Kılavuz: Yapılandırılmış belge düzeninden vektörleştirme

Azure AI Search, Azure Blob Depolama'da depolanan PDF belgelerinden hem metinleri hem de görüntüleri ayıklayabilir ve dizine ekleyebilir. Bu öğretici, belge yapısına göre verileri parçalayan ve aynı belgedeki metin ve görüntüleri vektörleştirmek için çok modlu gömüleri kullanan çok modlu bir dizinleme işlem hattı oluşturmayı göstermektedir. Kırpılan görüntüler bir bilgi deposunda depolanır ve hem metin hem de görsel içerik vektörleştirilir ve aranabilir bir dizine eklenir. Öbekleme, belge yapısını tanıyan Foundry Tools'taki Azure Belge Zekası yerleşim modelini temel alır.

Bu öğreticide şunları kullanacaksınız:

Grafikler, bilgi grafikleri ve taranmış sayfalar gibi zengin görsel içerikleri geleneksel metinlerle birleştiren 36 sayfalık PDF belgesi.
Beceriler aracılığıyla yapay zeka zenginleştirmesi içeren bir dizin oluşturma işlem hattı oluşturmak için bir dizin oluşturucu ve beceri kümesi.
Sayfa numaraları veya sınırlayıcı bölgeler gibi çeşitli belgelerden metin ve normalleştirilmiş görüntüleri ayıklamak için locationMetadata.
Azure Vision çok modüllü ekleme becerisi, metin ve görüntüleri vektörleştirmeye yöneliktir.
Ayıklanan metin ve görüntü içeriğini depolamak için yapılandırılmış bir arama dizini. Bazı içerikler vektör tabanlı benzerlik araması için vektörleştirilir.

Prerequisites

Microsoft Foundry kaynağı. Bu kaynak, bu öğreticideki beceriler tarafından kullanılan hem Azure Vision çok modüllü ekleme modeline hem de Azure Belge Zekası Düzeni modeline erişim sağlar. Bu kaynaklara beceri kümesi erişimi için Bir Foundry kaynağı kullanmanız gerekir.
Azure AI Arama. Arama hizmetinizi rol tabanlı erişim denetimi ve yönetilen kimlik için yapılandırın. Hizmetiniz Temel katmanda veya daha yüksek bir katmanda olmalıdır. Bu öğretici Ücretsiz katmanında desteklenmez.
Azure Depolama, örnek verileri depolamak ve bilgi deposu oluşturmak için kullanılır.
Visual Studio Code ile REST istemcisi.

Limitations

Belge Düzeni becerisi sınırlı bölgesel kullanılabilirliğe sahiptir. Foundry kaynağını oluşturduğunuzda, çok modüllü eklemeler sağlayan bir bölge seçin. Desteklenen bölgelerin listesi için bkz. Belge Düzeni becerisi desteklenen bölgeler.
Azure Vision çok modüllü ekleme becerileri de sınırlı bölgesel kullanılabilirliğe sahiptir. Çok modüllü eklemeler sağlayan bölgelerin güncelleştirilmiş listesi için Azure Vision belgelerine bakın.

Verileri hazırlama

Aşağıdaki yönergeler, örnek verileri sağlayan ve bilgi depolarını barındıran Azure Depolama için geçerlidir. Bir arama hizmeti kimliğinin örnek verileri almak için Azure Depolama'ya okuma erişimine ve bilgi deposunu oluşturmak için yazma erişimine ihtiyacı vardır. Arama hizmeti, beceri kümesi işleme sırasında bir ortam değişkeninde sağladığınız adı kullanarak kırpılan görüntüler için kapsayıcı oluşturur.

