Habilidade cognitiva de Extração de Documento

A habilidade Extração de Documento extrai conteúdo de um arquivo no pipeline de enriquecimento. Por padrão, a extração ou recuperação de conteúdo é incorporada ao pipeline de enriquecimento. Contudo, a habilidade de Extração de Documento permite controlar como os parâmetros são definidos e como o conteúdo extraído é nomeado na árvore de enriquecimento.

Para pesquisa vetor e multimodal, combine a Extração de Documentos com a habilidade de Divisão de Texto para implementar uma abordagem de agrupamento de dados configurável. O tutorial multimodal demonstra esse cenário.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Formatos de documento com suporte

O DocumentExtractionSkill pode extrair texto dos seguintes formatos de documento:

• CSV (consulte Indexando BLOBs CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (consulte Indexando BLOBs JSON)
• KML (XML para representações geográficas)
• Markdown
• Formatos do Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (emails do Outlook) e XML (WORD XML 2003 e 2006)
• Abrir formatos de documento: ODT, ODS, ODP
• PDF
• Arquivos de texto sem formatação (consulte também Como indexar texto sem formatação)
• RTF
• XML
• ZIP

Parâmetros de habilidade

Os parâmetros diferenciam maiúsculas de minúsculas.

Entradas de competências

A entrada "file_data" precisa ser um objeto definido da seguinte forma:

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

Alternativamente, ele pode ser definido como:

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

Esse objeto de referência de arquivo pode ser gerado de três maneiras:

• Especificar o parâmetro allowSkillsetToReadFileData na definição do indexador como true. Isso cria um caminho /document/file_data que é um objeto que representa os dados de arquivo originais baixados da sua fonte de dados do blob. Esse parâmetro se aplica somente aos arquivos no Armazenamento de blobs.

  allowSkillsetToReadFileData disponibiliza os dados de arquivo baixados para a habilidade. Ele não aumenta o tamanho do arquivo do indexador de blob ou os limites de conteúdo extraído.

• Definindo o parâmetro imageAction na definição do indexador com um valor diferente de none. Isso cria uma matriz de imagens que segue a convenção necessária para o recebimento de informações para essa habilidade se for aprovada individualmente (ou seja, /document/normalized_images/*).

• Ter uma habilidade personalizada retorna um objeto json definido EXATAMENTE como acima. O parâmetro $type deve ser definido como exatamente file e o parâmetro data deve ser a base 64 dos dados da matriz de bytes codificados do conteúdo do arquivo ou o parâmetro url deve ser uma URL formatada corretamente com acesso para baixar o arquivo nesse local.

Resultados de competências

Definição de exemplo

 {
    "@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"
      }
    ]
  }

Entrada de exemplo

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

Saída de exemplo

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

Consulte também

• Habilidades integradas
• Como definir um conjunto de qualificações
• Como processar e extrair as informações de imagens