Análise de documento: representação de Markdown

O Azure Content Understanding in Foundry Tools converte documentos não estruturados no GitHub Flavored Markdown, mantendo o conteúdo e o layout para uso downstream preciso. Este artigo descreve como cada elemento de conteúdo e layout é representado no Markdown.

Palavras e marcas de seleção

Palavras reconhecidas e marcas de seleção detectadas são representadas no Markdown como texto sem formatação. As marcas de seleção são codificadas pelos caracteres Unicode ☒ (selecionados) e ☐ (limpos). É possível fazer escape do conteúdo para evitar a ambiguidade com a sintaxe da formatação Markdown.

Códigos de barras

Os códigos de barras são representados como imagens markdown com texto alt e título: ![alt text](url "title").

Fórmulas

Fórmulas matemáticas são codificadas usando LaTeX no Markdown:

• As fórmulas embutidas são delimitadas por sinais de cifrão simples ($...$) para manter o fluxo de texto.
• As fórmulas de visualização usam sinais de dólar duplo ($$...$$) para exibição independente.
• Fórmulas de várias linhas são representadas como fórmulas de exibição consecutivas sem intervir em linhas vazias. Essa estrutura preserva relações matemáticas.

Imagens

Imagens detectadas, incluindo figuras e gráficos, são representadas usando a sintaxe de imagem markdown padrão. O texto alt contém o texto detectado dentro da figura e a sintaxe varia de acordo com as opções de configuração.

Padrões de representação de imagem

Exemplos

Imagem sem enableFigureDescription

![Line1 Line2](figures/1.1)

Imagem com enableFigureDescription

![Line1 Line2](figures/1.1 "This is a generated image description.")

Imagem com enableFigureDescription e enableFigureAnalysis

![Line1 Line2](figures/1.1 "This is a generated image description.")

Opção 1: análise da figura do gráfico

{ ...chart config... }

Opção 2: análise de figuras em tabelas Markdown

| Month | Value |
|-------|-------|
| Jan   | 100   |
| Feb   | 150   |
| Mar   | 200   |
| Apr   | 250   |
| May   | 300   |
| Jun   | 275   |