Aşağıdaki örnek PDF'yi indirin: sürdürülebilir-ai-pdf
Azure Depolama'da sustainable-ai-pdf adlı yeni bir kapsayıcı oluşturun.
Örnek veri dosyasını karşıya yükleyin.
Rol atamaları oluşturun ve bir bağlantı dizesinde yönetilen kimlik belirtin:
1. Dizin oluşturucu tarafından veri almak için Depolama Blobu Veri Okuyucusu atayın. Bilgi deposu oluşturmak ve yüklemek için Depolama Blob Verisi Katkıda Bulunan Rolü ve Depolama Tablosu Verisi Katkıda Bulunan Rolü atayın. Arama hizmeti rol atamanız için sistem tarafından atanan yönetilen kimliği veya kullanıcı tarafından atanan yönetilen kimliği kullanabilirsiniz.
2. Sistem tarafından atanan yönetilen kimlik kullanılarak yapılan bağlantılar için, hesap anahtarı veya parolası olmayan ResourceId içeren bir bağlantı dizesi alın. ResourceId depolama hesabının abonelik kimliğini, depolama hesabının kaynak grubunu ve depolama hesabı adını içermelidir. bağlantı dizesi aşağıdaki örneğe benzer:
```
"credentials" : { 
    "connectionString" : "ResourceId=/subscriptions/00000000-0000-0000-0000-00000000/resourceGroups/MY-DEMO-RESOURCE-GROUP/providers/Microsoft.Storage/storageAccounts/MY-DEMO-STORAGE-ACCOUNT/;" 
}
```
3. Kullanıcı tarafından atanan yönetilen kimlik kullanılarak yapılan bağlantılar için, hesap anahtarı veya parolası olmayan ResourceId içeren bir bağlantı dizesi alın. ResourceId depolama hesabının abonelik kimliğini, depolama hesabının kaynak grubunu ve depolama hesabı adını içermelidir. Aşağıdaki örnekte gösterilen söz dizimini kullanarak bir kimlik sağlayın. userAssignedIdentity değerini kullanıcı tarafından atanan yönetilen kimliğe ayarlayın. bağlantı dizesi aşağıdaki örneğe benzer:
```
"credentials" : { 
    "connectionString" : "ResourceId=/subscriptions/00000000-0000-0000-0000-00000000/resourceGroups/MY-DEMO-RESOURCE-GROUP/providers/Microsoft.Storage/storageAccounts/MY-DEMO-STORAGE-ACCOUNT/;" 
},
"identity" : { 
    "@odata.type": "#Microsoft.Azure.Search.DataUserAssignedIdentity",
    "userAssignedIdentity" : "/subscriptions/00000000-0000-0000-0000-00000000/resourcegroups/MY-DEMO-RESOURCE-GROUP/providers/Microsoft.ManagedIdentity/userAssignedIdentities/MY-DEMO-USER-MANAGED-IDENTITY" 
}
```

Modelleri hazırlama

Bu öğreticide, becerinin Azure Vision multimodal 4.0 ekleme modelini çağırdığı mevcut bir Dökümhane kaynağınız olduğu varsayılır. Arama hizmeti, yönetilen kimliğini kullanarak beceri kümesi işlenirken modele bağlanır. Bu bölüm, yetkili erişim için rol atama konusunda size rehberlik ve bağlantılar sağlar.

Aynı rol ataması, Bir Dökümhane kaynağı aracılığıyla Azure Belge Zekası düzen modeline erişmek için de kullanılır.

Azure portalında (Foundry portalında değil) oturum açın ve Foundry kaynağını bulun. Çok modüllü 4.0 API'sini ve Azure Belge Zekası düzen modelini sağlayan bir bölgede olduğundan emin olun.
Erişim denetimi (IAM) öğesini seçin.
Ekle'yi ve ardından Rol ataması ekle'yi seçin.
Bilişsel Hizmetler Kullanıcısı için arama yapın ve ardından seçin.
Yönetilen kimlik'i seçin ve ardından arama hizmeti yönetilen kimliğinizi atayın.

