Compétence cognitive Extraction de document

La compétence Extraction de document extrait le contenu d’un fichier dans le pipeline d’enrichissement. Par défaut, l’extraction ou la récupération de contenu est intégrée au pipeline d’enrichissement. Toutefois, à l’aide de la compétence d’extraction de documents, vous pouvez contrôler la façon dont les paramètres sont définis et comment le contenu extrait est nommé dans l’arborescence d’enrichissement.

Pour la recherche vectorielle et modale, combinez l’extraction de documents avec la compétence Fractionnement de texte pour implémenter une approche configurable de segmentation des données. Le didacticiel Modal illustre ce scénario.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Formats de document pris en charge

DocumentExtractionSkill peut extraire du texte à partir des formats de document suivants :

• CSV (consultez Indexation d’objets blob CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (consultez Indexation d’objets blob JSON)
• KML (XML pour les représentations géographiques)
• Markdown
• Formats Microsoft Office : DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (e-mails Outlook), XML (XML WORD 2003 et 2006)
• Formats de document ouverts : ODT, ODS, ODP
• PDF
• Fichiers de texte brut (voir aussi l’indexation de texte brut)
• Format de texte enrichi (RTF)
• XML
• ZIP

Paramètres de compétence

Les paramètres sont sensibles à la casse.

Données de compétences

L’entrée « file_data » doit être un objet défini comme suit :

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

Elle peut également être définie comme suit :

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

L’objet de référence de fichier peut être généré de 3 manières :

• En définissant le paramètre allowSkillsetToReadFileData de votre définition d’indexeur sur la valeur « true ». Cela crée un chemin d’accès /document/file_data qui est un objet représentant les données du fichier d’origine téléchargées à partir de votre source de données d’objet blob. Ce paramètre s’applique uniquement aux fichiers dans le stockage Blob.

  allowSkillsetToReadFileData rend les données de fichier téléchargées disponibles pour la compétence. Il n’augmente pas la taille de fichier de l’indexeur d’objets blob ni les limites de contenu extraites.

• En définissant le paramètre imageAction de votre définition d’indexeur sur autre valeur que none. Ceci crée un tableau d’images qui suivent la convention nécessaire pour les entrées de cette compétence, si elles sont passées individuellement (c’est-à-dire /document/normalized_images/*).

• Avoir une compétence personnalisée renvoie un objet JSON défini exactement comme indiqué ci-dessus. Le paramètre $type doit être défini exactement sur file et le paramètre data doit correspondre aux données de tableau d’octets encodé en base 64 du fichier de contenu, ou le paramètre url doit être une URL au format correct avec un accès pour télécharger le fichier à cet emplacement.

Résultats des compétences

Exemple de définition

 {
    "@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"
      }
    ]
  }

Exemple d’entrée

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

Exemple de résultat

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

Voir aussi

• Compétences intégrées
• Guide pratique pour définir un ensemble de compétences
• Guide pratique pour traiter et extraire des informations à partir d’images