Remarque
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de vous connecter ou de modifier des répertoires.
L’accès à cette page nécessite une autorisation. Vous pouvez essayer de modifier des répertoires.
Azure AI Search peut extraire et indexer à la fois le texte et les images à partir de documents PDF stockés dans le stockage Blob Azure. Ce tutoriel vous montre comment créer un pipeline d’indexation modal qui segmente les données en fonction de la structure de document et utilise la verbalisation d’images pour décrire des images. Les images rognées sont stockées dans une base de connaissances, et le contenu visuel est décrit en langage naturel et ingéré en même temps que du texte dans un index pouvant faire l’objet d’une recherche. La segmentation est basée sur le modèle de disposition d'Azure Document Intelligence dans les outils Foundry qui reconnaît la structure du document.
Pour obtenir des verbalisations d’images, chaque image extraite est transmise à la compétence d'invite GenAI (préversion) qui appelle un modèle de finalisation de discussion pour générer une description textuelle concise. Ces descriptions, ainsi que le texte du document d’origine, sont ensuite incorporées dans des représentations vectorielles à l’aide du modèle text-embedding-3-large d’Azure OpenAI. Le résultat est un index unique contenant du contenu pouvant faire l’objet d’une recherche à partir des deux modalités : du texte et des images verbales.
Dans ce tutoriel, vous utilisez :
Document PDF de 36 pages qui combine du contenu visuel enrichi, tel que des graphiques, des infographies et des pages numérisées, avec du texte traditionnel.
Un indexeur et un ensemble de compétences pour créer un pipeline d’indexation qui inclut l’enrichissement par IA par le biais de compétences.
Compétence de disposition du document pour extraire du texte et des images normalisées avec ses
locationMetadataà partir de différents documents, tels que les numéros de page ou les régions englobantes.La compétence d’invite GenAI (préversion) qui appelle un modèle d’achèvement de conversation pour créer des descriptions de contenu visuel.
Index de recherche configuré pour stocker le texte extrait et les verbalisations d’images. Certains contenus sont vectorisés pour la recherche de similarité basée sur des vecteurs.
Prerequisites
Ressource Microsoft Foundry. Cette ressource fournit l’accès au modèle de disposition Azure Document Intelligence utilisé dans ce tutoriel. Vous devez utiliser une ressource Foundry pour l’accès à cet ensemble de compétences.
Recherche Azure AI. Configurez votre service de recherche pour le contrôle d’accès en fonction du rôle et une identité managée. Votre service doit se trouver sur le niveau De base ou supérieur. Ce tutoriel n’est pas pris en charge sur le niveau Gratuit.
Stockage Azure, utilisé pour stocker des exemples de données et pour créer une base de connaissances.
Azure OpenAI avec un déploiement de
Modèle d’achèvement de conversation hébergé dans Foundry ou une autre source. Le modèle est utilisé pour verbaliser le contenu de l’image. Vous fournissez l’URI au modèle hébergé dans la définition de compétence Requête GenAI. Vous pouvez utiliser n’importe quel modèle d’achèvement de conversation.
Modèle d’incorporation de texte déployé dans Foundry. Le modèle est utilisé pour vectoriser l’extraction de contenu de texte à partir de documents sources et les descriptions d’images générées par le modèle d’achèvement de conversation. Pour la vectorisation intégrée, le modèle d’incorporation doit se trouver dans Foundry, et il doit être soit text-embedding-ada-002, text-embedding-3-large, soit text-embedding-3-small. Si vous souhaitez utiliser un modèle d’incorporation externe, utilisez une compétence personnalisée au lieu de la compétence d’incorporation Azure OpenAI.
Visual Studio Code avec un client REST.
Limitations
- La compétence Disposition du document a une disponibilité régionale limitée. Pour obtenir la liste des régions prises en charge, consultez les régions prises en charge de la >compétence Disposition du document.
Préparer des données
Les instructions suivantes s’appliquent au Stockage Azure qui fournit les exemples de données et héberge également la base de connaissances. Une identité de service de recherche a besoin d’un accès en lecture au Stockage Azure pour récupérer les exemples de données, et elle a besoin d’un accès en écriture pour créer la base de connaissances. Le service de recherche crée le conteneur pour les images rognées pendant le traitement de l’ensemble de compétences, en utilisant le nom que vous fournissez dans une variable d’environnement.
Téléchargez l’exemple de pdf suivant : sustainable-ai-pdf
Dans Stockage Azure, créez un conteneur nommé durable-ai-pdf.