REST dosyanızı ayarlama

Bu eğitimde, Azure AI Search'e yönelik yerel REST istemci bağlantınız için bir uç nokta ve bir API anahtarı gerekmektedir. Bu değerleri Azure portalından alabilirsiniz. Alternatif bağlantı yöntemleri için bkz. Arama hizmetine bağlanma.

Dizin oluşturucu ve beceri kümesi işleme sırasında gerçekleşen kimliği doğrulanmış bağlantılar için, arama hizmeti daha önce tanımladığınız rol atamalarını kullanır.

Visual Studio Code'u başlatın ve yeni bir dosya oluşturun.
İstekte kullanılan değişkenler için değerler sağlayın. için @storageConnection, bağlantı dizenizin sonunda noktalı virgül veya tırnak işareti olmadığından emin olun. @imageProjectionContainer için, blob depolamada benzersiz bir kapsayıcı adı sağlayın. Azure AI Search, beceri işleme sırasında bu kapsayıcıyı sizin için oluşturur.
```
@searchUrl = PUT-YOUR-SEARCH-SERVICE-ENDPOINT-HERE
@searchApiKey = PUT-YOUR-ADMIN-API-KEY-HERE
@storageConnection = PUT-YOUR-STORAGE-CONNECTION-STRING-HERE
@cognitiveServicesUrl = PUT-YOUR-AZURE-AI-FOUNDARY-ENDPOINT-HERE
@modelVersion = 2023-04-15
@imageProjectionContainer=sustainable-ai-pdf-images
```
Veya .rest dosya uzantısını kullanarak .http dosyayı kaydedin. REST istemcisiyle ilgili yardım için bkz . Hızlı Başlangıç: REST kullanarak tam metin arama.

Azure AI Arama uç noktasını ve API anahtarını almak için:

Azure portalında oturum açın, arama hizmetine Genel Bakış sayfasına gidin ve URL'yi kopyalayın. Örnek uç nokta https://mydemo.search.windows.net şeklinde görünebilir.
Ayarlarbir yönetici anahtarı kopyalayın. Yönetici anahtarları nesneleri eklemek, değiştirmek ve silmek için kullanılır. Değiştirilebilir iki yönetici anahtarı vardır. İkisini de kopyalayın.

Veri kaynağı oluşturun

Veri Kaynağı Oluştur (REST), hangi verilerin dizine alınacağını belirten bir veri kaynağı bağlantısı oluşturur.

### Create a data source using system-assigned managed identities
POST {{searchUrl}}/datasources?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}

  {
    "name": "doc-intelligence-multimodal-embedding-ds",
    "description": "A data source to store multimodal documents",
    "type": "azureblob",
    "subtype": null,
    "credentials":{
      "connectionString":"{{storageConnection}}"
    },
    "container": {
      "name": "sustainable-ai-pdf",
      "query": null
    },
    "dataChangeDetectionPolicy": null,
    "dataDeletionDetectionPolicy": null,
    "encryptionKey": null,
    "identity": null
  }

İsteği gönderin. Yanıt şöyle görünmelidir:

HTTP/1.1 201 Created
Transfer-Encoding: chunked
Content-Type: application/json; odata.metadata=minimal; odata.streaming=true; charset=utf-8
Location: https://<YOUR-SEARCH-SERVICE-NAME>.search.windows-int.net:443/datasources('doc-extraction-multimodal-embedding-ds')?api-version=2025-11-01-preview -Preview
Server: Microsoft-IIS/10.0
Strict-Transport-Security: max-age=2592000, max-age=15724800; includeSubDomains
Preference-Applied: odata.include-annotations="*"
OData-Version: 4.0
request-id: 4eb8bcc3-27b5-44af-834e-295ed078e8ed
elapsed-time: 346
Date: Sat, 26 Apr 2025 21:25:24 GMT
Connection: close

{
  "name": "doc-extraction-multimodal-embedding-ds",
  "description": null,
  "type": "azureblob",
  "subtype": null,
  "indexerPermissionOptions": [],
  "credentials": {
    "connectionString": null
  },
  "container": {
    "name": "sustainable-ai-pdf",
    "query": null
  },
  "dataChangeDetectionPolicy": null,
  "dataDeletionDetectionPolicy": null,
  "encryptionKey": null,
  "identity": null
}

Dizin oluşturma

Dizin Oluştur (REST), arama hizmetinizde bir arama dizini oluşturur. Dizin, tüm parametreleri ve parametrelerin özniteliklerini belirtir.

