式上線需購買完整授權。
  • 可以索引 PDF 嗎？ 可以——提取 PDF 文字並加入索引。
  • 如何執行搜尋？ 在加入資料後，使用 index.search(query) 方法。

什麼是文件索引？

文件索引是從您的檔案中提取的可搜尋詞彙的結構化集合。它將每個詞彙映射到出現該詞的文件，從而在大型資料庫中實現快速全文搜尋，將查找時間從分鐘縮短至毫秒，同時支援排序與相關性功能。

為何在 Java 中使用 GroupDocs.Search？

GroupDocs.Search 支援 超過 50 種輸入與輸出格式，能在不將整個檔案載入記憶體的情況下索引 數百萬份文件，並提供具備布林、萬用字元與相近度運算子的 豐富查詢語言。這些量化的功能使其成為企業級搜尋解決方案的理想選擇。它亦內建語言偵測、詞幹分析與可自訂的分析器，以提升多語言內容的搜尋精確度。

前置條件

  • GroupDocs.Search for Java（版本 25.4 或更新）。
  • Java Development Kit (JDK) 與您的 GroupDocs 版本相容。
  • IDE，例如 IntelliJ IDEA 或 Eclipse。
  • Maven 用於相依性管理。

設定 GroupDocs.Search for Java

首先，將函式庫加入您的專案。

Maven 設定
在您的 pom.xml 檔案中加入以下內容：

<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>

直接下載
或者，從 GroupDocs.Search for Java releases 下載最新版本。

取得授權

  • 免費試用 – 使用臨時授權測試所有功能。
  • 購買 – 獲得完整存取權與優先支援。

如何從 PDF（及其他文件）提取文字

使用 Extractor 類別載入您的 PDF（或支援的文件），設定抽取選項，然後呼叫 extractText()。此單行呼叫會返回原始或格式化的文字，供索引使用。

Extractor 類別是 GroupDocs.Search 的核心元件，負責讀取文件並產生純文字或格式化文字。

// ```java
String documentPath = "YOUR_DOCUMENT_DIRECTORY/Lorem ipsum.pdf";
Extractor extractor = new Extractor();
Document document = Document.createFromFile(documentPath);

// ```java
ExtractionOptions extractionOptions = new ExtractionOptions();
extractionOptions.setUseRawTextExtraction(false); // Extract with formatting
ExtractedData extractedData = extractor.extract(document, extractionOptions);

提示： 若需要純文字且不保留格式，請設定 setUseRawTextExtraction(true)。

如何序列化抽取的資料

序列化會將抽取的文字物件轉換為位元組陣列，讓您能將其儲存至磁碟或透過網路傳輸，以便稍後索引。

SerializationUtil 工具提供靜態方法，可將物件轉換為位元組流，亦可反向轉換。

// ```java
ByteArrayOutputStream outputStream = new ByteArrayOutputStream();
extractedData.serialize(outputStream);
byte[] serializedArray = outputStream.toByteArray();

如何反序列化抽取的資料

當您準備建立索引時，將先前儲存的位元組陣列反序列化回原始的抽取物件。

deserialize 方法會還原抽取結果的完整狀態，確保在不同工作階段間不會遺失資料。

// ```java
ByteArrayInputStream inputStream = new ByteArrayInputStream(serializedArray);
ExtractedData deserializedData = ExtractedData.deserialize(inputStream);

如何建立文件索引

實例化 Index 物件，指定儲存資料夾，並設定索引選項，例如詞項向量與停用詞處理。

Index 類別代表可搜尋的容器，內含所有詞項、文件參考與中繼資料。

// ```java
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/SeparateDataExtraction";
com.groupdocs.search.Index index = new com.groupdocs.search.Index(indexFolder);

如何將資料加入索引並執行搜尋

使用 index.add() 將反序列化的抽取結果加入索引，接著使用 index.search() 進行查詢，即可取得即時結果。

add 方法會將文件的詞項註冊至索引，而 search 則對這些詞項執行查詢。

// ```java
ExtractedData[] dataToIndex = new ExtractedData[] { deserializedData };
index.add(dataToIndex, new IndexingOptions());

// ```java
String query = "ipsum";
SearchResult result = index.search(query);

專業提示： 使用 index.search("your query", SearchOptions) 以微調相關性排序。

常見使用情境

  1. 文件管理系統 – 快速定位合約、發票或政策文件。
  2. 基於內容的搜尋引擎 – 為內部知識庫提供 Java 全文搜尋功能。
  3. 資料歸檔解決方案 – 索引歷史記錄以即時檢索。

效能考量

setStoreTermVectors(boolean) 方法設定是否在索引中儲存詞項向量，會影響索引大小與查詢效能。

  • 記憶體管理： 處理超過 500 MB 的批次時，增加 JVM 堆積大小（例如 -Xmx4g）。
  • 索引選項： 停用詞項向量（setStoreTermVectors(false)）可將索引大小減少最多 30%。
  • 定期更新： 保持 GroupDocs.Search 為最新版本；每個次要發行版皆包含約 10‑15% 的平均速度提升。

常見問題

Q: 如何有效處理非常大的 PDF 檔案？
A: 使用 Extractor 串流讀取檔案並分塊處理；必要時亦可增加 JVM 堆積大小。

Q: 我可以自訂搜尋查詢語法嗎？
A: 可以——GroupDocs.Search 支援布林運算子、萬用字元與相近度搜尋。

Q: 若序列化失敗該怎麼辦？
A: 確認所有物件皆實作 Serializable，並捕捉 IOException 以記錄細節。

Q: 能否只索引文件的特定區段？
A: 完全可以——在索引前設定 ExtractionOptions 以過濾頁面或區段。

Q: 如何升級至較新版本的 GroupDocs.Search？
A: 在 pom.xml 中更新版本號，然後執行 mvn clean install；請檢閱遷移指南以了解可能的破壞性變更。

資源

最後更新： 2026-07-07
測試環境： GroupDocs.Search 25.4 for Java
作者： GroupDocs

相關教學