Kognitive Qualifikation „Dokumentextrahierung“

Die Dokumentextraktionsfähigkeit extrahiert Inhalte aus einer Datei in der Anreicherungspipeline. Standardmäßig ist die Inhaltsextraktion oder der Abruf in die Anreicherungspipeline integriert. Mithilfe der Dokumentextraktionsfähigkeit können Sie jedoch steuern, wie Parameter festgelegt werden und wie extrahierte Inhalte in der Anreicherungsstruktur benannt werden.

Kombinieren Sie für die Vektor- und multimodale Suche die Dokumentextraktion mit der Fähigkeit "Textteilung ", um einen konfigurierbaren Datenabschnittsansatz zu implementieren. Das Multimodale Lernprogramm veranschaulicht dieses Szenario.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Unterstützte Dokumentformate

DocumentExtractionSkill kann Text aus den folgenden Dokumentformaten extrahieren:

• CSV (siehe Indizierung von CSV-Blobs)
• EML
• EPUB
• GZ
• HTML
• JSON (siehe Indizierung von JSON-Blobs)
• KML (XML für geografische Darstellungen)
• Markdown
• Microsoft Office-Formate: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (Outlook-E-Mails), XML (WORD XML 2003 und 2006)
• Öffnen von Dokumentformaten: ODT, ODS, ODP
• PDF
• Textdateien (Siehe auch Indizierung von Nur-Text)
• RTF
• XML
• ZIP

Qualifikationsparameter

Bei Parametern wird zwischen Groß- und Kleinschreibung unterschieden.

Qualifikationseingaben

Die Eingabe „file_data“ muss ein Objekt sein, das wie folgt definiert wurde:

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

Alternativ kann es wie folgt definiert werden:

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

Das Dateiverweisobjekt kann auf eine von drei Arten generiert werden:

• Indem Sie den allowSkillsetToReadFileData-Parameters in Ihrer Indexerdefinition auf „true“ festlegen. Dadurch wird der Pfad /document/file_data erstellt, bei dem es sich um ein Objekt handelt, das die aus der Blobdatenquelle heruntergeladenen ursprünglichen Dateidaten darstellt. Dieser Parameter gilt nur für Dateien im Blobspeicher.

  allowSkillsetToReadFileData stellt die heruntergeladenen Dateidaten für die Fähigkeit zur Verfügung. Die Blobindexer-Dateigröße oder extrahierte Inhaltsbeschränkungen werden nicht erhöht.

• Indem Sie den imageAction-Parameters in Ihrer Indexerdefinition auf einen anderen Wert als none festlegen. Dadurch wird ein Array von Bildern erstellt, das die erforderliche Konvention für die Eingaben für diese Qualifikation erfüllt, wenn sie einzeln übermittelt werden (d. h. /document/normalized_images/*).

• Indem Sie eine benutzerdefinierte Qualifikation ein JSON-Objekt zurückgeben lassen, das EXAKT wie oben definiert ist. Der $type Parameter muss genau auf file festgelegt werden und der data Parameter muss die Base64-codierten Bytearraydaten des Dateiinhalts sein – oder der url Parameter muss eine ordnungsgemäß formatierte URL mit Zugriff sein, um die Datei an diesem Speicherort herunterzuladen.

Skill-Ergebnisse

Beispieldefinition

 {
    "@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"
      }
    ]
  }

Beispieleingabe

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

Beispielausgabe

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

Siehe auch

• Integrierte Skills
• Definieren eines Skillsets
• Verarbeiten und Extrahieren von Informationen aus Bildern