Azure AI Content Understanding klientská knihovna pro JavaScript - verze 1.0.0

Azure AI Content Understanding je multimodální AI služba, která extrahuje sémantický obsah z dokumentů, videa, zvuku a obrazových souborů. Přeměňuje nestrukturovaný obsah na strukturovaná, strojově čitelná data optimalizovaná pro generování s rozšířeným vyhledáváním (RAG) a automatizované pracovní postupy.

Použijte klientskou knihovnu pro porozumění obsahu Azure AI k tomu:

Extrahujte obsah dokumentu – Extrahujte text, tabulky, obrázky, informace o rozvržení a strukturované markdown z dokumentů (PDF, obrázky s textem nebo ručně psaným textem, dokumenty Office a další)
Přepisujte a analyzujte zvuk – Převádějte zvukový obsah na vyhledávatelné přepisy s informacemi o deníku a časování mluvčích
Analyzovat video obsah – Extrahovat vizuální snímky, přepsat zvukové stopy a generovat strukturované souhrny z video souborů
Využít předpřipravené analyzátory - Používejte produkčně připravené předpřipravené analyzátory napříč odvětvími včetně finance a daní (faktury, účtenky, daňové formuláře), ověřování identity (pasy, řidičské průkazy), hypoték a úvěrů (žádosti o úvěry, odhady), nákupu a smluv (objednávky, smlouvy) a služeb (fakturační výpisy)
Vytvářejte vlastní analyzátory – Vytvářejte analyzátory specifické pro specializované extrakce obsahu napříč všemi čtyřmi modalitami (dokumenty, video, audio a obrázky)
Klasifikace dokumentů a videí – Automaticky kategorizujte a extrahujte informace z dokumentů a videí podle typu

Klíčové odkazy:

Getting started

Aktuálně podporovaná prostředí

LTS verze Node.js
Nejnovější verze Safari, Chrome, Edge a Firefox.

Pro více informací viz naše support policy.

Předpoklady

Předplatné Azure
Zdroj Microsoft Foundry vytvořený v regionu podporovaném

Nainstalujte balíček `@azure/ai-content-understanding`

Nainstalujte klientskou knihovnu Azure Content Understanding pro JavaScript pomocí npm:

npm install @azure/ai-content-understanding

Nakonfigurujte svůj zdroj Microsoft Foundry

Před použitím Content Understanding SDK je potřeba nastavit Microsoft Foundry zdroj a nasadit požadované velké jazykové modely. Content Understanding v současnosti využívá OpenAI GPT modely (například gpt-4.1, gpt-4.1-mini a text-embedding-3-large).

Krok 1: Vytvořte zdroj Microsoft Foundry

Důležité: Musíte vytvořit svůj Microsoft Foundry zdroj v regionu, který podporuje porozumění obsahu. Pro seznam dostupných regionů viz Azure Porozumění obsahu region a podpora jazyka.

Postupujte podle kroků v Azure Content Understanding quickstart a vytvořte Microsoft Foundry zdroj v Azure portal
Získejte URL endpointu vašeho zdroje Foundry z Azure Portal:
- Přejděte na Azure Portal
- Přejděte na svůj zdroj Microsoft Foundry
- Přejděte na Resource Management>Keys and Endpoint
- Zkopírovat URL Endpoint (obvykle https://<your-resource-name>.services.ai.azure.com/)

Důležité: Udělit požadovaná povolení

Po vytvoření svého zdroje Microsoft Foundry si musíte přidělit roli uživatele kognitivních služeb , abyste povolili volání API pro nastavení výchozích nasazení modelů:

Přejděte na Azure Portal
Přejděte na svůj zdroj Microsoft Foundry
Přejděte do levého menu Access Control (IAM)
Klikněte na Přidat>Přidat přiřazení role
Vyberte roli uživatele kognitivních služeb
Přiřaďte ji sobě (nebo uživatelskému/servisnímu principálu, který aplikaci spustí).

Poznámka: Toto přiřazení role je vyžadováno i v případě, že jste vlastníkem zdroje. Bez této role nebudete moci volat Content Understanding API pro konfiguraci nasazení modelů pro předpřipravené analyzátory.

