Azure AI 搜索中使用的内容元数据属性
一些支持索引器的数据源(包括 Azure Blob 存储和 SharePoint)包含独立的文件或各种内容类型的嵌入对象。 其中许多内容类型都具有可用于索引的元数据属性。 正如可以为标准 blob 属性(如 metadata_storage_name
)创建搜索字段一样,也可以在搜索索引中为特定于文档格式的元数据属性创建字段。
支持的文档格式
Azure AI 搜索支持以下文档格式的 blob 索引和 SharePoint 文档索引:
- CSV(请参阅为 CSV Blob 编制索引)
- EML
- EPUB
- GZ
- HTML
- JSON(请参阅为 JSON blob 编制索引)
- KML(用于地理表示形式的 XML)
- Microsoft Office 格式:DOCX/DOC/DOCM、XLSX/XLS/XLSM、PPTX/PPT/PPTM、MSG(Outlook 电子邮件)、XML(2003 和 2006 Word XML)
- 公开文档格式:ODT、ODS、ODP
- 纯文本文件(另请参阅为纯文本编制索引)
- RTF
- XML
- ZIP
文档格式属性
下表汇总了每种文档格式的处理,还说明了 Blob 索引器和 SharePoint Online 索引器提取的元数据属性。
文档格式/内容类型 | 提取的元数据 | 处理详细信息 |
---|---|---|
CSV (text/csv) | metadata_content_type metadata_content_encoding |
提取文本 注意:如果需要从 CSV Blob 提取多个文档字段,请参阅为 CSV Blob 编制索引 |
DOC (application/msword) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
提取文本,包括嵌入的文档 |
DOCM(应用程序/vnd.ms-word.document.macroenabled.12) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
提取文本,包括嵌入的文档 |
DOCX (application/vnd.openxmlformats-officedocument.wordprocessingml.document) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
提取文本,包括嵌入的文档 |
EML (message/rfc822) | metadata_content_type metadata_message_from metadata_message_to metadata_message_cc metadata_creation_date metadata_subject |
提取文本,包括附件 |
EPUB(应用程序/epub+zip) | metadata_content_type metadata_author metadata_creation_date metadata_title metadata_description metadata_language metadata_keywords metadata_identifier metadata_publisher |
从存档中的所有文档提取文本 |
GZ(应用程序/gzip) | metadata_content_type |
从存档中的所有文档提取文本 |
HTML(text/html 或 application/xhtml+xml) | metadata_content_encoding metadata_content_type metadata_language metadata_description metadata_keywords metadata_title |
剥离 HTML 元素并提取文本 |
JSON (application/json) | metadata_content_type metadata_content_encoding |
提取文本 注意:如果需要从 JSON Blob 提取多个文档字段,请参阅为 JSON Blob 编制索引 |
KML (application/vnd.google-earth.kml+xml) | metadata_content_type metadata_content_encoding metadata_language |
剥离 XML 元素并提取文本 |
MSG (application/vnd.ms-outlook) | metadata_content_type metadata_message_from metadata_message_from_email metadata_message_to metadata_message_to_email metadata_message_cc metadata_message_cc_email metadata_message_bcc metadata_message_bcc_email metadata_creation_date metadata_last_modified metadata_subject |
提取文本,包括从附件中提取的文本。 metadata_message_to_email 、metadata_message_cc_email 和 metadata_message_bcc_email 是字符串集合。 其余字段是字符串。 |
ODP(应用程序/vnd.oasis.opendocument.presentation) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_title |
提取文本,包括嵌入的文档 |
ODS(应用程序/vnd.oasis.opendocument.spreadsheet) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified |
提取文本,包括嵌入的文档 |
ODT(应用程序/vnd.oasis.opendocument.text) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
提取文本,包括嵌入的文档 |
PDF(应用程序/pdf) | metadata_content_type metadata_language metadata_author metadata_title metadata_creation_date |
提取文本,包括嵌入的文档(不包括图像) |
纯文本 (text/plain) | metadata_content_type metadata_content_encoding metadata_language |
提取文本 |
PPT (application/vnd.ms-powerpoint) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title |
提取文本,包括嵌入的文档 |
PPTM(应用程序/vnd.ms-powerpoint.presentation.macroenabled.12) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title |
提取文本,包括嵌入的文档 |
PPTX (application/vnd.openxmlformats-officedocument.presentationml.presentation) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title |
提取文本,包括嵌入的文档 |
RTF(应用程序/rtf) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
提取文本 |
WORD 2003 XML(应用程序/vnd.ms-wordml) | metadata_content_type metadata_author metadata_creation_date |
剥离 XML 元素并提取文本 |
WORD XML(应用程序/vnd.ms-word2006ml) | metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count |
剥离 XML 元素并提取文本 |
XLS (application/vnd.ms-excel) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified |
提取文本,包括嵌入的文档 |
XLSM(应用程序/vnd.ms-excel.sheet.macroenabled.12) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified |
提取文本,包括嵌入的文档 |
XLSX (application/vnd.openxmlformats-officedocument.spreadsheetml.sheet) | metadata_content_type metadata_author metadata_creation_date metadata_last_modified |
提取文本,包括嵌入的文档 |
XML (application/xml) | metadata_content_type metadata_content_encoding metadata_language |
剥离 XML 元素并提取文本 |
ZIP (application/zip) | metadata_content_type |
从存档中的所有文档提取文本 |