Competenza cognitiva Estrazione documenti

La funzionalità Estrazione documenti estrae contenuti da un file nella pipeline di arricchimento. Per impostazione predefinita, l'estrazione o il recupero del contenuto è integrato nella pipeline di arricchimento. Tuttavia, usando la competenza Estrazione documenti, è possibile controllare la modalità di impostazione dei parametri e il nome del contenuto estratto nell'albero di arricchimento.

Per laricerca vettoriale e aggregazione, combinare Estrazione documenti con la competenza Suddivisione testo per implementare un approccio di suddivisione in blocchi di dati configurabile. L'esercitazione sull'uso di Container illustra questo scenario.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Formati di documento supportati

DocumentExtractionSkill può estrarre il testo dai formati di documento seguenti:

• CSV (vedere Indicizzazione di BLOB CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (vedere Indicizzazione di BLOB JSON)
• KML (XML per le rappresentazioni geografiche)
• Markdown
• Formati di Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPTM, MSG (messaggi di posta elettronica di Outlook), XML (sia 2003 che 2006 WORD XML)
• Formati di documento aperti: ODT, ODS, ODP
• PDF
• File di testo normale (vedere anche Indicizzazione di testo normale)
• RTF
• XML
• ZIP

Parametri della competenza

I parametri fanno distinzione tra maiuscole e minuscole.

Input delle competenze

L'input "file_data" deve essere un oggetto definito come:

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

In alternativa, può essere definito come:

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

L'oggetto riferimento file può essere generato in uno dei tre modi seguenti:

• Impostazione del parametro allowSkillsetToReadFileData nella definizione dell'indicizzatore su "true". Verrà creato un percorso /document/file_data che rappresenta i dati del file originale scaricati dall'origine dati BLOB. Questo parametro si applica solo ai file nell'archivio BLOB.

  allowSkillsetToReadFileData rende i dati dei file scaricati disponibili per la competenza. Non aumenta le dimensioni del file dell'indicizzatore BLOB o i limiti del contenuto estratto.

• Impostazione del parametro nella definizione dell'indicizzatore imageAction su un valore diverso da none. In questo modo viene creata una matrice di immagini che segue la convenzione necessaria per l'input per questa competenza, se passata singolarmente, ovvero /document/normalized_images/*.

• La presenza di una competenza personalizzata restituisce un oggetto JSON definito ESATTAMENTE come sopra. Il parametro $type deve essere impostato esattamente su file e il parametro data deve essere costituito dai dati della matrice di byte con codifica base 64 del contenuto del file oppure il parametro url deve essere un URL formattato correttamente con l'accesso per scaricare il file in tale percorso.

Output delle competenze

Definizione di esempio

 {
    "@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"
      }
    ]
  }

Input di esempio

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

Output di esempio

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

Vedere anche

• Competenze predefinite
• Come definire un set di competenze
• Come elaborare ed estrarre informazioni dalle immagini