Propiedades de metadatos de contenido usadas en Azure AI Search

Varios orígenes de datos admitidos por el indexador, como Azure Blob Storage, Azure Data Lake Storage Gen2 y SharePoint, contienen archivos independientes o objetos incrustados de varios tipos de contenido. Muchos de esos tipos de contenido tienen propiedades de metadatos que pueden ser útiles para indexar. Del mismo modo que se pueden crear campos de búsqueda para las propiedades de estándar de los blobs, como metadata_storage_name, también se pueden crear en un índice de búsqueda para las propiedades de los metadatos que son específicas de un formato de documento.

Formatos de documento admitidos

Azure AI Search admite la indexación de blobs y la indexación de documentos de SharePoint con los siguientes formatos de documento:

• CSV (consulte Indexación de blobs CSV)
• EML
• EPUB
• GZ
• HTML
• JSON (vea Indexación de blobs JSON)
• KML (XML para representaciones geográficas)
• Formatos de Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (correos electrónicos de Outlook), XML (WORD XML 2003 y 2006)
• Formatos de Open Document: ODT, ODS, ODP
• PDF
• Archivos de texto sin formato (vea también Indexing plain text (Indexación de texto sin formato))
• RTF
• XML
• ZIP

Propiedades de formato de documento

En la siguiente tabla se resume el procesamiento para cada formato de documento y se describen las propiedades de metadatos que extrae un indexador de blobs y el indexador de SharePoint Online.

Formato de documento/Tipo de contenido	Metadatos extraídos	Detalles de procesamiento
CSV (text/csv)	metadata_content_type metadata_content_encoding	Extraer texto NOTA: Si necesita extraer varios campos de documento de un blob CSV, consulte indexar blobs CSV
DOC (application/msword)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Extraer texto, incluyendo los documentos insertados
DOCM (application/vnd.ms-word.document.macroenabled.12)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Extraer texto, incluyendo los documentos insertados
DOCX (application/vnd.openxmlformats-officedocument.wordprocessingml.document)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Extraer texto, incluyendo los documentos insertados
EML (message/rfc822)	metadata_content_type metadata_message_from metadata_message_to metadata_message_cc metadata_creation_date metadata_subject	Extraer texto, incluidos los datos adjuntos
EPUB (application/epub+zip)	metadata_content_type metadata_author metadata_creation_date metadata_title metadata_description metadata_language metadata_keywords metadata_identifier metadata_publisher	Extraer el texto de todos los documentos en el archivo
GZ (application/gzip)	metadata_content_type	Extraer el texto de todos los documentos en el archivo
HTML (text/html o application/xhtml+xml)	metadata_content_encoding metadata_content_type metadata_language metadata_description metadata_keywords metadata_title	Quitar elementos HTML y extraer texto
JSON (application/json)	metadata_content_type metadata_content_encoding	Extraer texto NOTA: Si necesita extraer varios campos de documento de un blob JSON, consulte indexar blobs de JSON
KML (application/vnd.google-earth.kml+xml)	metadata_content_type metadata_content_encoding metadata_language	Quitar elementos XML y extraer texto
MSG (application/vnd.ms-outlook)	metadata_content_type metadata_message_from metadata_message_from_email metadata_message_to metadata_message_to_email metadata_message_cc metadata_message_cc_email metadata_message_bcc metadata_message_bcc_email metadata_creation_date metadata_last_modified metadata_subject	Extraer texto, incluyendo el texto extraído de los datos adjuntos. metadata_message_to_email, metadata_message_cc_email y metadata_message_bcc_email son colecciones de cadenas. El resto de los campos son cadenas.
ODP (application/vnd.oasis.opendocument.presentation)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_title	Extraer texto, incluyendo los documentos insertados
ODS (application/vnd.oasis.opendocument.spreadsheet)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified	Extraer texto, incluyendo los documentos insertados
ODT (application/vnd.oasis.opendocument.text)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Extraer texto, incluyendo los documentos insertados
PDF (application/pdf)	metadata_content_type metadata_language metadata_author metadata_title metadata_creation_date	Extraer texto, incluyendo los documentos insertados (excepto las imágenes)
Plain text (text/plain)	metadata_content_type metadata_content_encoding metadata_language	Extraer texto
PPT (application/vnd.ms-powerpoint)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title	Extraer texto, incluyendo los documentos insertados
PPTM (application/vnd.ms-powerpoint.presentation.macroenabled.12)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title	Extraer texto, incluyendo los documentos insertados
PPTX (application/vnd.openxmlformats-officedocument.presentationml.presentation)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified metadata_slide_count metadata_title	Extraer texto, incluyendo los documentos insertados
RTF (aplicación/rtf)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Extraer texto
WORD 2003 XML (application/vnd.ms-wordml)	metadata_content_type metadata_author metadata_creation_date	Quitar elementos XML y extraer texto
WORD XML (application/vnd.ms-word2006ml)	metadata_content_type metadata_author metadata_character_count metadata_creation_date metadata_last_modified metadata_page_count metadata_word_count	Quitar elementos XML y extraer texto
XLS (application/vnd.ms-excel)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified	Extraer texto, incluyendo los documentos insertados
XLSM (application/vnd.ms-excel.sheet.macroenabled.12)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified	Extraer texto, incluyendo los documentos insertados
XLSX (application/vnd.openxmlformats-officedocument.spreadsheetml.sheet)	metadata_content_type metadata_author metadata_creation_date metadata_last_modified	Extraer texto, incluyendo los documentos insertados
XML (application/xml)	metadata_content_type metadata_content_encoding metadata_language	Quitar elementos XML y extraer texto
ZIP (application/zip)	metadata_content_type	Extraer el texto de todos los documentos en el archivo

Contenido relacionado

• Indexadores en Azure AI Search
• Enriquecimiento con IA en Azure AI Search
• Búsqueda en el contenido de Azure Blob Storage
• Indexar datos de SharePoint