Kognitivní dovednost extrakce dokumentů

Dovednost extrakce dokumentů extrahuje obsah ze souboru v kanálu rozšiřování. Ve výchozím nastavení je extrakce nebo načítání obsahu integrovaná do kanálu rozšiřování. Pomocí dovednosti extrakce dokumentů ale můžete řídit, jak jsou parametry nastaveny a jak se extrahovaný obsah jmenuje ve stromu rozšiřování.

Pro vektorové a multimodální vyhledávání zkombinujte extrakci dokumentů s dovedností Rozdělení textu a implementujte konfigurovatelný přístup k blokům dat. Tento scénář ukazuje multimodální kurz .

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Podporované formáty dokumentů

DocumentExtractionSkill může extrahovat text z následujících formátů dokumentu:

• CSV (viz indexování objektů blob CSV)
• EML
• EPUB
• GZ
• jazyk HTML
• JSON (viz indexování objektů blob JSON)
• KML (XML pro geografické reprezentace)
• Markdown
• formáty systém systém Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPTM, MSG (e-maily Outlooku), XML (2003 i 2006 WORD XML)
• Formáty otevřených dokumentů: ODT, ODS, ODP
• soubor PDF
• Soubory ve formátu prostého textu (viz také indexování prostého textu)
• RTF
• jazyk XML
• ZIP

Parametry dovedností

Parametry rozlišují malá a velká písmena.

Vstupy dovedností

Vstup "file_data" musí být objekt definovaný takto:

{
  "$type": "file",
  "data": "BASE64 encoded string of the file"
}

Alternativně se dá definovat takto:

{
  "$type": "file",
  "url": "URL to download file",
  "sasToken": "OPTIONAL: SAS token for authentication if the URL provided is for a file in blob storage"
}

Objekt odkazu na soubor lze vygenerovat jedním ze tří způsobů:

• Nastavení parametru v definici indexeru allowSkillsetToReadFileData na hodnotu true Tím se vytvoří cesta /document/file_data , která představuje původní data souboru stažená z vašeho zdroje dat objektů blob. Tento parametr platí jenom pro soubory v úložišti objektů blob.

  allowSkillsetToReadFileData zpřístupní stažená data souboru dovednosti. Nezvětší velikost souboru indexeru objektů blob ani extrahované limity obsahu.

• Nastavení parametru v definici indexeru imageAction na jinou hodnotu než none. Tím se vytvoří pole obrázků, které se řídí požadovanou konvencí pro vstup do této dovednosti, pokud jsou předány jednotlivě (to znamená /document/normalized_images/*).

• Vlastní dovednost vrátí objekt JSON definovaný PŘESNĚ jako výše. Parametr $type musí být nastaven přesně file a data parametr musí být základní 64 kódovaná bajtová data obsahu souboru nebo url parametr musí být správně naformátovaná adresa URL s přístupem ke stažení souboru v daném umístění.

Výstupy schopností

Ukázková definice

 {
    "@odata.type": "#Microsoft.Skills.Util.DocumentExtractionSkill",
    "parsingMode": "default",
    "dataToExtract": "contentAndMetadata",
    "configuration": {
        "imageAction": "generateNormalizedImages",
        "normalizedImageMaxWidth": 2000,
        "normalizedImageMaxHeight": 2000
    },
    "context": "/document",
    "inputs": [
      {
        "name": "file_data",
        "source": "/document/file_data"
      }
    ],
    "outputs": [
      {
        "name": "content",
        "targetName": "extracted_content"
      },
      {
        "name": "normalized_images",
        "targetName": "extracted_normalized_images"
      }
    ]
  }

Ukázkový vstup

{
  "values": [
    {
      "recordId": "1",
      "data":
      {
        "file_data": {
          "$type": "file",
          "data": "aGVsbG8="
        }
      }
    }
  ]
}

Ukázkový výstup

{
  "values": [
    {
      "recordId": "1",
      "data": {
        "content": "hello",
        "normalized_images": []
      }
    }
  ]
}

Viz také

• Předdefinované dovednosti
• Definování sady dovedností
• Postup zpracování a extrakce informací z obrázků