Créez des attributions de rôles et spécifiez une identité managée dans une chaîne de connexion :
Attribuez le rôle Storage Blob Data Reader pour la récupération des données par l’indexeur. Attribuez Storage Blob Data Contributor et Storage Table Data Contributor pour créer et charger la base de connaissances. Vous pouvez utiliser une identité managée affectée par le système ou une identité managée affectée par l’utilisateur pour votre attribution de rôle de service de recherche.
Pour les connexions effectuées à l’aide d’une identité managée affectée par le système, obtenez une chaîne de connexion qui contient un ResourceId, sans clé de compte ni mot de passe. ResourceId doit inclure l’ID d’abonnement du compte de stockage, le groupe de ressources du compte de stockage et le nom du compte de stockage. La chaîne de connexion est similaire à l’exemple suivant :
"credentials" : { "connectionString" : "ResourceId=/subscriptions/00000000-0000-0000-0000-00000000/resourceGroups/MY-DEMO-RESOURCE-GROUP/providers/Microsoft.Storage/storageAccounts/MY-DEMO-STORAGE-ACCOUNT/;" }Pour les connexions effectuées à l’aide d’une identité managée affectée par l’utilisateur, obtenez une chaîne de connexion qui contient un ResourceId, sans clé de compte ni mot de passe. ResourceId doit inclure l’ID d’abonnement du compte de stockage, le groupe de ressources du compte de stockage et le nom du compte de stockage. Fournissez une identité à l’aide de la syntaxe indiquée dans l’exemple suivant. Définissez userAssignedIdentity sur l’identité managée affectée par l’utilisateur. La chaîne de connexion est similaire à l’exemple suivant :
"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" }
Préparer des modèles
Ce tutoriel suppose que vous disposez d’une ressource Azure OpenAI existante via les compétences d’un modèle de complétion des conversations pour les requêtes GenAI, ainsi qu’un modèle d’incorporation de texte pour la vectorisation. Le service de recherche se connecte aux modèles pendant le traitement de l’ensemble de compétences et lors de l’exécution des requêtes à l’aide de son identité managée. Cette section fournit des conseils et des liens pour l’attribution de rôles pour l’accès autorisé.
Vous avez également besoin d’une attribution de rôle pour accéder au modèle de disposition Azure Document Intelligence via une ressource Foundry.
Attribuer des rôles dans Foundry
Connectez-vous au portail Azure (et non au portail Foundry) et recherchez la ressource Foundry. Vérifiez qu’il se trouve dans une région qui fournit le modèle de disposition Azure Document Intelligence.
Sélectionnez Contrôle d’accès (IAM) .
Sélectionnez Ajouter , puis Ajouter une attribution de rôle.
Recherchez Cognitive Services User puis sélectionnez-le.
Choisissez Identité managée , puis attribuez votre identité managée de service de recherche.
Attribuer des rôles dans Azure OpenAI
Connectez-vous au portail Azure (et non au portail Foundry) et recherchez la ressource Azure OpenAI.
Sélectionnez Contrôle d’accès (IAM) .
Sélectionnez Ajouter , puis Ajouter une attribution de rôle.
Recherchez l’utilisateur OpenAI de Cognitive Services , puis sélectionnez-le.
Choisissez Identité managée , puis attribuez votre identité managée de service de recherche.
Pour plus d’informations, consultez Le contrôle d’accès en fonction du rôle pour Azure OpenAI dans les modèles Foundry.
Configurer votre fichier REST
Pour ce tutoriel, votre connexion de client REST locale à Azure AI Search nécessite un point de terminaison et une clé API. Vous pouvez obtenir ces valeurs à partir du Portail Azure. Pour obtenir d’autres méthodes de connexion, consultez Se connecter à un service de recherche.
Pour les connexions authentifiées qui se produisent pendant le traitement de l’indexeur et de l’ensemble de compétences, le service de recherche utilise les attributions de rôles que vous avez définies précédemment.
Démarrez Visual Studio Code et créez un fichier.
