如何从使用Split Skillset的Azure AI Search索引获取正确页码？

问题根源 #

你遇到的chunk_id页码和原文档实际页码不符的情况，是因为Split Skillset的text_split_mode="pages"并不是按原文档物理页码计数，而是按拆分后的逻辑文本块计数。如果原文档某一页的内容长度超过maximum_page_length=2048，该页会被拆分成多个逻辑块，导致逻辑块的页码计数（比如26）远大于实际物理页码（比如21）。

解决方案 #

要获取并存储原文档的真实物理页码，需要结合Document Extraction Skill提取原生页码元数据，再将其关联到拆分后的每个块中，具体步骤如下：

1. 添加Document Extraction Skill提取物理页码 #

在现有技能集中添加该技能，用于从PDF等结构化文档中提取原生物理页码信息。配置示例：

{
  "@odata.type": "#Microsoft.Skills.Util.DocumentExtractionSkill",
  "name": "extract-physical-pages",
  "description": "Extract physical page numbers from source document",
  "context": "/document",
  "inputs": [
    {
      "name": "file_data",
      "source": "/document/file_data"
    }
  ],
  "outputs": [
    {
      "name": "page_numbers",
      "targetName": "physical_page_numbers"
    }
  ],
  "configuration": {
    "extractPageNumbers": true,
    "mode": "default"
  }
}

该技能会在/document/physical_page_numbers中生成原文档每一页的页码列表，以及对应文本的位置映射。

2. 关联物理页码与拆分后的块 #

Split Skill拆分后，每个块会包含offset（在原文档中的字符偏移量），可以通过以下方式匹配对应的物理页码：

• 借助Conditional Skill结合偏移量范围，从physical_page_numbers的位置映射中匹配页码；
• 使用自定义Web技能，根据块的offset和length，精准定位对应的物理页码，这种方式灵活性更高。

3. 更新索引与技能输出映射 #

• 在现有索引中添加physical_page_number字段（类型选Edm.Int32，若需存储跨页范围则选Edm.String）；
• 在技能集的输出字段映射中，将匹配到的物理页码关联到索引的physical_page_number字段，或者直接追加到chunk字段末尾（例如格式化为"{chunk} [页码: {physical_page_number}]"）。

4. 处理跨页逻辑块 #

如果某个逻辑块跨越了原文档的多个物理页，可在自定义技能中返回页码范围（比如21-22），或取起始页码作为该块的关联页码，根据业务需求调整。

替代方案：自定义前置拆分逻辑 #

如果内置技能无法满足需求，可直接在数据导入阶段（比如用Azure Function）先按原文档物理页码拆分文本，再将拆分后的块上传到Azure AI Search，同时手动添加物理页码字段，完全规避Split Skill的逻辑计数问题。

内容的提问来源于stack exchange，提问作者Hakuna0001