使用 GroupDocs.Search for Java 建立具字符辨識的自訂搜尋索引

在現代文件密集的應用程式中，建立自訂搜尋索引 能夠理解文字中的細微差異——例如連字符、底線或語言特有符號——對於快速且精確的檢索至關重要。本教學將帶您設定 GroupDocs.Search for Java 的字符辨識，涵蓋一般字符（字母、數字、底線）與混合字符（例如連字符）。完成後，您將能夠打造符合 OCR 或影像搜尋情境的精確索引。

快速解答

「建立自訂搜尋索引」是什麼意思？ 意指將索引設定為將特定符號視為字母或混合字符，而非直接忽略。
使用哪個函式庫？ GroupDocs.Search for Java（撰寫時為 v25.4）。
需要授權嗎？ 開發階段可使用免費試用版；正式上線須購買授權。
可以同時索引 PDF 與影像嗎？ 可以——只要正確設定，GroupDocs.Search 會對影像與 PDF 執行 OCR。
必須使用 Maven 嗎？ Maven 為建議的相依管理方式，亦可使用 Gradle 或手動 JAR。

什麼是自訂搜尋索引？

自訂搜尋索引讓您定義搜尋引擎如何解讀字符。預設情況下，許多符號會被忽略，這可能導致找不到如案件編號 (ABC-123) 或程式碼片段 (my_variable) 等關鍵字。調整字母字典即可完全掌控引擎將哪些字符視為可搜尋的文字。

為什麼要設定一般字符與混合字符？

一般字符（字母、數字、底線）會被視為獨立的詞彙，有助於精確匹配搜尋。
混合字符（連字符、斜線）會連接詞彙；將其設定為混合字符可避免不必要的詞彙切割，對法律條文、產品代碼或原始碼索引尤為重要。

前置條件

已安裝 JDK 8 或更新版本。
已安裝 Maven 以管理相依。
取得 GroupDocs.Search for Java 函式庫（可透過 Maven 或官方網站下載）。

必要的函式庫與相依

將以下儲存庫與相依項目加入 pom.xml（如範例所示）。此 XML 區塊必須保持原樣。

<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>

您也可以從 GroupDocs.Search for Java 版本發布頁面下載最新的 JAR。

授權取得

免費試用 – 適合早期實驗。
臨時授權 – 方便較長的開發週期。
正式授權 – 商業部署時必須使用。

從官方入口取得授權：GroupDocs。

基本初始化

以下程式碼片段示範建立空索引的最小需求。請保持原樣，我們稍後會在此基礎上擴充。

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!");
    }
}

設定 GroupDocs.Search for Java

透過 Maven 安裝

在 前置條件 章節中提供的 Maven 設定即為全部需求。加入後執行 mvn clean install 下載相應的二進位檔。

環境設定需求

確認 索引資料夾 與 文件資料夾 已存在於磁碟上。
使用絕對路徑或在 IDE 中正確設定相對路徑的解析。

實作指南

以下說明兩項不同功能：一般字符 與 混合字符。每項功能的流程相同——設定路徑、建立索引、設定字符字典，最後將文件加入索引。

功能 1 – 一般字符

概觀

一般字符會被視為獨立的詞彙。當您希望數字、字母與底線能夠精確搜尋時，此設定最為理想。

步驟實作

1️⃣ 設定路徑
定義索引要儲存的位置以及來源文件所在的資料夾。

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

2️⃣ 建立並設定索引
實例化索引並清除先前的字母設定。

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

3️⃣ 定義一般字符
建立包含數字、拉丁字母與底線的字符陣列。

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 索引文件
將來源資料夾中的所有檔案加入新建立的索引。

index.add(documentFolder);

功能 2 – 混合字符

概觀

混合字符（例如連字符）常用於連接兩個詞彙。將其標記為混合後，索引時會保留相鄰詞彙的完整性。

步驟實作

1️⃣ 設定路徑

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

2️⃣ 建立並設定索引

Index index = new Index(indexFolder);

3️⃣ 定義混合字符
此處告訴字典將連字符視為混合字符。

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

4️⃣ 索引文件

index.add(documentFolder);

實務應用

用例 1 – 法律文件管理

法律文件常包含如 2023-AB-456 的案件編號。透過設定底線與連字符，可在搜尋時取得完整匹配，而不會被切割。

用例 2 – 原始碼倉庫

開發者需要搜尋包含底線 (my_variable) 與連字符 (my-function) 的程式碼片段。自訂字符辨識確保搜尋引擎正確處理這些符號。

用例 3 – 多語言資料集

處理使用額外字母表的語言時，可將一般字符集擴充至相應的 Unicode 範圍，確保跨語言搜尋的準確性。

效能考量

資源管理 – 留意堆積記憶體使用量；大型索引建議使用增量提交。
垃圾回收 – 完成後釋放 Index 物件，以讓 JVM 回收記憶體。
索引最佳化 – 定期呼叫 index.optimize()（若有提供）以壓縮索引並提升查詢速度。

結論

您現在已掌握如何使用 GroupDocs.Search for Java 建立自訂搜尋索引，並分別設定一般字符與混合字符。這種細緻的控制讓您能夠打造具 OCR 感知、高效能的搜尋解決方案，適用於法律、開發或多語言環境。

後續步驟

嘗試為非拉丁字母加入額外的 Unicode 範圍。
結合字符設定與 GroupDocs.Search 的其他功能，如詞幹分析或同義詞。
將索引整合至 REST API，為前端應用提供搜尋服務。

常見問題

Q: CharacterType.Letter 的用途是什麼？
A: 它告訴索引將提供的字符視為一般字母，於索引時會被獨立切分為詞彙。

Q: 我可以在同一個索引中同時使用一般字符與混合字符嗎？
A: 可以——只要分別呼叫 setRange 設定兩種型別，字典會同時處理這兩種配置。

Q: 變更字母表後需要重新建立索引嗎？
A: 必須。字符字典的變更會影響切詞方式，必須重新索引文件才能套用新規則。

Q: 自訂字符的數量有限制嗎？
A: 函式庫支援完整的 Unicode 範圍；若加入過多字符可能會影響效能，建議僅加入實際需要的字符。

Q: 這會如何影響 OCR 的準確度？
A: 透過讓索引的字符集與 OCR 輸出保持一致，可減少偽陰性，提升整體搜尋相關性。

最後更新： 2026-01-11
測試環境： GroupDocs.Search 25.4 for Java
作者： GroupDocs