문서 추출 인지 기술

문서 추출 기술은 보강 파이프라인의 파일에서 콘텐츠를 추출합니다. 기본적으로 콘텐츠 추출 또는 검색은 보강 파이프라인에 기본 제공됩니다. 그러나 문서 추출 기술을 사용하여 매개 변수를 설정하는 방법과 추출된 콘텐츠의 이름을 보강 트리에 지정하는 방법을 제어할 수 있습니다.

벡터 및 다중 모달 검색의 경우 문서 추출을 텍스트 분할 기술과 결합하여 구성 가능한 데이터 청크 접근 방식을 구현합니다. Multimodal 자습서에서는 이 시나리오를 보여 줍니다.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

지원되는 문서 형식

DocumentExtractionSkill은 다음 문서 형식에서 텍스트를 추출할 수 있습니다.

• CSV(CSV Blob 인덱싱 참조)
• EML
• EPUB
• GZ
• Html
• JSON(JSON BLOB 인덱싱 참조)
• KML(지리적 표현을 위한 XML)
• Markdown
• Microsoft Office 형식: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG(Outlook 메일), XML(2003 및 2006 WORD XML 모두)
• 오픈 문서 형식: ODT, ODS, ODP
• PDF
• 일반 텍스트 파일(일반 텍스트 인덱싱도 참조)
• RTF
• XML
• ZIP

기술 매개 변수

매개 변수는 대/소문자를 구분합니다.

기술 입력

"file_data" 입력은 다음과 같이 정의된 개체여야 합니다.

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

또는 다음과 같이 정의할 수 있습니다.

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

파일 참조 개체는 다음 세 가지 방법 중 하나를 생성할 수 있습니다.

• 인덱서 정의의 allowSkillsetToReadFileData 매개 변수를 "true"로 설정합니다. Blob 데이터 원본에서 다운로드한 원래 파일 데이터를 나타내는 개체인 경로를 /document/file_data 만듭니다. 이 매개 변수는 Blob Storage의 파일에만 적용됩니다.

  allowSkillsetToReadFileData 는 다운로드한 파일 데이터를 기술에 사용할 수 있도록 합니다. Blob 인덱서 파일 크기 또는 추출된 콘텐츠 제한은 증가하지 않습니다.

• 인덱서 정의의 imageAction 매개 변수를 .가 아닌 none값으로 설정 이렇게 하면 개별적으로 전달되는 경우(즉, /document/normalized_images/*) 이 기술에 대한 입력에 필요한 규칙을 따르는 이미지 배열이 만들어집니다.

• 사용자 지정 기술이 있으면 위와 같이 정확하게 정의된 json 개체가 반환됩니다. 매개 변수를 정확하게 $type 설정해야 하며 file 매개 변수는 data 파일 콘텐츠의 base 64로 인코딩된 바이트 배열 데이터여야 합니다. 또는 url 매개 변수는 해당 위치에서 파일을 다운로드할 수 있는 액세스 권한이 있는 올바른 형식의 URL이어야 합니다.

기술 성과

샘플 정의

 {
    "@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"
      }
    ]
  }

샘플 입력

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

샘플 출력

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

참고하십시오

• 내장된 기술
• 기술 집합을 정의하는 방법
• 이미지에서 정보를 처리하고 추출하는 방법