使用 GroupDocs.Search 建立自訂搜尋索引(Java)
在現代文件密集的應用程式中,建立一個能夠尊重文字細節(例如連字號、底線或語言特定符號)的 custom search index java,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 中的字元辨識,涵蓋一般字元(字母、數字、底線)與混合字元(例如連字號)。完成後,您將能夠客製化索引,以符合 OCR 或影像搜尋情境的精確需求,無論是索引法律案件編號、原始碼庫或多語言 PDF。
快速解答
- What does “create custom search index” mean? 這表示將索引設定為將特定符號視為字母或混合字元,而不是忽略它們。
- Which library is used? GroupDocs.Search for Java(撰寫時為 v25.4)。
- Do I need a license? 免費試用可用於開發;正式環境需購買授權。
- Can I index both PDFs and images? 是的——只要正確設定,GroupDocs.Search 即支援對影像與 PDF 進行 OCR。
- Is Maven required? Maven 是建議的相依管理方式,但您也可以使用 Gradle 或手動 JAR。
什麼是 custom search index java?
custom search index java 是一種可搜尋的資料結構,您可以透過定義哪些字元視為字母、數字或混合符號來自訂。預設情況下,許多符號會被忽略,導致像案件編號 (2023-AB-456) 或程式碼片段 (my_variable) 等識別碼無法匹配。調整字母字典即可完整掌控斷詞,提升相關性與查詢執行速度。
為何為法律案件編號設定一般與混合字元?
將連字號與斜線視為混合字元可將相關的詞彙保持在一起,避免案件編號、產品代碼或檔案路徑等識別碼被不必要地切割。此設定透過減少詞彙碎片化 optimizes search index performance,提升 OCR 產生內容的相關性,尤其在處理高度依賴結構化識別碼的法律文件時。
先決條件
- JDK 8 或更新版本已安裝。
- Maven 用於相依管理。
- 取得 GroupDocs.Search for Java 函式庫(可透過 Maven 或官方網站下載)。
所需函式庫與相依性
將儲存庫與相依項目加入您的 pom.xml(如以下示範)。XML 區塊必須保持不變。
<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 下載最新的 JAR。
授權取得
- Free trial – 非常適合早期試驗。
- Temporary license – 適用於較長的開發週期。
- Production license – 商業部署必須取得。
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所需的最小程式碼。Index 類別是儲存與管理可搜尋資料的核心元件。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
先決條件 章節中的 Maven 設定即為全部需求。加入後,執行 mvn clean install 下載二進位檔。
環境設定需求
- 確認 index folder 與 document folder 已在磁碟上存在。
- 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
以下說明兩個不同的功能:regular characters 與 blended characters。每個功能遵循相同流程——定義路徑、建立索引、設定字元字典,最後索引文件。
功能 1 – regular characters
概述
一般字元會被視為獨立的詞彙。當您希望數字、字母與底線能精確如原樣搜尋時,此方式最為理想。
逐步實作
1️⃣ Set up paths
定義索引的儲存位置以及來源文件所在的路徑。
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/RegularCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Create and configure index
建立索引實例並清除任何先前的字母表設定。
Index index = new Index(indexFolder);
index.getDictionaries().getAlphabet().clear();
3️⃣ Define regular characters
建立包含數字、拉丁字母與底線的字元陣列。
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 Index documents
將來源資料夾中的所有檔案加入新設定的索引。
index.add(documentFolder);
功能 2 – blended characters
概述
混合字元(例如連字號)常用於連接兩個詞彙。將其標記為 blended 可指示引擎在索引時將相鄰的詞彙保持在一起。
逐步實作
1️⃣ Set up paths
定義索引與來源文件的路徑。
String indexFolder = "YOUR_OUTPUT_DIRECTORY/AdvancedUsage/Indexing/CharacterTypes/BlendedCharacters";
String documentFolder = "YOUR_DOCUMENT_DIRECTORY";
2️⃣ Create and configure index
建立索引並進行設定。
Index index = new Index(indexFolder);
3️⃣ Define blended characters
在此告訴字典將連字號視為混合字元。
index.getDictionaries().getAlphabet().setRange(new char[] { '-' }, CharacterType.Blended);
4️⃣ Index documents
將文件加入索引。
index.add(documentFolder);
實務應用
使用案例 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號,搜尋可返回完整匹配而不會切割識別碼,協助您高效 search legal case numbers。
使用案例 2 – 原始碼庫
開發者需要搜尋包含底線 (my_variable) 與連字號 (my-function) 的程式碼片段。自訂字元辨識可確保搜尋引擎正確處理這些符號。
使用案例 3 – 多語言資料集
處理使用其他字母表的語言時,您可以 extend the Unicode character set,將這些範圍納入,確保跨語言搜尋結果的準確性。
使用案例 4 – 索引 PDF 影像
若索引掃描 PDF 或影像檔,OCR 輸出常包含混合字元。正確設定一般與混合字元可 optimizes search index 於影像內容的效能。
效能考量
- Resource management – 監控堆積使用量;大型索引可受益於增量提交。
- Garbage collection – 完成後釋放
Index物件,讓 JVM 回收記憶體。 - Index optimization – 定期呼叫
index.optimize()(若支援)以壓縮索引並提升查詢速度。
結論
您現在已了解 how to create a custom search index java,可使用 GroupDocs.Search for Java 區分一般與混合字元。此細緻的控制讓您能打造具備 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。
- 將字元設定與其他 GroupDocs.Search 功能(如詞幹分析或同義詞)結合。
- 透過 REST API 暴露索引,讓前端應用程式以 HTTP 執行搜尋。
常見問題
Q: What is the purpose of CharacterType.Letter?
A: 它告訴索引將提供的字元視為一般字母,於索引時會分別斷詞。
Q: Can I mix regular and blended characters in the same index?
A: 可以——只要對每種型別呼叫 setRange,字典即可同時處理兩種設定。
Q: Do I need to rebuild the index after changing the alphabet?
A: 必須。字元字典的變更會影響斷詞,必須重新索引文件才能套用新規則。
Q: Is there a limit to the number of custom characters I can define?
A: 函式庫支援完整的 Unicode 範圍;若加入過多字元可能影響效能,建議僅定義實際需要的字元。
Q: How does this affect OCR accuracy?
A: 透過使索引的字元集與 OCR 引擎的輸出保持一致,可減少偽陰性並提升整體搜尋相關性。
最後更新: 2026-11-02
測試環境: GroupDocs.Search 25.4 for Java
作者: GroupDocs