Vlastnosti metadat obsahu používané ve službě Azure AI Search
Několik zdrojů dat podporovaných indexerem, včetně Azure Blob Storage, Azure Data Lake Storage Gen2 a SharePointu, obsahuje samostatné soubory nebo vložené objekty různých typů obsahu. Mnoho z těchto typů obsahu má vlastnosti metadat, které mohou být užitečné k indexování. Stejně jako můžete vytvořit vyhledávací pole pro standardní vlastnosti objektu blob, jako je metadata_storage_name, můžete v indexu vyhledávání vytvořit vlastnosti metadat, které jsou specifické pro formát dokumentu.
Podporované formáty dokumentů
Azure AI Search podporuje indexování objektů blob a indexování dokumentů SharePointu pro následující formáty dokumentů:
- CSV (viz indexování objektů blob CSV)
- EML
- EPUB
- GZ
- HTML
- JSON (viz indexování objektů blob JSON)
- KML (XML pro geografické reprezentace)
- formáty systém Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPTM, MSG (e-maily Outlooku), XML (2003 i 2006 WORD XML)
- Formáty otevřených dokumentů: ODT, ODS, ODP
- Soubory ve formátu prostého textu (viz také indexování prostého textu)
- RTF
- XML
- ZIP
Vlastnosti formátu dokumentu
Následující tabulka shrnuje zpracování pro každý formát dokumentu a popisuje vlastnosti metadat extrahované indexerem objektů blob a indexerem SharePointu Online.
| Formát dokumentu / typ obsahu | Extrahovaná metadata | Zpracování podrobností |
|---|---|---|
| CSV (text/csv) | metadata_content_typemetadata_content_encoding |
Extrakce textu POZNÁMKA: Pokud potřebujete extrahovat více polí dokumentu z objektu blob CSV, přečtěte si téma Indexování objektů blob CSV. |
| DOC (application/msword) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrahování textu včetně vložených dokumentů |
| DOCM (aplikace/vnd.ms-word.document.macroenabled.12) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrahování textu včetně vložených dokumentů |
| DOCX (application/vnd.openxmlformats-officedocument.wordprocessingml.document) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrahování textu včetně vložených dokumentů |
| EML (zpráva/rfc822) | metadata_content_typemetadata_message_frommetadata_message_tometadata_message_ccmetadata_creation_datemetadata_subject |
Extrahování textu včetně příloh |
| EPUB (aplikace/epub+zip) | metadata_content_typemetadata_authormetadata_creation_datemetadata_titlemetadata_descriptionmetadata_languagemetadata_keywordsmetadata_identifiermetadata_publisher |
Extrahování textu ze všech dokumentů v archivu |
| GZ (application/gzip) | metadata_content_type |
Extrahování textu ze všech dokumentů v archivu |
| HTML (text/html nebo application/xhtml+xml) | metadata_content_encodingmetadata_content_typemetadata_languagemetadata_descriptionmetadata_keywordsmetadata_title |
Odstranění elementů HTML a extrakce textu |
| JSON (application/json) | metadata_content_typemetadata_content_encoding |
Extrakce textu POZNÁMKA: Pokud potřebujete extrahovat více polí dokumentu z objektu blob JSON, přečtěte si téma Indexování objektů blob JSON. |
| KML (aplikace/vnd.google-earth.kml+xml) | metadata_content_typemetadata_content_encodingmetadata_language |
Odstranění elementů XML a extrakce textu |
| MSG (application/vnd.ms-outlook) | metadata_content_typemetadata_message_frommetadata_message_from_emailmetadata_message_tometadata_message_to_emailmetadata_message_ccmetadata_message_cc_emailmetadata_message_bccmetadata_message_bcc_emailmetadata_creation_datemetadata_last_modifiedmetadata_subject |
Extrahujte text, včetně textu extrahovaného z příloh. metadata_message_to_email, metadata_message_cc_emaila metadata_message_bcc_email jsou kolekce řetězců. Zbývající pole jsou řetězce. |
| ODP (application/vnd.oasis.opendocument.presentation) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_title |
Extrahování textu včetně vložených dokumentů |
| ODS (application/vnd.oasis.opendocument.spreadsheet) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrahování textu včetně vložených dokumentů |
| ODT (application/vnd.oasis.opendocument.text) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrahování textu včetně vložených dokumentů |
| PDF (aplikace/pdf) | metadata_content_typemetadata_languagemetadata_authormetadata_titlemetadata_creation_date |
Extrahování textu včetně vložených dokumentů (s výjimkou obrázků) |
| Prostý text (text/prostý) | metadata_content_typemetadata_content_encodingmetadata_language |
Extrakce textu |
| PPT (application/vnd.ms-powerpoint) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrahování textu včetně vložených dokumentů |
| PPTM (application/vnd.ms-powerpoint.presentation.macroenabled.12) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrahování textu včetně vložených dokumentů |
| PPTX (application/vnd.openxmlformats-officedocument.presentationml.presentationml.presentation) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrahování textu včetně vložených dokumentů |
| RTF (aplikace/rtf) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrakce textu |
| WORD 2003 XML (application/vnd.ms-wordml) | metadata_content_typemetadata_authormetadata_creation_date |
Odstranění elementů XML a extrakce textu |
| WORD XML (application/vnd.ms-word2006ml) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Odstranění elementů XML a extrakce textu |
| XLS (aplikace/vnd.ms-excel) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrahování textu včetně vložených dokumentů |
| XLSM (aplikace/vnd.ms-excel.sheet.macroenabled.12) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrahování textu včetně vložených dokumentů |
| XLSX (application/vnd.openxmlformats-officedocument.spreadsheetml.sheet) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrahování textu včetně vložených dokumentů |
| XML (application/xml) | metadata_content_typemetadata_content_encodingmetadata_language |
Odstranění elementů XML a extrakce textu |
| ZIP (aplikace/zip) | metadata_content_type |
Extrahování textu ze všech dokumentů v archivu |