Kognitiv skicklighet för dokumentextrahering

Note

Azure AI-sökning är tillgängligt via Azure-portalen, REST-API:er och Azure-SDK:er. Den ligger också till grund för Foundry IQ, det hanterade kunskapsskiktet som omvandlar företagsinnehåll till återanvändbara, behörighetsmedvetna kunskapsbaser för agenter i Microsoft Foundry-portalen.

Funktionen för dokumentextrahering extraherar innehåll från en fil i berikningspipeline. Som standard är extrahering eller hämtning av innehåll inbyggt i berikningspipelinen. Men med hjälp av kunskapen för dokumentextrahering kan du styra hur parametrar anges och hur extraherat innehåll namnges i berikningsträdet.

För vektor - och multimodal sökning kombinerar du Dokumentextrahering med färdigheten Textdelning för att implementera en konfigurerbar metod för datasegmentering. Den multimodala självstudien visar det här scenariot.

Note

Den här färdigheten är inte bunden till Foundry Tools och har inga nyckelkrav för Foundry Tools.

Den här färdigheten extraherar text och bilder. Extrahering av text är kostnadsfri. Bildextrahering kan faktureras av Azure AI-sökning. I en kostnadsfri söktjänst absorberas kostnaden för 20 transaktioner per indexerare per dag så att du kan slutföra snabbstarter, självstudier och små projekt utan kostnad. För grundläggande och högre nivåer kan bildextrahering faktureras.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Dokumentformat som stöds

DocumentExtractionSkill kan extrahera text från följande dokumentformat:

Kompetensparametrar

Parametrar är skiftlägeskänsliga.

Ingångar Tillåtna värden Description
parsingMode default
text
json		 Ange till default för extrahering av dokument från filer som inte är ren text eller JSON. För källfiler som innehåller markering, till exempel PDF, HTML, RTF och Microsoft Office filer, använder du standardvärdet för att extrahera text utan markeringsspråk eller taggar. Om parsingMode inte uttryckligen definieras är defaultvärdet .

Ange till text om källfilerna är TXT. Det här parsningsläget förbättrar prestandan för oformaterade textfiler. Om filer innehåller markering bevarar det här läget taggarna i de slutliga utdata.

Ange till för att json extrahera strukturerat innehåll från JSON-filer.
dataToExtract contentAndMetadata
allMetadata		 Ange till för att contentAndMetadata extrahera alla metadata och textinnehåll från varje fil. Om dataToExtract inte uttryckligen definieras är contentAndMetadatavärdet .

Ange till för att allMetadata endast extrahera metadataegenskaperna för innehållstypen, till exempel metadata som är unika för PNG-filer.
configuration Se nedan. En ordlista med valfria parametrar som justerar hur dokumentextraheringen utförs. Se tabellen nedan för beskrivningar av konfigurationsegenskaper som stöds.
Konfigurationsparameter Tillåtna värden Description
imageAction none
generateNormalizedImages
generateNormalizedImagePerPage		 Ange till för att none ignorera inbäddade bilder eller bildfiler i datauppsättningen, eller om källdata inte innehåller bildfiler. Det här värdet är standardvärdet.

För OCR och bildanalys anger du till att generateNormalizedImages kunskapen ska skapa en matris med normaliserade bilder som en del av dokumentsprickor. Den här åtgärden kräver parsingMode inställt på default och dataToExtract inställt på contentAndMetadata. En normaliserad bild har enhetliga utdata som är storleksanpassade och roterade för att främja konsekvent återgivning i visuella sökresultat. Kunskapen genererar den här informationen för varje bild.

Om du anger imageAction till generateNormalizedImagePerPageåterges varje PDF-sida som en bild och normaliseras i stället för att extrahera inbäddade bilder. Filtyper som inte är PDF-filer behandlas på samma sätt som om generateNormalizedImages de angavs.
normalizedImageMaxWidth Alla heltal mellan 50-10000 Den maximala bredden (i bildpunkter) för normaliserade bilder som genereras. Standardvärdet är 2 000.
normalizedImageMaxHeight Alla heltal mellan 50-10000 Den maximala höjden (i bildpunkter) för normaliserade bilder som genereras. Standardvärdet är 2 000.

Note

Standardvärdet på 2 000 bildpunkter för normaliserade bilders maximala bredd och höjd baseras på de maximala storlekar som stöds av OCR-skickligheten och bildanalysens skicklighet. OCR-färdigheten stöder en maximal bredd och höjd på 4200 för icke-engelska språk och 10000 för engelska. Om du ökar de maximala gränserna kan bearbetningen misslyckas på större bilder beroende på din kompetensuppsättningsdefinition och dokumentens språk.

Kunskapsindata

Indatanamn Description
file_data Filen som innehållet ska extraheras från.

Indata för "file_data" måste vara ett objekt som definieras som:

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

Alternativt kan den definieras som:

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

Filreferensobjektet kan genereras på något av tre sätt:

  • Ange parametern för allowSkillsetToReadFileData indexerarens definition till "true". Detta skapar en sökväg /document/file_data som är ett objekt som representerar de ursprungliga fildata som laddats ned från din blobdatakälla. Den här parametern gäller endast för filer i Blob Storage.

    allowSkillsetToReadFileData gör de nedladdade fildata tillgängliga för kunskapen. Det ökar inte blobindexerarens filstorlek eller begränsningar för extraherat innehåll.

  • Ange parametern för imageAction indexerarens definition till ett annat värde än none. Detta skapar en matris med bilder som följer den nödvändiga konventionen för indata till den här färdigheten om den skickas individuellt (det vill: /document/normalized_images/*).

  • Om du har en anpassad färdighet returneras ett json-objekt som definierats EXAKT som ovan. Parametern $type måste anges till exakt file och parametern data måste vara grundläggande 64-kodade bytematrisdata för filinnehållet, eller så måste parametern url vara en korrekt formaterad URL med åtkomst för att ladda ned filen på den platsen.

Färdighetsresultat

Utdatanamn Description
content Dokumentets textinnehåll.
normalized_images När imageAction är inställt på ett annat värde än noneinnehåller det nya fältet normalized_images en matris med bilder. Mer information om utdataformatet finns i Extrahera text och information från bilder.

Exempeldefinition

 {
    "@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"
      }
    ]
  }

Exempelindata

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

Exempel på utdata

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

Se även

  • Uppdaterades senast