使用 GroupDocs.Search for Java 创建带字符识别的索引

在现代文档密集的应用中，如何创建索引以尊重文本细微差别——例如连字符、下划线或特定语言符号——对于快速、准确的检索至关重要。在本教程中，我们将演示如何在 GroupDocs.Search for Java 中配置字符识别，涵盖普通字符（字母、数字、下划线）和混合字符（例如连字符）。完成后，您将能够定制索引，以满足 OCR 或图像搜索场景的精确需求，无论是索引法律案件编号、源代码仓库还是多语言 PDF。

快速回答

“创建自定义搜索索引”是什么意思？ 这意味着配置索引，使特定符号被视为字母或混合字符，而不是被忽略。
使用的是哪个库？ GroupDocs.Search for Java（撰写时为 v25.4）。
我需要许可证吗？ 开发阶段可使用免费试用版；生产环境需要付费许可证。
我可以同时索引 PDF 和图像吗？ 可以——在正确配置后，GroupDocs.Search 支持对图像和 PDF 进行 OCR。
是否必须使用 Maven？ 推荐使用 Maven 管理依赖，但也可以使用 Gradle 或手动 JAR。

什么是自定义搜索索引？

自定义搜索索引允许您定义搜索引擎如何解释字符。默认情况下，许多符号会被忽略，这可能导致诸如案件编号 (2023-AB-456) 或代码片段 (my_variable) 等匹配失败。调整字母表字典即可完全控制引擎将哪些字符视为可搜索文本。

为什么为法律案件编号配置普通字符和混合字符？

普通字符（字母、数字、下划线）会被单独标记为词元，能够实现标识符的精确匹配搜索。
混合字符（连字符、斜杠）会将相关词元保持在一起，防止案件编号、产品代码或文件路径被不必要地拆分。
此配置 优化搜索索引 性能，减少词元碎片化，并提升 OCR 生成内容的相关性。

前置条件

JDK 8 或更高版本已安装。
Maven 用于依赖管理。
已获取 GroupDocs.Search for Java 库（通过 Maven 或官方网站下载）。

必需的库和依赖项

将仓库和依赖项添加到您的 pom.xml（如下所示）。XML 块必须保持不变。

<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>

您也可以从 GroupDocs.Search for Java releases 下载最新的 JAR 包。

许可证获取

免费试用 – 适合早期实验。
临时许可证 – 适用于较长的开发周期。
正式许可证 – 商业部署必需。

从官方门户获取许可证： GroupDocs。

基本初始化

下面的代码片段展示了创建空索引所需的最小代码。保持原样；后续我们将在此基础上构建。

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!");
    }
}

设置 GroupDocs.Search for Java

通过 Maven 安装

Prerequisites 部分的 Maven 配置即为全部所需。添加后运行 mvn clean install 拉取二进制文件。

环境设置要求

确保 index folder 和 document folder 已在磁盘上存在。
使用绝对路径或在 IDE 中正确配置相对路径解析。

实现指南

下面我们将分别演示两大功能：普通字符 和 混合字符。每个功能遵循相同的步骤——定义路径、创建索引、设置字符字典，最后索引文档。

功能 1 – 普通字符

概述

普通字符被视为独立的词元。当您希望数字、字母和下划线能够精确按原样搜索时，这种方式最为理想。

步骤实现

1️⃣ Set Up Paths
定义索引存放位置以及源文档所在目录。

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

2️⃣ Create and Configure Index
实例化索引并清除任何预先存在的字母表配置。

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

3️⃣ Define Regular Characters
构建一个字符数组，包含数字、拉丁字母以及下划线。

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
将源文件夹中的所有文件添加到新配置的索引中。

index.add(documentFolder);

功能 2 – 混合字符

概述

混合字符（如连字符）通常连接两个词。将其标记为混合可让引擎在索引时保持周围词元的整体性。

步骤实现

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
这里我们告诉字典将连字符视为混合字符。

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

4️⃣ Index Documents

index.add(documentFolder);

实际应用

用例 1 – 法律文档管理

法律文件常包含类似 2023-AB-456 的案件编号。通过配置下划线和连字符，搜索能够返回完整匹配而不会拆分标识符，从而高效 搜索法律案件编号。

用例 2 – 源代码仓库

开发者需要搜索包含下划线 (my_variable) 和连字符 (my-function) 的代码片段。自定义字符识别确保搜索引擎尊重这些符号。

用例 3 – 多语言数据集

处理使用额外字母表的语言时，您可以 扩展 Unicode 字符集 以包含这些范围，确保跨语言搜索结果的准确性。

用例 4 – 索引 PDF 图像

如果索引的是扫描的 PDF 或图像文件，OCR 输出通常包含混合字符。正确配置普通字符和混合字符 优化搜索索引 在基于图像内容的场景下的性能。

性能考虑

资源管理 – 关注堆内存使用；大型索引受益于增量提交。
垃圾回收 – 完成后释放 Index 对象，以便 JVM 回收内存。
索引优化 – 定期调用 index.optimize()（若可用）以压缩索引并提升查询速度。

结论

您现在已经了解 如何创建索引，并能够在 GroupDocs.Search for Java 中区分普通字符和混合字符。这种细粒度的控制使您能够构建面向 OCR、具备高性能的搜索解决方案，满足法律、开发或多语言环境的特定需求。

下一步

试验为非拉丁字母表添加额外的 Unicode 范围。
将字符配置与 GroupDocs.Search 的其他功能（如词干提取或同义词）结合使用。
将索引集成到 REST API 中，向前端应用提供搜索能力。

常见问题

Q: CharacterType.Letter 的作用是什么？
A: 它告诉索引将提供的字符视为普通字母，从而在索引时将其单独标记为词元。

Q: 我可以在同一个索引中同时混合普通字符和混合字符吗？
A: 可以——只需分别调用 setRange 为每种类型设置，字典会同时处理这两种配置。

Q: 更改字母表后是否需要重新构建索引？
A: 必须。字符字典的更改会影响词元化，因此必须重新索引文档以应用新规则。

Q: 自定义字符的数量有限制吗？
A: 库支持完整的 Unicode 范围；如果添加极大量的字符可能会影响性能，建议仅定义实际需要的字符。

Q: 这会如何影响 OCR 准确性？
A: 通过使索引的字符集与 OCR 引擎的输出保持一致，可减少漏检并提升整体搜索相关性。

最后更新： 2026-03-17
已测试版本： GroupDocs.Search 25.4 for Java
作者： GroupDocs