Habilidade cognitiva de extração de documentos

A competência Extração de Documentos extrai conteúdo de um ficheiro no pipeline de enriquecimento. Por padrão, a extração ou recuperação de conteúdo está integrada no pipeline de enriquecimento. No entanto, usando a habilidade Extração de Documentos, você pode controlar como os parâmetros são definidos e como o conteúdo extraído é nomeado na árvore de enriquecimento.

Para pesquisa vetorial e multimodal, combine Extração de Documentos com a competência División de Texto para implementar uma abordagem configurável de fragmentação de dados. O tutorial Multimodal demonstra este cenário.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Formatos de documento suportados

O DocumentExtractionSkill pode extrair texto dos seguintes formatos de documento:

• CSV (consulte Indexação de blobs CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (consulte Indexação de blobs JSON)
• KML (XML para representações geográficas)
• Markdown
• Formatos do Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (e-mails do Outlook), XML (XML WORD de 2003 e 2006)
• Formatos de documentos abertos: ODT, ODS, ODP
• PDF
• Arquivos de texto sem formatação (consulte também Indexação de texto sem formatação)
• RTF
• XML
• ZIP

Parâmetros de habilidade

Os parâmetros diferenciam maiúsculas de minúsculas.

Entradas de habilidades

A entrada "file_data" deve ser um objeto definido como:

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

Em alternativa, 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"
}

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

• Definir o parâmetro na definição do allowSkillsetToReadFileData indexador como "true". Isso cria um caminho /document/file_data que é um objeto que representa os dados do arquivo original baixados da fonte de dados do blob. Este parâmetro só se aplica a arquivos no armazenamento de Blob.

  allowSkillsetToReadFileData torna os dados do ficheiro descarregados disponíveis para a competência. Não aumenta o tamanho do ficheiro blob indexer nem os limites de conteúdo extraído.

• Definir o parâmetro na definição do imageAction indexador para um valor diferente de none. Isso cria uma matriz de imagens que segue a convenção necessária para entrada nessa habilidade se passada individualmente (ou seja, /document/normalized_images/*).

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

Resultados em termos de competências

Definição da amostra

 {
    "@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 da amostra

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

Consulte também

• Competências incorporadas
• Como definir um conjunto de competências
• Como processar e extrair informações de imagens