Imagem sem enableFigureDescription e enableFigureAnalysis

![Line1 Line2](figures/1.1)

```mermaid
{ ...mermaid diagram... }

Análise de Figura

Gráficos e diagramas detectados em documentos são representados como conteúdo de figura estruturada com formatos de renderização especializados.

Gráficos

Os gráficos são representados no conteúdo das figuras usando a sintaxe do Chart.js no formato JSON. Dependendo da config.chartFormat configuração (chartJs ou markdown), os gráficos podem ser representados como Chart.js blocos de código ou tabelas markdown.

formato Chart.js (chartFormat=chartJs)

{
  "type": "bar",
  "data": {
    "labels": ["Jan", "Feb", "Mar", "Apr", "May", "Jun"],
    "datasets": [{
      "label": "Values",
      "data": [100, 150, 200, 250, 300, 275],
      "backgroundColor": "rgba(54, 162, 235, 0.2)",
      "borderColor": "rgba(54, 162, 235, 1)",
      "borderWidth": 1
    }]
  },
  "options": {
    "scales": {
      "y": {
        "beginAtZero": true
      }
    }
  }
}

Formato da tabela Markdown (chartFormat=markdown)

Diagramas

Os diagramas são representados no corpo da figura usando a sintaxe Mermaid e renderizados como blocos de código Mermaid no Markdown.

graph TD
    A[Start] --> B{Decision}
    B -->|Yes| C[Action 1]
    B -->|No| D[Action 2]
    C --> E[End]
    D --> E

Suporte à renderização

Extensões populares do Markdown e visualizadores dão suporte à renderização visual de blocos de código Chart.js e Mermaid.

• Chart.js: renderiza gráficos e gráficos interativos
• Mermaid: renderiza fluxogramas, diagramas de sequência e outros tipos de diagrama
• A maioria dos processadores markdown modernos inclui plug-ins para ambos os formatos

Linhas e parágrafos

Os parágrafos são representados no Markdown como um bloco de texto separado por linhas em branco. Quando as linhas estão disponíveis, cada linha de documento é mapeada para uma linha separada no Markdown.

Seções

Parágrafos com título ou função de título de seção são convertidos em títulos Markdown. O título, se houver, é atribuído com o título de nível 1. Os níveis de título de todas as outras seções são atribuídos para preservar a estrutura hierárquica detectada.

Tabelas

Atualmente, as tabelas são representadas no Markdown usando a marcação de tabela HTML (<table>, <tr>, <th> e <td>) para habilitar o suporte para células mescladas por meio dos atributos rowspan e colspan, e cabeçalhos avançados por meio de <th>. Qualquer legenda é representada por meio de um <caption> elemento. As notas de rodapé associadas aparecem como texto imediatamente após a tabela.

<table>
<caption>Table 1. Example</caption>
<tr><th>Header A</th><th>Header B</th></tr>
<tr><td>Cell 1A</td><td>Cell 1B</td></tr>
<tr><td>Cell 2A</td><td>Cell 2B</td></tr>
</table>
This is a footnote.

Metadados da página

O Markdown não codifica nativamente metadados de página, como números de página, cabeçalhos, rodapés e quebras. Como essas informações podem ser úteis para aplicativos downstream, codificamos metadados como comentários HTML.

Hyperlinks

Os hiperlinks detectados do conteúdo digital são representados usando a sintaxe de link markdown padrão. O serviço preserva o texto de exibição e a URL de destino do documento original.

Exemplos

For more information, visit the [Microsoft Foundry](https://aka.ms/ai-foundry) portal.

Contact our support team at [support@contoso.com](mailto:support@contoso.com "Email support").

See the [official documentation][docs] for detailed instructions.

[docs]: https://docs.microsoft.com

Annotations

Anotações de documento, como realces, sublinhados e comentários, podem ser representadas no Markdown usando formatos diferentes controlados pelo annotationFormat parâmetro.

Formatos de anotação

Formato: nenhum

Quando você define annotationFormat=none, o Markdown não contém nenhuma informação de anotação. Defina ambos enableAnnotation e returnDetails para true para extrair anotações.

This is the document content without any annotation markers.
Use the annotations JSON property to customize representation.

Formato: frontMatter (padrão)

Codifica anotações no front matter YAML com spans HTML que contêm atributos id que fazem referência aos detalhes da anotação.

---
fields:
  title: "Document Title"
annotations:
- id: underline-1
  author: Paul
  type: underline
  comments:
  - message: "Please review this section"
    author: Paul
    tags: "approved,👍3"
- id: highlight-2
  author: Sarah
  type: highlight
  comments:
  - message: "Important information"
    author: Sarah
---

This is <span id="underline-1">underlined text</span> in the document.

This section contains <span id="highlight-2">highlighted content</span> for emphasis.

<!-- Annotations without spans appear at page end -->
<span id="note-3" />

Formato: markdown

Usa a sintaxe markdown nativa para anotações quando compatível com o processador Markdown de destino.

This text has ==highlighted content== for emphasis.

This text has ++underlined content++ for attention.

> **Note:** This is an annotation comment.

Conclusão

Os elementos markdown de compreensão de conteúdo fornecem uma maneira poderosa de representar a estrutura e o conteúdo dos documentos analisados. Quando você entende e usa esses elementos markdown corretamente, você pode aprimorar seus fluxos de trabalho de processamento de documentos. Você também pode criar aplicativos de extração de conteúdo mais sofisticados.

Conteúdo relacionado

• Tente processar o conteúdo do documento usando o Content Understanding Studio.
• Confira o início rápido do Content Understanding Studio.
• Saiba como analisar o conteúdo do documento usando modelos de analisador.
• Examine os exemplos de código com a pesquisa de documentos visuais.
• Exemplo de código de revisão: modelos de analisador.