Belge Ayıklama bilişsel becerisi

Belge Ayıklama becerisi, zenginleştirme işlem hattındaki bir dosyadan içerik ayıklar. Varsayılan olarak, içerik ayıklama veya alma, zenginleştirme işlem hattının bir parçası olarak dahili olarak bulunur. Ancak, Belge Ayıklama becerisini kullanarak parametrelerin nasıl ayarlandığını ve ayıklanan içeriğin zenginleştirme ağacında nasıl adlandırıldığından denetleyebilirsiniz.

Vektör ve çok modüllü arama için, belge ayıklamayı Metin Bölme becerisiylebirleştirerek yapılandırılabilir bir veri öbekleme yaklaşımı uygulayın. Multimodal öğreticide bu senaryo gösterilmektedir.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Desteklenen belge biçimleri

DocumentExtractionSkill aşağıdaki belge biçimlerinden metin ayıklayabilir:

• CSV (bkz. CSV bloblarının dizinini oluşturma)
• EML
• EPUB
• GZ
• HTML
• JSON (bkz. JSON bloblarını dizinleme)
• KML (coğrafi gösterimler için XML)
• Markdown
• Microsoft Office biçimleri: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (Outlook e-postaları), XML (hem 2003 hem de 2006 WORD XML)
• Belge biçimlerini açma: ODT, ODS, ODP
• PDF
• Düz metin dosyaları (ayrıca bkz. Düz metin dizini oluşturma)
• RTF
• XML
• Zip

Beceri parametreleri

Parametreler büyük/küçük harfe duyarlıdır.

Beceri girişleri

"file_data" girişi şu şekilde tanımlanan bir nesne olmalıdır:

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

Alternatif olarak, şu şekilde tanımlanabilir:

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

Dosya başvuru nesnesi üç yoldan biri oluşturulabilir:

• Dizin oluşturucu tanımınızdaki parametreyi allowSkillsetToReadFileData "true" olarak ayarlama. Bu, blob veri kaynağınızdan indirilen özgün dosya verilerini temsil eden bir nesne olan bir yol /document/file_data oluşturur. Bu parametre yalnızca Blob depolamadaki dosyalar için geçerlidir.

  allowSkillsetToReadFileData indirilen dosya verilerini becerinin kullanımına sağlar. Blob dizin oluşturucu dosya boyutunu veya ayıklanan içerik sınırlarını artırmaz.

• Dizin oluşturucu tanımınızdaki parametresini imageAction dışında nonebir değere ayarlama. Bu, tek tek geçirilirse (yani /document/normalized_images/*), bu beceriye giriş için gerekli kuralı izleyen bir görüntü dizisi oluşturur.

• Özel beceriye sahip olmak, yukarıda olduğu gibi TAM olarak tanımlanmış bir json nesnesi döndürür. $type parametresi tam olarak file ayarlanmalıdır ve data parametre, dosya içeriğinin temel 64 kodlanmış bayt dizisi verileri olmalıdır veya url parametre, dosyayı bu konumda indirmek için erişimi olan doğru biçimlendirilmiş bir URL olmalıdır.

Beceri çıkışları

Örnek tanım

 {
    "@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"
      }
    ]
  }

Örnek girdi

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

Örnek çıkış verisi

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

Ayrıca bakınız

• Yerleşik beceriler
• Beceri kümesi tanımlama
• Görüntülerden bilgi işleme ve ayıklama