Krok 2: Nasadit požadované modely

Důležité: Předpřipravené a vlastní analyzátory vyžadují nasazení velkých jazykových modelů. Musíte nasadit alespoň tyto modely, než začnete používat předpřipravené analyzátory a vlastní analyzátory:

prebuilt-documentSearch, , , vyžadují prebuilt-imageSearch a prebuilt-audioSearchprebuilt-videoSearch
Jiné předpřipravené analyzátory jako prebuilt-invoice, prebuilt-receipt vyžadují gpt-4.1 a text-embedding-3-large

Nasazení modelu:

V Microsoft Foundry přejděte na Nasazení>Nasadit model>Nasadit základní model
Vyhledejte a vyberte model, který chcete nasadit. V současnosti předpřipravené analyzátory vyžadují modely jako gpt-4.1, gpt-4.1-mini, a text-embedding-3-large
Dokončete nasazení s vašimi preferovanými nastaveními
Všimněte si názvu nasazení, které jste zvolili (podle konvence použijte název modelu jako název nasazení, např. gpt-4.1 pro gpt-4.1 model)

Tento proces opakujte pro každý model požadovaný vašimi předpřipravenými analyzátory.

Pro více informací o nasazování modelů viz Create model deployments v portálu Microsoft Foundry.

Krok 3: Konfigurujte nasazení modelů (vyžadováno pro předpřipravené analyzátory)

DŮLEŽITÉ: Jedná se o jednorázové nastavení podle zdroje Microsoft Foundry, které mapuje vaše nasazené modely na ty, které vyžadují předpřipravené analyzátory a vlastní modely. Pokud máte více zdrojů Microsoft Foundry, musíte každý nastavit zvlášť.

Výchozí mapování modelů musíte nastavit ve svém zdroji Microsoft Foundry. To lze provést programově pomocí SDK. Konfigurace mapuje vaše nasazené modely (aktuálně gpt-4.1, gpt-4.1-mini a text-embedding-3-large) na velké jazykové modely potřebné pro předpřipravené analyzátory.

Pro konfiguraci nasazení modelů pomocí kódu viz ukázkový příklad Update Defaults pro kompletní příklad. Tady je rychlý přehled:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

// Map your deployed models to the models required by prebuilt analyzers
const updatedDefaults = await client.updateDefaults({
  modelDeployments: {
    "gpt-4.1": process.env["GPT_4_1_DEPLOYMENT"]!,
    "gpt-4.1-mini": process.env["GPT_4_1_MINI_DEPLOYMENT"]!,
    "text-embedding-3-large": process.env["TEXT_EMBEDDING_3_LARGE_DEPLOYMENT"]!,
  },
});

console.log("Model deployments configured successfully!");

Poznámka: Konfigurace je uložena ve vašem Microsoft Foundry zdroji, takže ji musíte spustit jen jednou na zdroj (nebo kdykoli změníte názvy nasazení).

Ověření klienta

Pro autentizaci klienta potřebujete svůj zdrojový endpoint a přihlašovací údaje Microsoft Foundry. Můžete použít buď API klíč, nebo autentizaci Microsoft Entra ID.

Using DefaultAzureCredential

Nejjednodušší způsob autentizace je použití DefaultAzureCredential, který podporuje více autentizačních metod a dobře funguje jak v lokálním, tak produkčním prostředí.

Pro použití poskytovatele DefaultAzureCredential uvedeného níže nebo jiných poskytovatelů přihlašovacích údajů přidaných k Azure SDK, prosím nainstalujte balíček @azure/identity:

npm install @azure/identity

Pomocí Node.js a prostředí podobných uzlům můžete k ověření klienta použít třídu DefaultAzureCredential.

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const client = new ContentUnderstandingClient("<endpoint>", new DefaultAzureCredential());

Pro prohlížečová prostředí použijte InteractiveBrowserCredential z balíčku @azure/identity k ověření.

import { InteractiveBrowserCredential } from "@azure/identity";
import { ContentUnderstandingClient } from "@azure/ai-content-understanding";

const credential = new InteractiveBrowserCredential({
  tenantId: "<YOUR_TENANT_ID>",
  clientId: "<YOUR_CLIENT_ID>",
});
const client = new ContentUnderstandingClient("<endpoint>", credential);

Použití API klíče

Můžete se také autentizovat pomocí API klíče z vašeho Microsoft Foundry zdroje:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { AzureKeyCredential } from "@azure/core-auth";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const apiKey = process.env["CONTENTUNDERSTANDING_KEY"]!;
const client = new ContentUnderstandingClient(endpoint, new AzureKeyCredential(apiKey));

Pro získání API klíče:

Přejděte na Azure Portal
Přejděte na svůj zdroj Microsoft Foundry
Přejděte na Resource Management>Keys and Endpoint
Zkopírujte jeden z klíčů (Klíč1 nebo Klíč2)

Pro více informací o autentizaci viz Azure Klientská knihovna identity.

