Keterampilan kognitif Ekstraksi Dokumen

Keterampilan Ekstraksi Dokumen mengekstrak konten dari file dalam alur pengayaan. Secara default, ekstraksi atau pengambilan konten dibangun ke dalam alur pengayaan. Namun, dengan menggunakan keterampilan Ekstraksi Dokumen, Anda dapat mengontrol bagaimana parameter diatur, dan bagaimana konten yang diekstrak dinamai di pohon pengayaan.

Untuk pencarian vektor dan multimodal, gabungkan Ekstraksi Dokumen dengan keterampilan Pemisahan Teks untuk menerapkan pendekatan penggugusan data yang dapat dikonfigurasi. Tutorial Multimodal menunjukkan skenario ini.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Format dokumen yang didukung

DocumentExtractionSkill dapat mengekstrak teks dari format dokumen berikut:

• CSV (lihat Mengindeks blob CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (lihat Mengindeks blob JSON)
• KML (XML untuk representasi geografis)
• Markdown
• Format Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (email Outlook), XML (XML WORD 2003 dan 2006)
• Format Dokumen Terbuka: ODT, ODS, ODP
• PDF
• File teks biasa (lihat juga Mengindeks teks biasa)
• RTF
• XML
• ZIP

Parameter keterampilan

Parameter peka huruf besar/kecil.

Masukan keterampilan

Input "file_data" harus berupa objek yang didefinisikan sebagai:

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

Atau, dapat didefinisikan sebagai:

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

Objek referensi file dapat dihasilkan salah satu dari tiga cara:

• allowSkillsetToReadFileData Mengatur parameter pada definisi pengindeks Anda ke "true". Ini membuat jalur /document/file_data yang merupakan objek yang mewakili data file asli yang diunduh dari sumber data blob Anda. Parameter ini hanya berlaku untuk file di penyimpanan Blob.

  allowSkillsetToReadFileData membuat data file yang diunduh tersedia untuk keterampilan. Ini tidak meningkatkan ukuran file pengindeks blob atau batas konten yang diekstrak.

• imageAction Mengatur parameter pada definisi pengindeks Anda ke nilai selain none. Ini membuat array gambar yang mengikuti konvensi yang diperlukan untuk input ke keterampilan ini jika diteruskan satu per satu (yaitu, /document/normalized_images/*).

• Memiliki keterampilan kustom mengembalikan objek json yang didefinisikan PERSIS seperti di atas. Parameter $type harus diatur ke persis file dan data parameter harus berupa data array byte dasar 64 yang dikodekan dari konten file, atau url parameter harus berupa URL yang diformat dengan benar dengan akses untuk mengunduh file di lokasi tersebut.

Keluaran Keterampilan

Contoh definisi

 {
    "@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"
      }
    ]
  }

Input contoh

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

Contoh keluaran

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

Baca juga

• Keterampilan bawaan
• Cara menentukan set keterampilan
• Cara memproses dan mengekstrak informasi dari gambar