Propriedades de metadados de conteúdo usadas na Pesquisa de IA do Azure
Várias fontes de dados com suporte de indexador, incluindo o Armazenamento de Blobs do Azure, o Azure Data Lake Storage Gen2 e o SharePoint, contêm arquivos autônomos ou objetos incorporados de vários tipos de conteúdo. Muitos desses tipos de conteúdo têm propriedades de metadados que podem ser úteis para indexação. Assim como você pode criar campos de pesquisa para propriedades de blob padrão como metadata_storage_name, você pode criar campos em um índice de pesquisa para propriedades de metadados que são específicas para um formato de documento.
Formatos de documento suportados
O Azure AI Search dá suporte à indexação de blob e à indexação de documentos do SharePoint para os seguintes formatos de documento:
- CSV (consulte Indexação de blobs CSV)
- EML
- EPUB
- GZ
- HTML
- JSON (consulte Indexação de blobs JSON)
- KML (XML para representações geográficas)
- Formatos do Microsoft Office: DOCX/DOC/DOCM, XLSX/XLS/XLSM, PPTX/PPT/PPTM, MSG (e-mails do Outlook), XML (XML WORD de 2003 e 2006)
- Formatos de documentos abertos: ODT, ODS, ODP
- Arquivos de texto sem formatação (consulte também Indexação de texto sem formatação)
- RTF
- XML
- CEP
Propriedades do formato do documento
A tabela a seguir resume o processamento para cada formato de documento e descreve as propriedades de metadados extraídas por um indexador de blob e o indexador do SharePoint Online.
| Formato do documento / tipo de conteúdo | Metadados extraídos | Detalhes de processamento |
|---|---|---|
| CSV (texto/csv) | metadata_content_typemetadata_content_encoding |
Extrair texto NOTA: Se você precisar extrair vários campos de documento de um blob CSV, consulte Indexar blobs CSV |
| DOC (aplicação/msword) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrair texto, incluindo documentos incorporados |
| DOCM (aplicativo/vnd.ms-word.document.macroenabled.12) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrair texto, incluindo documentos incorporados |
| DOCX (aplicativo/vnd.openxmlformats-officedocument.wordprocessingml.document) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrair texto, incluindo documentos incorporados |
| EML (mensagem/rfc822) | metadata_content_typemetadata_message_frommetadata_message_tometadata_message_ccmetadata_creation_datemetadata_subject |
Extrair texto, incluindo anexos |
| EPUB (aplicação/epub+zip) | metadata_content_typemetadata_authormetadata_creation_datemetadata_titlemetadata_descriptionmetadata_languagemetadata_keywordsmetadata_identifiermetadata_publisher |
Extrair texto de todos os documentos no arquivo |
| GZ (aplicação/gzip) | metadata_content_type |
Extrair texto de todos os documentos no arquivo |
| HTML (texto/html ou aplicação/xhtml+xml) | metadata_content_encodingmetadata_content_typemetadata_languagemetadata_descriptionmetadata_keywordsmetadata_title |
Remover elementos HTML e extrair texto |
| JSON (aplicativo/json) | metadata_content_typemetadata_content_encoding |
Extrair texto NOTA: Se você precisar extrair vários campos de documento de um blob JSON, consulte Indexar blobs JSON |
| KML (aplicativo/vnd.google-earth.kml+xml) | metadata_content_typemetadata_content_encodingmetadata_language |
Remover elementos XML e extrair texto |
| MSG (aplicativo/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 |
Extraia texto, incluindo texto extraído de anexos. metadata_message_to_email, metadata_message_cc_emaile metadata_message_bcc_email são coleções de cadeias de caracteres. O resto dos campos são strings. |
| ODP (aplicativo/vnd.oasis.opendocument.presentation) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_title |
Extrair texto, incluindo documentos incorporados |
| ODS (aplicativo/vnd.oasis.opendocument.spreadsheet) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrair texto, incluindo documentos incorporados |
| ODT (aplicativo/vnd.oasis.opendocument.text) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrair texto, incluindo documentos incorporados |
| PDF (aplicação/pdf) | metadata_content_typemetadata_languagemetadata_authormetadata_titlemetadata_creation_date |
Extrair texto, incluindo documentos incorporados (excluindo imagens) |
| Texto simples (texto/simples) | metadata_content_typemetadata_content_encodingmetadata_language |
Extrair texto |
| PPT (aplicativo/vnd.ms-powerpoint) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrair texto, incluindo documentos incorporados |
| PPTM (aplicativo/vnd.ms-powerpoint.presentation.macroenabled.12) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrair texto, incluindo documentos incorporados |
| PPTX (aplicativo/vnd.openxmlformats-officedocument.presentationml.presentation) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modifiedmetadata_slide_countmetadata_title |
Extrair texto, incluindo documentos incorporados |
| RTF (aplicação/rtf) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Extrair texto |
| XML do WORD 2003 (application/vnd.ms-wordml) | metadata_content_typemetadata_authormetadata_creation_date |
Remover elementos XML e extrair texto |
| XML do WORD (application/vnd.ms-word2006ml) | metadata_content_typemetadata_authormetadata_character_countmetadata_creation_datemetadata_last_modifiedmetadata_page_countmetadata_word_count |
Remover elementos XML e extrair texto |
| XLS (aplicativo/vnd.ms-excel) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrair texto, incluindo documentos incorporados |
| XLSM (aplicativo/vnd.ms-excel.sheet.macroenabled.12) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrair texto, incluindo documentos incorporados |
| XLSX (aplicativo/vnd.openxmlformats-officedocument.spreadsheetml.sheet) | metadata_content_typemetadata_authormetadata_creation_datemetadata_last_modified |
Extrair texto, incluindo documentos incorporados |
| XML (aplicativo/xml) | metadata_content_typemetadata_content_encodingmetadata_language |
Remover elementos XML e extrair texto |
| ZIP (aplicação/zip) | metadata_content_type |
Extrair texto de todos os documentos no arquivo |