JavaScriptový balíček

Pokud chcete tuto klientskou knihovnu použít v prohlížeči, musíte nejprve použít bundler. Podrobnosti o tom, jak to to do, prosím navštivte naši dokumentaci o bundlingu.

Klíčové koncepty

Předem připravené analyzátory

Content Understanding poskytuje bohatou sadu předpřipravených analyzátorů, které jsou připraveny k použití bez jakékoli konfigurace. Tyto analyzátory jsou poháněny znalostními bázemi tisíců reálných příkladů dokumentů, což jim umožňuje rozumět struktuře dokumentu a přizpůsobovat se variabilicím formátu a obsahu.

Předpřipravené analyzátory jsou rozděleny do několika kategorií:

RAG analyzátory – optimalizované pro scénáře generování s rozšířeným vyhledáváním se sémantickou analýzou a extrakcí markdown. Tyto analyzátory vracejí markdown a jeden odstavec Summary pro každý obsah:
- prebuilt-documentSearch - Extrahuje obsah z dokumentů (PDF, obrázky, dokumenty Office) s uchováním rozvržení, detekcí tabulek, analýzou obrázků a strukturovaným výstupem markdownu. Optimalizováno pro RAG scénáře.
- prebuilt-imageSearch - Analyzuje samostatné obrázky a vrací jednoodstavcový popis obsahu obrázku. Optimalizováno pro porozumění obrázkům a vyhledávací scénáře. Pro obrázky obsahující text (včetně ručně psaného textu) použijte prebuilt-documentSearch.
- prebuilt-audioSearch - Přepisuje zvukový obsah pomocí deníku mluvčího, informací o časování a shrnutí konverzací. Podporuje vícejazyčný přepis.
- prebuilt-videoSearch - Analyzuje video obsah pomocí vizuální extrakce snímků, audio transkripce a strukturovaných shrnutí. Zajišťuje časové sladění vizuálního a zvukového obsahu a může vracet více segmentů na video.
Analyzátory extrakce obsahu – Zaměřte se na OCR a analýzu rozložení (např. prebuilt-read, prebuilt-layout)
Základní analyzátory – Základní schopnosti zpracování obsahu používané jako rodičovské analyzátory pro vlastní analyzátory (např. prebuilt-document, prebuilt-image, , prebuilt-audio) prebuilt-video
Analyzátory specifické pro danou oblast – Předkonfigurované analyzátory pro běžné kategorie dokumentů včetně finančních dokumentů (faktury, účtenky, bankovní výpisy), identifikačních dokladů (pasy, řidičské průkazy), daňových formulářů, hypoték, smluv a služeb (fakturační výpisy)
Analyzátory užitků – specializované nástroje pro generování schémat a extrakci polí (např. prebuilt-documentFieldSchema, prebuilt-documentFields)

Pro kompletní seznam dostupných předpřipravených analyzátorů a jejich schopností viz dokumentaci Prebuilt analyzátorů.

Vlastní analyzátory

Můžete vytvářet vlastní analyzátory se specifickými schématy polí pro multimodální zpracování obsahu (dokumenty, obrázky, audio, video). Vlastní analyzátory vám umožní extrahovat informace specifické pro danou oblast přizpůsobené vašemu případu použití.

Typy obsahu

API vrací různé typy obsahu na základě vstupu:

document - Pro soubory dokumentů (PDF, HTML, obrázky, Office dokumenty jako Word, Excel, PowerPoint a další). Poskytuje základní informace, jako je počet stran a typ MIME. Získejte podrobné informace včetně stránek, tabulek, obrázků, odstavců a mnoha dalších.
audioVisual - Pro audio a video soubory. Poskytuje základní informace, jako jsou časové informace (časy začátku/konce) a rozměry snímků (pro video). Získejte podrobné informace včetně přepisových frází, časových údajů a pro video, klíčových snímkových odkazů a dalších.

