Competenza cognitiva Estrazione documenti

La competenza Estrazione documenti estrae il contenuto da un file all'interno della pipeline di arricchimento. Ciò consente di sfruttare il passaggio di estrazione dei documenti che normalmente si verifica prima dell'esecuzione del set di competenze con file che possono essere generati da altre competenze.

@odata.type

Microsoft.Skills.Util.DocumentExtractionSkill

Formati di documento supportati

DocumentExtractionSkill può estrarre 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)
• 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 competenze

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

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

In alternativa, può essere definita 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 uno dei tre modi seguenti:

• Impostazione del parametro nella definizione dell'indicizzatore allowSkillsetToReadFileData 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.

• 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 , /document/normalized_images/*ovvero .

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

Output 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": []
      }
    }
  ]
}

Vedi anche

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