İç içe JSON için dizin alanlarının kaynak alanlarla aynı olması gerekir. Azure AI Search şu anda iç içe JSON ile alan eşlemelerini desteklemediğinden alan adlarının ve veri türlerinin tamamen eşleşmesi gerekir. Aşağıdaki dizin ham içerikteki JSON öğelerine hizalanır.

### Create an index
POST {{searchUrl}}/indexes?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}

{
    "name": "doc-intelligence-multimodal-embedding-index",
    "fields": [
        {
            "name": "content_id",
            "type": "Edm.String",
            "retrievable": true,
            "key": true,
            "analyzer": "keyword"
        },
        {
            "name": "text_document_id",
            "type": "Edm.String",
            "searchable": false,
            "filterable": true,
            "retrievable": true,
            "stored": true,
            "sortable": false,
            "facetable": false
        },          
        {
            "name": "document_title",
            "type": "Edm.String",
            "searchable": true
        },
        {
            "name": "image_document_id",
            "type": "Edm.String",
            "filterable": true,
            "retrievable": true
        },
        {
            "name": "content_text",
            "type": "Edm.String",
            "searchable": true,
            "retrievable": true
        },
        {
            "name": "content_embedding",
            "type": "Collection(Edm.Single)",
            "dimensions": 1024,
            "searchable": true,
            "retrievable": true,
            "vectorSearchProfile": "hnsw"
        },
        {
            "name": "content_path",
            "type": "Edm.String",
            "searchable": false,
            "retrievable": true
        },
        {
            "name": "offset",
            "type": "Edm.String",
            "searchable": false,
            "retrievable": true
        },
        {
            "name": "location_metadata",
            "type": "Edm.ComplexType",
            "fields": [
                {
                "name": "page_number",
                "type": "Edm.Int32",
                "searchable": false,
                "retrievable": true
                },
                {
                "name": "bounding_polygons",
                "type": "Edm.String",
                "searchable": false,
                "retrievable": true,
                "filterable": false,
                "sortable": false,
                "facetable": false
                }
            ]
        }         
    ],
    "vectorSearch": {
        "profiles": [
            {
                "name": "hnsw",
                "algorithm": "defaulthnsw",
                "vectorizer": "demo-vectorizer"
            }
        ],
        "algorithms": [
            {
                "name": "defaulthnsw",
                "kind": "hnsw",
                "hnswParameters": {
                    "m": 4,
                    "efConstruction": 400,
                    "metric": "cosine"
                }
            }
        ],
        "vectorizers": [
            {
                "name": "demo-vectorizer",
                "kind": "aiServicesVision",
                "aiServicesVisionParameters": {
                    "resourceUri": "{{cognitiveServicesUrl}}",
                    "authIdentity": null,
                    "modelVersion": "{{modelVersion}}"
                }
            }
        ]     
    },
    "semantic": {
        "defaultConfiguration": "semanticconfig",
        "configurations": [
            {
                "name": "semanticconfig",
                "prioritizedFields": {
                    "titleField": {
                        "fieldName": "document_title"
                    },
                    "prioritizedContentFields": [
                    ],
                    "prioritizedKeywordsFields": []
                }
            }
        ]
    }
}

Önemli noktalar:

Metin ve görüntü ekleme işlemleri alanda content_embedding depolanır ve 1024 ve vektör arama profili gibi uygun boyutlarda yapılandırılmalıdır.
location_metadata her metin öbekleri ve normalleştirilmiş görüntü için sınırlayıcı çokgen ve sayfa numarası meta verilerini yakalar ve hassas uzamsal arama veya kullanıcı arabirimi katmanlarını etkinleştirir.
Vektör araması hakkında daha fazla bilgi için bkz. Azure AI Search'te vektörler.
Anlam derecelendirmesi hakkında daha fazla bilgi için bkz. Azure AI Search'te anlam derecelendirmesi.