Asynchronní operace

Operace porozumění obsahu jsou asynchronní dlouhodobé operace. Pracovní postup je:

Začněte analýzu – Začněte analytickou operaci (okamžitě vrátí umístění operace)
Průzkum výsledků – Průzkum místa provozu až do dokončení analýzy
Výsledky procesů – Extrahujte a zobrazte strukturované výsledky

SDK poskytuje typy pollerů, které automaticky zpracovávají dotazování při použití .pollUntilDone() Pro analytické operace SDK vrací popyt, který poskytuje access k ID operace. Toto ID operace lze použít s getResultFile a deleteResult metodami.

Hlavní třídy

ContentUnderstandingClient - Hlavní klient pro analýzu obsahu, stejně jako pro vytváření, správu a konfiguraci analyzátorů
AnalysisResult - Obsahuje strukturované výsledky analytické operace, včetně obsahových prvků, markdownu a metadat

Bezpečnost vlákna

Zaručujeme, že všechny klientské instance jsou bezpečné pro vlákna a nezávislé na sobě. Tím se zajistí, že doporučení opakovaného použití klientských instancí je vždy bezpečné, a to i napříč vlákny.

Další koncepty

Příklady

S různými API se můžete seznámit pomocí Samples.

Ukázky ukazují:

Konfigurace - Konfigurace výchozích nastavení nasazení modelu pro předpřipravené analyzátory a vlastní analyzátory
Extrakce obsahu dokumentů – Extrahujte strukturovaný markdown obsah z PDF a obrázků pomocí prebuilt-documentSearch, optimalizovaného pro RAG (Retrieval-Augmented Generation) aplikace
Multimodální analýza obsahu – Analyzujte obsah z URL adres napříč všemi modalitami: extrahujte markdown a shrnutí z dokumentů, obrázků, zvuku a videa pomocí prebuilt-documentSearch, prebuilt-imageSearch, prebuilt-audioSearch, a prebuilt-videoSearch
Domain-Specific Analýza – Extrahujte strukturovaná pole z faktur pomocí prebuilt-invoice
Pokročilé funkce dokumentů – Extrahujte grafy, hypertextové odkazy, vzorce a poznámky z dokumentů
Vlastní analyzátory – Vytvořte vlastní analyzátory s terénními schématy pro specializované extrakční potřeby
Klasifikace dokumentů – Vytvářejte a používejte klasifikátory pro kategorizaci dokumentů
Správa analyzátorů – Sbírat, seznamovat, aktualizovat, kopírovat a mazat analyzátory
Správa výsledků – Získávání souborů výsledků z analýzy videa a mazání výsledků analýzy

Extrahujte markdown obsah z dokumentů

Použijte prebuilt-documentSearch analyzátor k extrakci markdown obsahu z dokumentů:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const documentUrl = "https://example.com/sample_invoice.pdf";

// Analyze document using prebuilt-documentSearch
const poller = client.analyze("prebuilt-documentSearch", [{ url: documentUrl }]);
const result = await poller.pollUntilDone();

// Extract markdown content
if (result.contents && result.contents.length > 0) {
  const content = result.contents[0];
  console.log("Markdown Content:");
  console.log(content.markdown);

  // Access document-specific properties
  if (content.kind === "document") {
    console.log(`Pages: ${content.startPageNumber} - ${content.endPageNumber}`);
  }
}

Extrahujte strukturovaná pole z faktur

Použijte prebuilt-invoice analyzátor k extrakci strukturovaných polí faktur:

import {
  ContentUnderstandingClient,
  type DocumentContent,
  type ContentFieldUnion,
} from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const invoiceUrl = "https://example.com/invoice.pdf";

// Analyze invoice using prebuilt-invoice analyzer
const poller = client.analyze("prebuilt-invoice", [{ url: invoiceUrl }]);
const result = await poller.pollUntilDone();

if (result.contents && result.contents.length > 0) {
  const content = result.contents[0] as DocumentContent;

  // Helper function to extract field values
  const getFieldValue = (field: ContentFieldUnion | undefined): string | undefined => {
    if (!field) return undefined;
    if ("valueString" in field) return field.valueString;
    if ("valueDate" in field) return field.valueDate;
    if ("valueNumber" in field) return String(field.valueNumber);
    return undefined;
  };

  // Extract invoice fields
  const customerName = getFieldValue(content.fields?.["CustomerName"]);
  const invoiceTotal = getFieldValue(content.fields?.["InvoiceTotal"]);
  const invoiceDate = getFieldValue(content.fields?.["InvoiceDate"]);

  console.log(`Customer Name: ${customerName ?? "(None)"}`);
  console.log(`Invoice Total: ${invoiceTotal ?? "(None)"}`);
  console.log(`Invoice Date: ${invoiceDate ?? "(None)"}`);
}

Kompletní příklady najdete v adresáři samples.

