azure - 创建索引和技能 Azure 认知搜索

Question

我正在尝试创建一个索引和技能，让我能够

索引 pdf、多页和单页以及所有其他类型的文件，提取数据并使其可搜索，

搜索一个术语说“猫”，并在似乎返回该术语的文本部分，以及找到它的 PDF/图像的页码和文档名称/可下载 URL，一个边界框，会很好但不是必需的。

我正在苦苦挣扎，我尝试过文本提取技能、OCR 技能，但我正在苦苦挣扎，因为搜索词返回整个提取的文档（100 页），作为文件“内容”中的文本

这对我来说没有多大意义，JFK 的例子已经过时了。

我已经花了 4 天时间，这并不难，文档也没有那么有用。

我已经使用门户工具绑定到“构建”和索引和技能集，但得到了类似的结果。

任何帮助，将不胜感激。

标签： azureazure-cognitive-searchazure-cognitive-services

Answer 1

如果您更喜欢将 hOCR 格式用于边界框，您可能想尝试使用 GitHub 上的 Power Skills 存储库中的 hOCR 自定义技能，但是 [OCR 技能]( https://docs.microsoft.com/en-us /azure/search/cognitive-search-skill-ocr#sample-text-and-layouttext-output 的输出）已经为内容提供了边界框。请注意，Power Skills存储库还更新了 JFK 示例中使用的大多数技能的版本，包括可以帮助您在应用程序中制作页面图片的图像存储。

使其发挥作用的关键在于技能组合的定义。

JFK 技能组有其 OCR 技能输出layoutText。

还有一个自定义图像存储技能，/document/normalized_images/*/data可以将生成的 URI 上传并保存为imageStoreUri.

另一个自定义技能将 OCR 布局结果转换为 HOCR 格式。

然后 aShaperSkill在 下聚合该信息ocrImageMetadata。

在 JFK 的情况下，该信息会在 下进一步聚合cryptonyms，因为这是 JFK 演示关注的主要内容，并且图像元数据也是/document/hocrDocument/metadataas的输出字段映射metadata，它也被索引。重要的一点是所有相关信息都映射到索引字段。结果，其中的信息可从索引查询结果中获得。