Fournissez des valeurs pour les variables utilisées dans la requête. Pour
@storageConnection, assurez-vous que votre chaîne de connexion n’a pas de points-virgules ou de guillemets de fin. Pour@imageProjectionContainer, fournissez un nom de conteneur unique dans le stockage d’objets blob. Azure AI Search crée ce conteneur pour vous pendant le traitement des compétences.@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-FOUNDRY-ENDPOINT-HERE @openAIResourceUri = PUT-YOUR-OPENAI-URI-HERE @openAIKey = PUT-YOUR-OPENAI-KEY-HERE @chatCompletionResourceUri = PUT-YOUR-CHAT-COMPLETION-URI-HERE @chatCompletionKey = PUT-YOUR-CHAT-COMPLETION-KEY-HERE @imageProjectionContainer=sustainable-ai-pdf-imagesEnregistrez le fichier en utilisant une extension de fichier
.restou.http. Pour obtenir de l’aide sur le client REST, consultez Démarrage rapide : Recherche en texte intégral à l’aide de REST.
Pour obtenir le point de terminaison Azure AI Search et la clé API :
Connectez-vous au Portail Azure, accédez à la page Vue d’ensemble du service de recherche et copiez l’URL. Voici un exemple de point de terminaison :
https://mydemo.search.windows.net.Sous Paramètres>Clés, copiez une clé d’administration. Les clés d’administration sont utilisées pour ajouter, modifier et supprimer des objets. Il existe deux clés d’administration interchangeables. Copiez l’une ou l’autre.
Créer une source de données
Créer une source de données (REST) permet de créer une connexion à la source de données qui spécifie les données à indexer.
### 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-image-verbalization-ds",
"description": "A data source to store multi-modality documents",
"type": "azureblob",
"subtype": null,
"credentials":{
"connectionString":"{{storageConnection}}"
},
"container": {
"name": "sustainable-ai-pdf",
"query": null
},
"dataChangeDetectionPolicy": null,
"dataDeletionDetectionPolicy": null,
"encryptionKey": null,
"identity": null
}
Envoyez la demande. La réponse doit ressembler à ce qui suit :
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
}
Création d'un index
Créer un index (REST) permet de créer un index de recherche sur votre service de recherche. Un index spécifie tous les paramètres et leurs attributs.
Pour un JSON imbriqué, les champs d’index doivent être identiques aux champs sources. Actuellement, Azure AI Search ne prend pas en charge les mappages de champs vers json imbriqués. Par conséquent, les noms de champs et les types de données doivent correspondre complètement. L’index suivant s’aligne sur les éléments JSON dans le contenu brut.
### 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-image-verbalization-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": 3072,
"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": "azureOpenAI",
"azureOpenAIParameters": {
"resourceUri": "{{openAIResourceUri}}",
"deploymentId": "text-embedding-3-large",
"apiKey": "{{openAIKey}}",
"modelName": "text-embedding-3-large"
}
}
]
},
"semantic": {
"defaultConfiguration": "semanticconfig",
"configurations": [
{
"name": "semanticconfig",
"prioritizedFields": {
"titleField": {
"fieldName": "document_title"
},
"prioritizedContentFields": [
],
"prioritizedKeywordsFields": []
}
}
]
}
}
Points clés :
Les incorporations de texte et d’images sont stockées dans le
content_embeddingchamp et doivent être configurées avec des dimensions appropriées, telles que 3072 et un profil de recherche vectorielle.location_metadatacapture les métadonnées de polygone englobant et de numéro de page pour chaque bloc de texte et image normalisée, ce qui permet une recherche spatiale précise ou des superpositions d’interface utilisateur.Pour plus d’informations sur la recherche vectorielle, consultez Vectors in Azure AI Search.
Pour plus d’informations sur le classement sémantique, consultez Classement sémantique dans Recherche IA Azure
Créer un ensemble de compétences
Créer un ensemble de compétences (REST) crée un ensemble de compétences sur votre service de recherche. Un ensemble de compétences définit les opérations qui segmentent et incorporent du contenu avant l’indexation. Cet ensemble de compétences utilise la compétence Disposition du document pour extraire du texte et des images, en préservant les métadonnées d’emplacement qui sont utiles pour les citations dans les applications RAG. Il utilise la compétence d’incorporation Azure OpenAI pour vectoriser le contenu du texte.
L’ensemble de compétences effectue également des actions spécifiques aux images. Elle utilise la compétence Requête GenAI pour générer des descriptions d’images. Il crée également une base de connaissances qui stocke des images intactes afin de pouvoir les retourner dans une requête.