Řešení problémů

Běžné problémy

Chyba: "Access zamítnuto kvůli neplatnému předplatnému klíči nebo špatnému API koncovému bodu "

Ověřte, že URL vašeho koncového bodu je správná a obsahuje i závěrečnou lomítku
Ujistěte se, že váš API klíč je platný nebo že vaše přihlašovací údaje Microsoft Entra ID mají správná oprávnění
Ujistěte se, že máte přiřazenou roli uživatele kognitivních služeb k vašemu účtu

Chyba: "Nasazení modelu nenalezeno" nebo "Výchozí nasazení modelu nekonfigurováno"

Ujistěte se, že jste nasadili požadované modely (gpt-4.1, gpt-4.1-mini, text-embedding-3-large) v Microsoft Foundry
Ověřte, že jste nakonfigurovali výchozí nasazení modelů (viz Konfigurovat nasazení modelů)
Zkontrolujte, zda názvy nasazení odpovídají tomu, co jste nastavili ve výchozích

Chyba: "Operace selhala" nebo časový limit

Operace Porozumění obsahu jsou asynchronní a mohou trvat nějaký čas
Ujistěte se, že správně dotazujete výsledky pomocí pollUntilDone() poller objektu
Zkontrolujte stav provozu pro více informací o selhání

Logování

Povolení protokolování může pomoct odhalit užitečné informace o chybách. Pokud chcete zobrazit protokol požadavků a odpovědí HTTP, nastavte proměnnou prostředí AZURE_LOG_LEVEL na info. Alternativně lze logování povolit za běhu voláním setLogLevel v @azure/logger:

import { setLogLevel } from "@azure/logger";

setLogLevel("info");

Pro podrobnější návody, jak zapnout logy, se můžete podívat na @azure/logger package docs.

Testing

Toto SDK zahrnuje komplexní testy, které lze spustit v různých režimech.

Rychlý start

# Install dependencies
pnpm install

# Build the SDK
npx turbo build --filter=@azure/ai-content-understanding...

# Run tests in playback mode (no Azure resources needed)
pnpm test

Testovací režimy

Režim přehrávání (výchozí): Používá předem nahrané HTTP interakce, není potřeba Azure zdrojů
Record Mode: Běží proti živým službám Azure a nahrává interakce pro budoucí přehrávání
Live Mode: Běží proti živým službám Azure bez nahrávání

Nastavení prostředí pro živé/nahrávací testy

Kopie test/sample.env do:test/.env
```
cp test/sample.env test/.env
```
Upravte a doplňte test/.env své skutečné hodnoty:
- CONTENTUNDERSTANDING_ENDPOINT: Váš zdrojový endpoint Microsoft Foundry
- CONTENTUNDERSTANDING_KEY: Váš API klíč (volitelný, pokud používáte DefaultAzureCredential)
- Názvy modelů nasazení (požadované pro předpřipravené analyzátory)

Spouštějte testy v režimu záznamu

Pro zaznamenávání nových testovacích interakcí nebo aktualizaci stávajících:

# Run tests in record mode
TEST_MODE=record pnpm test

Provádějte testy v režimu přehrávání

Pro spouštění testů bez Azure zdrojů (s použitím předem nahraných interakcí):

# Simply run tests (playback is the default mode)
pnpm test

# Or explicitly set playback mode
TEST_MODE=playback pnpm test

Pracovní postupy zaměřené na balík / rychlejší workflow

Postavte pouze tento balíček a jeho závislosti:

npx turbo build --filter=@azure/ai-content-understanding... --token 1

Pro rychlejší iterace spouštějte pouze testy uzlů (přeskočte testy v prohlížeči):
```
TEST_MODE=record pnpm test:node   # or TEST_MODE=playback pnpm test:node
```

Proměnné prostředí

Přihlašovací údaje můžete nastavit různými způsoby:

