使用 GroupDocs.Search 创建自定义搜索索引(Java)

在现代文档密集的应用程序中,创建一个能够尊重文本细微差别(如连字符、下划线或特定语言符号)的 custom search index java 对于快速、准确的检索至关重要。本教程将指导您在 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,您将能够定制一个满足 OCR 或图像搜索场景精确需求的索引,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? 它表示将索引配置为将特定符号视为字母或混合字符,而不是忽略它们。
  • 使用哪个库? GroupDocs.Search for Java (v25.4 at the time of writing).
  • 我需要许可证吗? 免费试用可用于开发;生产环境需要付费许可证。
  • 我可以同时索引 PDF 和图像吗? 是的——在正确配置后,GroupDocs.Search 支持对图像和 PDF 进行 OCR。
  • 是否需要 Maven? Maven 是管理依赖的推荐方式,但您也可以使用 Gradle 或手动 JAR。

什么是自定义搜索索引 java?

custom search index java 是一种可搜索的数据结构,您可以通过定义哪些字符被视为字母、数字或混合符号来进行定制。默认情况下,许多符号会被忽略,这可能导致对标识符(如案件编号 (2023-AB-456) 或代码片段 (my_variable))的匹配遗漏。调整字母表字典让您完全控制分词,从而提升相关性并加快查询执行。

为什么为法律案件编号配置普通字符和混合字符?

将连字符和斜杠视为混合字符可将相关标记保持在一起,防止对案件编号、产品代码或文件路径等标识符进行不必要的拆分。此配置通过减少标记碎片化 优化搜索索引性能,并提升 OCR 生成内容的相关性,尤其是在处理高度依赖结构化标识符的法律文档时。

先决条件

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

所需库和依赖

将仓库和依赖项条目添加到您的 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。

许可证获取

  • 免费试用 – 适合早期实验。
  • 临时许可证 – 对于较长的开发周期很有用。
  • 生产许可证 – 商业部署所必需。

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。Index 类是存储和管理可搜索数据的核心组件。保持原样;我们稍后会在此基础上构建。

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

来自 先决条件 部分的 Maven 配置已足够。添加后,运行 mvn clean install 以获取二进制文件。

环境设置要求

  • 确保磁盘上存在 index folder 和 document folder。
  • 使用绝对路径或配置您的 IDE 正确解析相对路径。

实现指南

下面我们将逐步演示两个不同的功能:regular characters 和 blended characters。每个功能遵循相同的模式——定义路径、创建索引、设置字符字典,最后索引文档。

功能 1 – regular characters

概述

regular characters 被视为独立的标记。当您希望数字、字母和下划线能够精确按原样搜索时,这非常理想。

逐步实现

1️⃣ 设置路径
定义索引存储位置以及源文档所在位置。

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

2️⃣ 创建并配置索引
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 定义普通字符
构建包含数字、拉丁字母和下划线的字符数组。

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 索引文档
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 – blended characters

概述

blended characters(如连字符)通常连接两个单词。将它们标记为 blended 告诉引擎在索引时保持周围的标记在一起。

逐步实现

1️⃣ 设置路径

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

2️⃣ 创建并配置索引

Index index = new Index(indexFolder);

3️⃣ 定义混合字符
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 索引文档

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拆分标识符,帮助您高效 搜索法律案件编号。

用例 2 – 源代码仓库

开发者需要搜索代码片段,其中下划线 (my_variable) 和连字符 (my-function) 具有重要意义。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

在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

如果您正在索引扫描的 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 性能,以适应基于图像的内容。

性能考虑

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

结论

您现在了解了如何使用 GroupDocs.Search for Java 创建自定义搜索索引 java,并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,适用于法律、开发或多语言环境。

下一步

  • 尝试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。
  • 通过 REST API 暴露索引,使前端应用能够通过 HTTP 执行搜索。

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,因此在索引时会单独分词。

Q: 我可以在同一个索引中混合普通字符和混合字符吗?
A: 可以——只需对每种类型调用 setRange;字典会同时处理这两种配置。

Q: 更改字母表后需要重新构建索引吗?
A: 必须。字符字典的更改会影响分词,因此必须重新索引文档以应用新规则。

Q: 我可以定义的自定义字符数量有限制吗?
A: 该库支持完整的 Unicode 范围;如果添加极大量的字符集可能会影响性能,因此请限制为实际需要的字符。

Q: 这对 OCR 准确性有何影响?
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: 2026-11-02
测试环境: GroupDocs.Search 25.4 for Java
作者: GroupDocs

相关教程