### 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-image-verbalization-skillset",
"description": "A sample skillset for multi-modality using image verbalization",
"skills": [
{
"@odata.type": "#Microsoft.Skills.Util.DocumentIntelligenceLayoutSkill",
"name": "document-cracking-skill",
"description": "Document Layout 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.Text.AzureOpenAIEmbeddingSkill",
"name": "text-embedding-skill",
"description": "Azure Open AI Embedding skill for text",
"context": "/document/text_sections/*",
"inputs": [
{
"name": "text",
"source": "/document/text_sections/*/content"
}
],
"outputs": [
{
"name": "embedding",
"targetName": "text_vector"
}
],
"resourceUri": "{{openAIResourceUri}}",
"deploymentId": "text-embedding-3-large",
"apiKey": "{{openAIKey}}",
"dimensions": 3072,
"modelName": "text-embedding-3-large"
},
{
"@odata.type": "#Microsoft.Skills.Custom.ChatCompletionSkill",
"uri": "{{chatCompletionResourceUri}}",
"timeout": "PT1M",
"apiKey": "{{chatCompletionKey}}",
"name": "genAI-prompt-skill",
"description": "GenAI Prompt skill for image verbalization",
"context": "/document/normalized_images/*",
"inputs": [
{
"name": "systemMessage",
"source": "='You are tasked with generating concise, accurate descriptions of images, figures, diagrams, or charts in documents. The goal is to capture the key information and meaning conveyed by the image without including extraneous details like style, colors, visual aesthetics, or size.\n\nInstructions:\nContent Focus: Describe the core content and relationships depicted in the image.\n\nFor diagrams, specify the main elements and how they are connected or interact.\nFor charts, highlight key data points, trends, comparisons, or conclusions.\nFor figures or technical illustrations, identify the components and their significance.\nClarity & Precision: Use concise language to ensure clarity and technical accuracy. Avoid subjective or interpretive statements.\n\nAvoid Visual Descriptors: Exclude details about:\n\nColors, shading, and visual styles.\nImage size, layout, or decorative elements.\nFonts, borders, and stylistic embellishments.\nContext: If relevant, relate the image to the broader content of the technical document or the topic it supports.\n\nExample Descriptions:\nDiagram: \"A flowchart showing the four stages of a machine learning pipeline: data collection, preprocessing, model training, and evaluation, with arrows indicating the sequential flow of tasks.\"\n\nChart: \"A bar chart comparing the performance of four algorithms on three datasets, showing that Algorithm A consistently outperforms the others on Dataset 1.\"\n\nFigure: \"A labeled diagram illustrating the components of a transformer model, including the encoder, decoder, self-attention mechanism, and feedforward layers.\"'"
},
{
"name": "userMessage",
"source": "='Please describe this image.'"
},
{
"name": "image",
"source": "/document/normalized_images/*/data"
}
],
"outputs": [
{
"name": "response",
"targetName": "verbalizedImage"
}
]
},
{
"@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
"name": "verbalizedImage-embedding-skill",
"description": "Azure Open AI Embedding skill for verbalized image embedding",
"context": "/document/normalized_images/*",
"inputs": [
{
"name": "text",
"source": "/document/normalized_images/*/verbalizedImage",
"inputs": []
}
],
"outputs": [
{
"name": "embedding",
"targetName": "verbalizedImage_vector"
}
],
"resourceUri": "{{openAIResourceUri}}",
"deploymentId": "text-embedding-3-large",
"apiKey": "{{openAIKey}}",
"dimensions": 3072,
"modelName": "text-embedding-3-large"
},
{
"@odata.type": "#Microsoft.Skills.Util.ShaperSkill",
"name": "#5",
"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-image-verbalization-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": "doc-intelligence-image-verbalization-index",
"parentKeyFieldName": "image_document_id",
"sourceContext": "/document/normalized_images/*",
"mappings": [
{
"name": "content_text",
"source": "/document/normalized_images/*/verbalizedImage"
},
{
"name": "content_embedding",
"source": "/document/normalized_images/*/verbalizedImage_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"
}
},
"knowledgeStore": {
"storageConnectionString": "{{storageConnection}}",
"identity": null,
"projections": [
{
"files": [
{
"storageContainer": "{{imageProjectionContainer}}",
"source": "/document/normalized_images/*"
}
]
}
]
}
}
Cet ensemble de compétences extrait du texte et des images, verbalise des images et forme les métadonnées de l’image pour la projection dans l’index.
Points clés :
Le
content_textchamp est rempli de deux façons :À partir du texte du document extrait et segmenté à l’aide de la compétence Disposition du document.
En utilisant la compétence GenAI Prompt à partir du contenu de l'image, qui génère des légendes descriptives pour chaque image normalisée.