Preferované: Vytvářejte test/.env kopírováním a vyplňováním test/sample.env hodnot
Záložní řešení: Umístit a .env do kořene balíčku (stejný adresář jako package.json)

Export shellu: Exportujte přihlašovací údaje přímo do shellu:

export CONTENTUNDERSTANDING_ENDPOINT="https://<your-resource>.services.ai.azure.com/"
export CONTENTUNDERSTANDING_KEY="<your_key_here>"
TEST_MODE=record pnpm test:node

Tipy na ladění

Při provádění testů v režimu záznamu sledujte ladění řádků vytištěné testovacím nastavením:

DEBUG ENV ENDPOINT DEFINED: true
DEBUG ENV KEY DEFINED: true

Důležité: NEDĚLEJTE skutečné klíče. Držte test/sample.env se šablony a ujistěte se, že test/.env je ve vaší .gitignore.

Testy řešení problémů

"klíč musí být neprázdný řetězec": Testovací proces nenašel vaše CONTENTUNDERSTANDING_KEY. Ujistěte se test/.env , že je přítomen package-root .env a obsahuje klíč (nebo ho exportujte do shellu) před spuštěním testů.
"Neplatný požadavek" LRO chyby: Ujistěte se, že vaše služba/region podporuje analyzátor používaný testy a že síťový access je dostupný pro vstupy založené na URL.

Lokální spuštění samplů

Vzorové adresáře jsou z pracovního prostoru pnpm vyloučeny, aby se předešlo konfliktům závislostí. Pro spuštění vzorků s lokální vývojovou verzí balíčku:

Poznámka: Spuštění pnpm link a pnpm install uvnitř složek se samply aktualizují lokální soubory stejně jako package.json a pnpm-lock.yaml pod adresáři samplů. Tyto změny jsou pouze pro lokální testování a neměly by být kontrolovány. Pokud je omylem upravíte, použijte git restore <path> to pro návrat zpět.

Sestavte balíček:

npx turbo build --filter=@azure/ai-content-understanding...

Odkazujte lokální balíček v adresářích vzorků:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm link ../../../
cd ../javascript
pnpm link ../../../

Instalujte závislosti do adresářů vzorků:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm install
cd ../javascript
pnpm install

Alternativa (žádné změny package.json/lockfile)

Pokud chcete použít lokální balíček bez úpravy vzorku package.json nebo pnpm-lock.yaml, nainstalovat z zabaleného tarballu bez uložení:

Sestavte balíček:

npx turbo build --filter=@azure/ai-content-understanding...

Vytvořte místní tarball:

cd sdk/contentunderstanding/ai-content-understanding
pnpm pack --pack-destination /tmp

Nainstalujte tarball do samplů (bez uložení, bez lockfile):

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz
cd ../javascript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz

Spuštění vzorku

Po instalaci závislostí můžete spustit jednotlivé vzorky.

Nastavení proměnných prostředí:

Zkopírujte soubor a vytvořte sample.env.env soubor v ukázkovém kořeni adresáře. Spusť následující příkazy z kořene balíčku (sdk/contentunderstanding/ai-content-understanding):

# For TypeScript samples
cp sample.env samples/v1/typescript/.env

# For JavaScript samples
cp sample.env samples/v1/javascript/.env

Pak upravte .env soubor a doplňte své skutečné hodnoty:

CONTENTUNDERSTANDING_ENDPOINT=https://<your-resource>.services.ai.azure.com/
CONTENTUNDERSTANDING_KEY=<your-api-key>

Poznámka: Soubor .env by měl být na kořeni složky vzorků (na stejné úrovni jako package.json), ne uvnitř src/ nebo dist/.

Ukázky TypeScriptu:

cd samples/v1/typescript
npm run build
node dist/analyzeBinary.js

Ukázky JavaScriptu:

cd samples/v1/javascript
node analyzeBinary.js

Pro kompletní instrukce k nastavení a dostupné ukázky viz:

Další kroky

Prozkoumejte adresář samples pro kompletní příklady kódu
Přečtěte si dokumentaci Azure AI Content Understanding pro podrobné informace o službách

Contributing

Pokud byste chtěli přispět do této knihovny, přečtěte si prosím průvodce přispívání kde se dozvíte více o tom, jak kód sestavit a testovat.

Microsoft Azure SDK for JavaScript

Váš názor

Byla tato stránka užitečná?

Last updated on 2026-03-11