Indexación de blobs y archivos de texto sin formato en Azure AI Search

  • Artículo

Se aplica a: Indexadores de blobs Indexadores de archivos

Si usa un indexador para extraer texto de blobs que permite búsquedas o contenido de archivo para la búsqueda de texto completo, se puede asignar un modo de análisis para obtener mejores resultados de indexación. De forma predeterminada, el indexador analiza la propiedad de content un blob como un único fragmento de texto. Sin embargo, si todos los blobs y archivos contienen texto sin formato con la misma codificación, el rendimiento de la indexación se puede mejorar notablemente mediante el uso del modo de análisis text.

Recomendaciones para text el análisis incluyen cualquiera de las siguientes características:

  • El tipo de archivo es .txt
  • Los archivos son de cualquier tipo, pero el propio contenido es texto (por ejemplo, código fuente del programa, HTML, XML, etc.). En el caso de los archivos en un lenguaje de marcado, los caracteres de sintaxis pasan como texto estático.

Recuerde que todos los indexadores se serializan en JSON. De forma predeterminada, el contenido de todo el archivo de texto se indexa dentro de un campo grande como "content": "<file-contents>". Las nuevas instrucciones de línea y devolución se incrustan en el campo de contenido y se expresan como \r\n\.

Si desea un resultado más refinado o granular y si el tipo de archivo es compatible, tenga en cuenta las siguientes soluciones:

Una tercera opción alternativa para dividir el contenido en varias partes requiere características avanzadas en forma de enriquecimiento con IA. Agrega análisis que identifica y asigna fragmentos del archivo a distintos campos de búsqueda. Es posible que encuentre una solución completa o parcial a través de aptitudes integradas, como el reconocimiento de entidades o la extracción de palabras clave, pero una solución más probable podría ser un modelo de aprendizaje personalizado que comprenda el contenido, encapsulado en una aptitud personalizada.

Configuración de la indexación del texto sin formato

Para indexar blobs de texto sin formato, cree o actualice una definición de indexador con la parsingMode propiedad de configuración establecida text en en una solicitud Create Indexer :

PUT https://[service name].search.windows.net/indexers/[indexer name]?api-version=2023-11-01
Content-Type: application/json
api-key: [admin key]

{
  ... other parts of indexer definition
  "parameters" : { "configuration" : { "parsingMode" : "text" } }
}

De forma predeterminada, se da por hecha la codificación UTF-8. Para especificar otra, use la propiedad de configuración encoding:

{
  ... other parts of indexer definition
  "parameters" : { "configuration" : { "parsingMode" : "text", "encoding" : "windows-1252" } }
}

Ejemplo de solicitud

Los modos de análisis se especifican en la definición del indexador.

POST https://[service name].search.windows.net/indexers?api-version=2023-11-01
Content-Type: application/json
api-key: [admin key]

{
  "name" : "my-plaintext-indexer",
  "dataSourceName" : "my-blob-datasource",
  "targetIndexName" : "my-target-index",
  "parameters" : { "configuration" : { "parsingMode" : "delimitedText", "delimitedTextHeaders" : "id,datePublished,tags" } }
}

Pasos siguientes