Le champ
content_embeddingcontient des incorporations 3072 dimensionnées pour les descriptions de texte de page et d’image verbale. Celles-ci sont générées à l’aide du modèle de type text-embedding-3-large à partir d’Azure OpenAI.content_pathcontient le chemin relatif du fichier image dans le conteneur de projection d’images désigné. Ce champ est généré uniquement pour les images extraites de documents lorsqueextractOptionest défini sur["images", "locationMetadata"]ou["images"], et peut être mappé à partir du document enrichi depuis le champ source/document/normalized_images/*/imagePath.La compétence d’incorporation Azure OpenAI permet l’incorporation de données textuelles. Pour plus d’informations, consultez la compétence d’incorporation Azure OpenAI.
Créer et exécuter un indexeur
Créer un indexeur permet de créer un indexeur sur votre service de recherche. Un indexeur se connecte à la source de données, charge des données, exécute un ensemble de compétences et indexe les données enrichies.
### 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-image-verbalization-ds",
"targetIndexName": "doc-intelligence-image-verbalization-index",
"skillsetName": "doc-intelligence-image-verbalization-skillset",
"parameters": {
"maxFailedItems": -1,
"maxFailedItemsPerBatch": 0,
"batchSize": 1,
"configuration": {
"allowSkillsetToReadFileData": true
}
},
"fieldMappings": [
{
"sourceFieldName": "metadata_storage_name",
"targetFieldName": "document_title"
}
],
"outputFieldMappings": []
}
Exécuter des requêtes
Vous pouvez démarrer la recherche dès que le premier document est chargé.
### Query the index
POST {{searchUrl}}/indexes/doc-intelligence-image-verbalization-index/docs/search?api-version=2025-11-01-preview HTTP/1.1
Content-Type: application/json
api-key: {{searchApiKey}}
{
"search": "*",
"count": true
}
Envoyez la demande. Il s’agit d’une requête de recherche en texte intégral non spécifiée qui retourne tous les champs marqués comme récupérables dans l’index, ainsi qu’un nombre de documents. La réponse doit ressembler à ce qui suit :
{
"@odata.count": 100,
"@search.nextPageParameters": {
"search": "*",
"count": true,
"skip": 50
},
"value": [
],
"@odata.nextLink": "https://<YOUR-SEARCH-SERVICE-NAME>.search.windows.net/indexes/doc-intelligence-image-verbalization-index/docs/search?api-version=2025-11-01-preview "
}
100 documents sont retournés dans la réponse.
Pour les filtres, vous pouvez également utiliser des opérateurs logiques (and, or, not) et des opérateurs de comparaison (eq, ne, gt, lt, ge, le). Les comparaisons de chaînes sont sensibles à la casse. Pour plus d’informations et d’exemples, consultez Exemples de requêtes de recherche simples.
Note
Le $filter paramètre fonctionne uniquement sur les champs marqués filtrables lors de la création de l’index.
### Query for only images
POST {{searchUrl}}/indexes/doc-intelligence-image-verbalization-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-image-verbalization-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"
}
Réinitialiser et réexécuter
Les indexeurs peuvent être réinitialisés pour effacer l’historique d’exécution, ce qui permet une réexécution complète. Les requêtes POST suivantes servent à la réinitialisation, suivie d'une nouvelle exécution.
### Reset the indexer
POST {{searchUrl}}/indexers/doc-intelligence-image-verbalization-indexer/reset?api-version=2025-11-01-preview HTTP/1.1
api-key: {{searchApiKey}}
### Run the indexer
POST {{searchUrl}}/indexers/doc-intelligence-image-verbalization-indexer/run?api-version=2025-11-01-preview HTTP/1.1
api-key: {{searchApiKey}}
### Check indexer status
GET {{searchUrl}}/indexers/doc-intelligence-image-verbalization-indexer/status?api-version=2025-11-01-preview HTTP/1.1
api-key: {{searchApiKey}}
Nettoyer les ressources
Lorsque vous travaillez dans votre propre abonnement, il est judicieux à la fin d’un projet de supprimer les ressources dont vous n’avez plus besoin. Les ressources qui restent actives peuvent vous coûter de l’argent. Vous pouvez supprimer des ressources individuellement ou supprimer le groupe de ressources pour supprimer l’ensemble des ressources.
Vous pouvez utiliser le portail Azure pour supprimer les index, les indexeurs et les sources de données.
Voir aussi
Maintenant que vous connaissez un exemple d’implémentation d’un scénario d’indexation modale, consultez :