Beceri kümesi oluşturma

Beceri Kümesi Oluştur (REST), arama hizmetinizde bir beceri kümesi oluşturur. Beceri kümesi, dizin oluşturmadan önce içeriği öbekleyen ve ekleyen işlemleri tanımlar. Bu beceri kümesi, metin ve görüntüleri ayıklamak için Belge Düzeni becerisini kullanır ve RAG uygulamalarında alıntılar için yararlı olan konum meta verilerini korur. Görüntü ve metin içeriğini vektörleştirmek için Azure Vision çok modüllü ekleme becerisini kullanır.

### Create a skillset
POST {{searchUrl}}/skillsets?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}

{
  "name": "doc-intelligence-multimodal-embedding-skillset",
  "description": "A sample skillset for multimodal using multimodal embedding",
  "skills": [
    {
      "@odata.type": "#Microsoft.Skills.Util.DocumentIntelligenceLayoutSkill",
      "name": "document-layout-skill",
      "description": "Azure Document Intelligence skill for document cracking",
      "context": "/document",
      "outputMode": "oneToMany",
      "outputFormat": "text",
      "extractionOptions": ["images", "locationMetadata"],
      "chunkingProperties": {     
          "unit": "characters",
          "maximumLength": 2000, 
          "overlapLength": 200
      },
      "inputs": [
        {
          "name": "file_data",
          "source": "/document/file_data"
        }
      ],
      "outputs": [
        { 
          "name": "text_sections", 
          "targetName": "text_sections" 
        }, 
        { 
          "name": "normalized_images", 
          "targetName": "normalized_images" 
        } 
      ]
    },
    { 
      "@odata.type": "#Microsoft.Skills.Vision.VectorizeSkill", 
      "name": "text-embedding-skill",
      "description": "Vision Vectorization skill for text",
      "context": "/document/text_sections/*", 
      "modelVersion": "2023-04-15", 
      "inputs": [ 
        { 
          "name": "text", 
          "source": "/document/text_sections/*/content" 
        } 
      ], 
      "outputs": [ 
        { 
          "name": "vector",
          "targetName": "text_vector"
        } 
      ] 
    },    
    { 
      "@odata.type": "#Microsoft.Skills.Vision.VectorizeSkill", 
      "name": "image-embedding-skill",
      "description": "Vision Vectorization skill for images",
      "context": "/document/normalized_images/*", 
      "modelVersion": "2023-04-15", 
      "inputs": [ 
        { 
          "name": "image", 
          "source": "/document/normalized_images/*" 
        } 
      ], 
      "outputs": [ 
        { 
          "name": "vector",
          "targetName": "image_vector"
        } 
      ] 
    },
    {
      "@odata.type": "#Microsoft.Skills.Util.ShaperSkill",
      "name": "shaper-skill",
      "context": "/document/normalized_images/*",
      "inputs": [
        {
          "name": "normalized_images",
          "source": "/document/normalized_images/*",
          "inputs": []
        },
        {
          "name": "imagePath",
          "source": "='my_container_name/'+$(/document/normalized_images/*/imagePath)",
          "inputs": []
        }
      ],
      "outputs": [
        {
          "name": "output",
          "targetName": "new_normalized_images"
        }
      ]
    }      
  ], 
   "indexProjections": {
      "selectors": [
        {
          "targetIndexName": "doc-intelligence-multimodal-embedding-index",
          "parentKeyFieldName": "text_document_id",
          "sourceContext": "/document/text_sections/*",
          "mappings": [    
            {
            "name": "content_embedding",
            "source": "/document/text_sections/*/text_vector"
            },                      
            {
              "name": "content_text",
              "source": "/document/text_sections/*/content"
            },
            {
              "name": "location_metadata",
              "source": "/document/text_sections/*/locationMetadata"
            },                
            {
              "name": "document_title",
              "source": "/document/document_title"
            }   
          ]
        },        
        {
          "targetIndexName": "{{index}}",
          "parentKeyFieldName": "image_document_id",
          "sourceContext": "/document/normalized_images/*",
          "mappings": [    
            {
            "name": "content_embedding",
            "source": "/document/normalized_images/*/image_vector"
            },                                           
            {
              "name": "content_path",
              "source": "/document/normalized_images/*/new_normalized_images/imagePath"
            },                    
            {
              "name": "document_title",
              "source": "/document/document_title"
            },
            {
              "name": "location_metadata",
              "source": "/document/normalized_images/*/locationMetadata"
            }             
          ]
        }
      ],
      "parameters": {
        "projectionMode": "skipIndexingParentDocuments"
      }
  },
  "cognitiveServices": {
    "@odata.type": "#Microsoft.Azure.Search.AIServicesByIdentity",
    "subdomainUrl": "{{cognitiveServicesUrl}}",
    "identity": null
  },
  "knowledgeStore": {
    "storageConnectionString": "",
    "identity": null,
    "projections": [
      {
        "files": [
          {
            "storageContainer": "{{imageProjectionContainer}}",
            "source": "/document/normalized_images/*"
          }
        ]
      }
    ]
  }
}

