文档提取认知技能

注意

Azure AI 搜索可通过Azure门户、REST API 和Azure SDK获取。

文档提取技能从扩充管道中的文件中提取内容。默认情况下，内容提取或检索内置于扩充管道中。但是，通过使用文档提取技能，可以控制参数的设置方式，以及如何在扩充树中命名提取的内容。

对于矢量和多模式搜索，与文本拆分技能相结合的文档提取比其他数据分块方法更实惠。

注意

此技能不受限于 Azure AI 服务，也没有 Azure AI 服务密钥要求。

此技能可提取文本和图像。文本提取是免费的。图像提取由 Azure AI 搜索计费。在免费搜索服务中，每个索引器每天 20 个事务的成本已豁免，因此你可以免费完成快速入门、教程和小型项目。对于基本层和更高层，可计费图像提取。

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

支持的文档格式

DocumentExtractionSkill 可从以下文档格式提取文本：

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）
Markdown
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
PDF
纯文本文件（另请参阅为纯文本编制索引）
富文本格式（RTF）
XML
ZIP

技能参数

参数区分大小写。

输入	允许的值	说明
`parsingMode`	`default` `text` `json`	设置为 `default` 从非纯文本或 JSON 的文件提取文档。对于包含标记的源文件（如 PDF、HTML、RTF 和 Microsoft Office 文件），请使用默认值来提取不包含标记语言或标记的文本。如果未 `parsingMode` 显式定义，则值为 `default`. 如果源文件是 TXT，请设置为 `text`。此分析模式可提高纯文本文件的性能。如果文件包含标记，此模式将保留最终输出中的标记。设置为 `json` 从 JSON 文件提取结构化内容。
`dataToExtract`	`contentAndMetadata` `allMetadata`	若要提取每个文件的所有元数据和文本内容，请设置为 `contentAndMetadata`。如果未 `dataToExtract` 显式定义，则值为 `contentAndMetadata`. `allMetadata`设置为仅提取内容类型的元数据属性，例如 PNG 文件特有的元数据。
`configuration`	请参阅下文。	可选参数的字典，这些参数用于调整文档提取执行方式。有关支持的配置属性的说明，请参阅下表。

配置参数	允许的值	说明
`imageAction`	`none` `generateNormalizedImages` `generateNormalizedImagePerPage`	若要忽略数据集中的嵌入图像或图像文件，或者如果源数据不包含图像文件，请设置为 `none`。此值为默认值。对于 OCR 和图像分析，设置为 `generateNormalizedImages` 可使技能在文档破解过程中创建规范化图像的数组。此操作需要 `parsingMode` 设置为 `default` 和 `dataToExtract` 设置为 `contentAndMetadata`。规范化图像具有调整大小和旋转的统一输出，以促进视觉搜索结果中的一致呈现。技能为每个图像生成此信息。如果设置为`imageActiongenerateNormalizedImagePerPage`，则每个 PDF 页面将呈现为图像并规范化，而不是提取嵌入的图像。对待非 PDF 文件类型的方式与设置了 `generateNormalizedImages` 时相同。
`normalizedImageMaxWidth`	一个介于 50 和 10000 之间的整数	生成的规范化图像的最大宽度（以像素为单位）。默认为 2000。
`normalizedImageMaxHeight`	一个介于 50 和 10000 之间的整数	生成的规范化图像的最大高度（以像素为单位）。默认为 2000。

注意

将规范化图像的最大宽度和高度默认设置为 2000 像素是考虑到 OCR 技术所能够支持的最大大小以及图像分析技术。 OCR 技能支持非英语语言的最大宽度和高度为 4200，支持英语语言的最大宽度和高度为 10000。如果增加最大限制，则根据技能组定义和文档语言，对较大的图像进行处理可能会失败。

技能输入

输入名称	说明
`file_data`	应从其中提取内容的文件。

“file_data”必须是按如下所示定义的对象：

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

或者，可将其定义为：

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

可通过以下三种方式之一生成文件引用对象：

在你的索引器定义中将 allowSkillsetToReadFileData 参数设置为“true”。这将创建路径 /document/file_data，该路径是一个对象，表示从 blob 数据源下载的原始文件数据。此参数仅适用于 Blob 存储中的文件。
在你的索引器定义中将 imageAction 参数设置为 none 之外的值。这会创建一个图像数组，该数组将遵循此技能的输入在逐个传递的情况下所需的约定（即 /document/normalized_images/*）。
让自定义技能返回严格如上所述定义的 json 对象。 $type 参数必须精确设置为 file，data 参数必须是文件内容的 Base64 编码字节数组数据，或者 url 参数必须是格式正确的 URL，有权在该位置下载文件。

技能输出

输出名称	说明
`content`	文档的文本内容。
`normalized_images`	如果 `imageAction` 设置为其他 `none`值，则新的 normalized_images 字段包含图像数组。有关输出格式的详细信息，请参阅从图像中提取文本和信息。

示例定义

 {
    "@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"
      }
    ]
  }

示例输入

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

示例输出

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

另请参阅

Last updated on 2026-09-04