禁用停用词 Java – 将文档添加到索引（使用 GroupDocs）

在本教程中，您将了解如何在使用 GroupDocs.Search for Java 将文件添加到可搜索索引时禁用停用词 java。通过关闭内置的停用词过滤器，所有标记——包括诸如 “on”、 “by” 或 “the” 等常见词——都可以被搜索，这显著提升了在法律合同、电子商务目录或技术手册等专业领域的结果相关性。

快速答案

  • “add documents to index” 是什么意思？ 它指将源文件加载到可搜索的索引中，以便高效查询。
  • 为什么我要禁用停用词？ 当这些词在您的领域中具有重要意义时，将常见词（例如 “on”、 “the”）包含在搜索中。
  • 需要哪个库版本？ GroupDocs.Search for Java 25.4 或更高版本。
  • 我需要许可证吗？ 免费试用可用于评估；生产环境需要永久许可证。
  • 我可以在 Maven 项目中使用吗？ 可以——只需添加下面显示的仓库和依赖即可。

什么是搜索中的停用词，为什么可能想要禁用它们？

停用词是高频词，许多搜索引擎会自动过滤它们以加快查询处理。禁用它们可确保每个词——包括传统上被忽略的词——都贡献到搜索索引中，这在这些词具有特定领域含义时尤为重要。例如，在法律合同中，“by”可以区分当事方，而在产品目录中，“on”可能是型号名称的一部分。

将文档添加到索引在 GroupDocs.Search 中是如何工作的？

当您添加文档时，GroupDocs.Search 会读取每个文件，对内容进行分词，并将标记存储在优化的倒排索引中。即使是包含数十万文件的集合，也能实现亚秒级检索。该库还支持增量更新，您可以在不从头重建的情况下保持索引最新。

前置条件

  • 必需的库：GroupDocs.Search for Java 25.4（或更新版本）。
  • 开发环境：IntelliJ IDEA、Eclipse 或您喜欢的任何 Java IDE。
  • 基础知识：熟悉 Java 语法和索引概念。

设置 GroupDocs.Search for Java

Maven 安装

如果您使用 Maven，请在 pom.xml 中加入以下内容：

<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>

直接下载

或者，从 GroupDocs.Search for Java releases 下载最新版本。

获取许可证的步骤

  • 免费试用 – 立即开始测试。
  • 临时许可证 – 获取限时密钥以获得完整功能。
  • 购买 – 获得用于生产的永久许可证。

基本初始化和设置

IndexSettings 是一个配置类，定义了索引的构建方式、搜索方式以及启用的功能。

创建 IndexSettings 实例以控制索引的行为：

import com.groupdocs.search.IndexSettings;

// Create an instance of IndexSettings
IndexSettings settings = new IndexSettings();

如何在搜索中禁用停用词（Java）？

IndexSettings 是控制搜索索引行为的配置对象。默认情况下它启用了内置的停用词过滤器。要关闭此过滤器，请在 IndexSettings 实例上调用 setUseStopWords(false) 方法。此单一调用会禁用停用词移除，确保每个标记——包括诸如 “on” 或 “the” 等常见词——都被索引并可查询。

如何将文档添加到索引

将文档添加到索引的方式是使用所需的 IndexSettings 创建 Index 对象，然后对每个文件或文件夹调用其 add 方法。库会读取每个文档，对其内容进行分词，并将生成的词项存储在倒排索引中，使其立即可搜索。您可以将索引指向特定的输出目录，并指定包含待索引文件的源文件夹。

定义输出目录

// Disable the use of stop words
tsettings.setUseStopWords(false);

指定文档目录

import com.groupdocs.search.Index;

// Define the path to the output directory for indexing
String indexFolder = "YOUR_OUTPUT_DIRECTORY\\IndexingWithStopWords";

// Create an index at the specified location with the configured settings
Index index = new Index(indexFolder, settings);

执行搜索查询

// Define the path to your document directory
String documentsFolder = "YOUR_DOCUMENT_DIRECTORY";

// Add all documents in the specified folder to the index
index.add(documentsFolder);

由于已启用 disable stop words java，包含词语 "on" 的查询将被评估，返回原本会被默认过滤器忽略的匹配项。

实际应用

  1. 企业文档搜索 – 保留默认停用词列表会剥离的关键术语。
  2. 电子商务平台 – 通过对描述、型号和规格中的每个词进行索引，提高产品可发现性。
  3. 法律研究工具 – 捕获每个法律术语，即使是常被视为停用词的，也能避免遗漏关键条款。

性能考虑

  • 优化技巧：定期更新和修剪索引以保持搜索速度。GroupDocs.Search 能处理多达 1 百万文档，仍保持亚秒级查询时间。
  • 资源使用：监控 JVM 堆大小；大型索引可能需要 4 GB 或更高的最大堆 (-Xmx)。
  • Java 内存管理：对超大语料库使用堆外存储选项，以将堆内占用保持在 2 GB 以下。

常见问题及解决方案

症状可能原因解决方案
常用词无结果setUseStopWords(true)（默认）如上所示，调用 setUseStopWords(false)。
索引期间内存不足错误一次索引过多大型文件分批索引文件；增加 -Xmx JVM 参数。
搜索返回过时数据添加新文件后索引未刷新调用 index.update() 或重新添加已更改的文档。

常见问答

Q: 什么是停用词？
A: 停用词是常见术语（例如 “the”、 “is”、 “on”），许多搜索引擎会忽略它们以加快查询。禁用它们可让您将每个标记视为可搜索的。

Q: 为什么在搜索索引中禁用停用词？
A: 当需要精确短语匹配——如在法律或技术文档中——每个词都有意义，因此需要包含停用词。

Q: GroupDocs.Search 如何处理大规模数据集？
A: 该库使用优化的数据结构和增量索引，即使在数百万文档的情况下也能保持低内存使用。

Q: 我可以将 GroupDocs.Search 集成到其他 Java 应用程序吗？
A: 可以，API 设计为易于嵌入任何基于 Java 的系统，从 Web 服务到桌面应用程序。

Q: 如果搜索结果不准确，我该怎么办？
A: 验证索引已包含所有必需的文件（add documents to index），确保在需要时已禁用停用词过滤，并考虑在重大更改后重新构建索引。

其他资源

通过本指南，您现在了解如何将文档添加到索引以及禁用停用词 java，以在 Java 应用程序中提供更准确的搜索结果。

最后更新： 2026-07-07
测试环境： GroupDocs.Search for Java 25.4
作者： GroupDocs

import com.groupdocs.search.results.SearchResult;

// Define your search query
tString query = "on";

// Perform the search operation using the index and the specified query
SearchResult result = index.search(query);

相关教程