我必须将PDF文件存储在Azure Blob存储到OCR并对其进行索引吗？

Question

我正在测试Azure搜索，以索引我的网站进行搜索。

我已经创建了一个索引，我能够从网站页面中获取信息并将其推送到索引中。

我的问题是如何索引PDF文件中的内容，包括文本，以及使用认知服务从PDF文件中的图像中提取文本。

在与索引PDF文件相关的教程中，似乎假定PDF文件位于Search (如)可访问的位置。因此，我似乎必须将我网站中已经存在的所有PDF文件存储在Azure Blob存储中(以某种方式保存它们的原始URL )，这样我就可以使用数据源索引器索引来索引它们并提取内容。

我想要寻找的功能是，您可以访问我的网站，搜索PDF文件文本或图像中的文本，作为搜索结果，您可以获得PDF文件的原始URL (而不是Azure存储URL)。

可以直接从我的网站(包括认知服务)用Azure REST索引PDF文件的内容吗？或者我必须先将这些文件放在Azure Blob存储中，如果必须这样做，我将如何保存/保存URL，以便在索引器运行和提取内容时，我可以将原始文件URL添加到索引中？

Answer 1

目前，Azure搜索支持以下平台作为数据源：

• Blob存储
• 表存储
• Azure Cosmos DB
• Azure SQL数据库和Azure VM上的Server

因此，如果您想要索引您的pdfs，您应该将它们存储在Azure存储中，以便Azure搜索能够精确地确定内容并对它们进行索引。

如果您想将原始文件URL包含到索引中，可以为您的pdf blob添加一个用户定义元数据，即"originalUrl"：

​

因此它将被Azure搜索索引：

​

希望能帮上忙。