Bu beceri kümesi metin ve görüntüleri ayıklar, her ikisini de vektörleştirir ve görüntü meta verilerini dizine yansıtmak üzere şekillendirir.

Önemli noktalar:

Alan content_text , Belge Düzeni Becerisi kullanılarak ayıklanan ve öbeklenmiş metinle doldurulur
content_path , belirlenen görüntü projeksiyon kapsayıcısı içindeki görüntü dosyasının göreli yolunu içerir. Bu alan yalnızca extractOption veya ["images", "locationMetadata"] olarak ayarlandığında belgelerden ["images"] ayıklanan görüntüler için oluşturulur ve kaynak alandaki /document/normalized_images/*/imagePath zenginleştirilmiş belgeden eşlenebilir.
Azure Vision çok modüllü ekleme becerisi, girişe göre (metin ve görüntü) ayırt edilen aynı beceri türünü kullanarak hem metin hem de görsel verilerin eklenmesine olanak tanır. Daha fazla bilgi için bkz. Azure Vision çok modüllü ekleme becerisi.

Dizin oluşturucu oluşturma ve çalıştırma

Dizin Oluşturucu Oluştur, arama hizmetinizde bir dizin oluşturucu oluşturur. Dizin oluşturucu veri kaynağına bağlanır, verileri yükler, beceri kümesi çalıştırır ve zenginleştirilmiş verilerin dizinini oluşturur.

### Create and run an indexer
POST {{searchUrl}}/indexers?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}

{
  "dataSourceName": "doc-intelligence-multimodal-embedding-ds",
  "targetIndexName": "doc-intelligence-multimodal-embedding-index",
  "skillsetName": "doc-intelligence-multimodal-embedding-skillset",
  "parameters": {
    "maxFailedItems": -1,
    "maxFailedItemsPerBatch": 0,
    "batchSize": 1,
    "configuration": {
      "allowSkillsetToReadFileData": true
    }
  },
  "fieldMappings": [
    {
      "sourceFieldName": "metadata_storage_name",
      "targetFieldName": "document_title"
    }
  ],
  "outputFieldMappings": []
}

Sorgu çalıştırma

İlk belge yüklenir yüklenmez aramaya başlayabilirsiniz.

