c# - 文档提取认知技能的使用

Question

我正在尝试利用 Azure 认知服务来执行基本文档提取。

我的目的是将 PDF 和 DOCX(可能还有其他一些文件)输入到认知引擎中进行解析，但不幸的是，其实现并不像看起来那么简单。

根据文档( https://learn.microsoft.com/en-us/azure/search/cognitive-search-skill-document-extraction#sample-definition )，我必须定义技能，然后我应该能够输入文件，但没有关于如何完成此操作的示例。

到目前为止，我已经能够定义该技能，但我仍然不确定应该将文件放入何处。

请参阅下面的代码，因为它试图复制示例代码中显示的相同数据结构(尽管使用了 C# 库)

public static DocumentExtractionSkill CreateDocumentExtractionSkill()
{
    List<InputFieldMappingEntry> inputMappings = new List<InputFieldMappingEntry>
    {
        new("file_data") {Source = "/document/file_data"}
    };

    List<OutputFieldMappingEntry> outputMappings = new List<OutputFieldMappingEntry>
    {
        new("content") {TargetName = "extracted_content"}
    };

    DocumentExtractionSkill des = new DocumentExtractionSkill(inputMappings, outputMappings)
    {
        Description = "Extract text (plain and structured) from image",
        ParsingMode = BlobIndexerParsingMode.Text,
        DataToExtract = BlobIndexerDataToExtract.ContentAndMetadata,
        Context = "/document",
    };

    return des;
}

然后我会像这样建立这项技能:

_indexerClient = new SearchIndexerClient(new Uri(Environment.GetEnvironmentVariable("SearchEndpoint")), new AzureKeyCredential(Environment.GetEnvironmentVariable("SearchKey"));
List<SearchIndexerSkill> skills = new List<SearchIndexerSkill> { Skills.DocExtractionSkill.CreateDocumentExtractionSkill() };

SearchIndexerSkillset skillset = new SearchIndexerSkillset("DocumentSkillset", skills)
{
    Description = "Document Cracker Skillset",
    CognitiveServicesAccount = new CognitiveServicesAccountKey(Environment.GetEnvironmentVariable("CognitiveServicesKey"))
};


await _indexerClient.CreateOrUpdateSkillsetAsync(skillset);

然后……然后呢？

没有明确的方法适合我认为下一阶段的实际解析文档。

从这里开始将文件转储到 _indexerClient(SearchIndexerClient 类型)中的下一步是什么？

文档中显示的下一阶段是:

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

尚不清楚我将在哪里执行此操作。

Answer 1

根据document你提到过的。他们实际上是试图通过 postman 获取输出。他们使用 GET 方法通过向上述 URL(即认知技能 URL)发送 JSON 请求来接收提取的文档内容，并且需要将文件/文档上传到您的存储帐户才能被提取。

你可以关注这个tutorial以获得更多见解。