### Query the index
POST {{searchUrl}}/indexes/doc-intelligence-multimodal-embedding-index/docs/search?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}
  
  {
    "search": "*",
    "count": true
  }

İsteği gönderin. Bu, dizinde alınabilir olarak işaretlenmiş tüm alanları ve belge sayısını döndüren, belirtilmemiş bir tam metin arama sorgusudur. Yanıt şöyle görünmelidir:

{
  "@odata.count": 100,
  "@search.nextPageParameters": {
    "search": "*",
    "count": true,
    "skip": 50
  },
  "value": [
  ],
  "@odata.nextLink": "https://<YOUR-SEARCH-SERVICE-NAME>.search.windows.net/indexes/doc-intelligence-multimodal-embedding-index/docs/search?api-version=2025-11-01-preview "
}

Yanıt olarak 100 belge iade edilir.

Filtreler için Mantıksal işleçleri (ve veya değil) ve karşılaştırma işleçlerini (eq, ne, gt, lt, ge, le) de kullanabilirsiniz. Dize karşılaştırmaları büyük/küçük harfe duyarlıdır. Daha fazla bilgi ve örnek için bkz. Basit arama sorguları örnekleri.

Note

$filter parametresi yalnızca dizin oluşturma sırasında filtrelenebilir olarak işaretlenmiş alanlarda çalışır.

### Query for only images
POST {{searchUrl}}/indexes/doc-intelligence-multimodal-embedding-index/docs/search?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}
  
  {
    "search": "*",
    "count": true,
    "filter": "image_document_id ne null"
  }

### Query for text or images with content related to energy, returning the id, parent document, and text (only populated for text chunks), and the content path where the image is saved in the knowledge store (only populated for images)
POST {{searchUrl}}/indexes/doc-intelligence-multimodal-embedding-index/docs/search?api-version=2025-11-01-preview   HTTP/1.1
  Content-Type: application/json
  api-key: {{searchApiKey}}
  
  {
    "search": "energy",
    "count": true,
    "select": "content_id, document_title, content_text, content_path"
  }

Sıfırla ve yeniden çalıştır

Indexleyiciler, yürütme geçmişini temizleyerek tam bir yeniden çalıştırmaya izin verecek şekilde sıfırlanabilir. Aşağıdaki POST istekleri sıfırlamaya yöneliktir ve ardından yeniden çalıştırılır.

### Reset the indexer
POST {{searchUrl}}/indexers/doc-intelligence-multimodal-embedding-indexer/reset?api-version=2025-11-01-preview   HTTP/1.1
  api-key: {{searchApiKey}}

### Run the indexer
POST {{searchUrl}}/indexers/doc-intelligence-multimodal-embedding-indexer/run?api-version=2025-11-01-preview   HTTP/1.1
  api-key: {{searchApiKey}}

### Check indexer status 
GET {{searchUrl}}/indexers/doc-intelligence-multimodal-embedding-indexer/status?api-version=2025-11-01-preview   HTTP/1.1
  api-key: {{searchApiKey}}

Kaynakları temizle

Kendi aboneliğinizde çalışırken, bir projenin sonunda artık ihtiyacınız olmayan kaynakları kaldırmak iyi bir fikirdir. Çalışır durumda bırakılan kaynaklar sana pahalıya mal olabilir. Kaynakları tek tek silebilir veya kaynak grubunu silip kaynak kümesinin tamamını silebilirsiniz.

Dizinleri, dizin oluşturucuları ve veri kaynaklarını silmek için Azure portalını kullanabilirsiniz.

Ayrıca bakınız

Artık çok modlu dizin oluşturma senaryosunun örnek uygulaması hakkında bilgi sahibi olduğunuz için bkz:

Geri Bildirim

Bu sayfayı yararlı buldunuz mu?

Last updated on 2025-11-18