如何为Azure搜索索引字段添加文档分块所属的原页码？

Azure Integrated Vectorization处理PDF时会自动捕获页码元数据，只要配置得当，就能把页码关联到每个分块，具体用C#实现的步骤如下：

1. 确认数据源元数据提取 #

默认情况下，Azure搜索处理可提取文本的PDF（非扫描件）时，会自动把页码提取到内置元字段metadata_storage_pdf_page_number，无需额外配置数据源。

2. 给索引新增页码字段 #

修改索引定义，添加一个用于存储页码的字段，示例代码：

var index = new SearchIndex("your-index-name")
{
    Fields =
    {
        new SimpleField("id", SearchFieldDataType.String) { IsKey = true },
        new SearchableField("content") { IsFilterable = false, IsSortable = false },
        new VectorField("content_vector", SearchFieldDataType.Collection(SearchFieldDataType.Single))
        {
            Dimensions = 1536,
            VectorSearchConfigurationName = "your-vector-config"
        },
        // 新增页码字段，支持筛选和排序
        new SimpleField("pdf_page_number", SearchFieldDataType.Int32) { IsFilterable = true, IsSortable = true }
    }
};

3. 字段映射关联页码 #

在索引器中，把内置的页码元字段映射到你新增的索引字段，示例：

var indexer = new SearchIndexer("your-indexer-name", "your-data-source", "your-index")
{
    FieldMappings =
    {
        // 将PDF页码映射到索引字段
        new FieldMapping("metadata_storage_pdf_page_number", "pdf_page_number"),
        // 其他必要的字段映射
        new FieldMapping("content", "content"),
        new FieldMapping("id", "id")
    },
    SkillsetName = "your-skillset-name"
};

4. 检索时用页码实现跳转 #

索引完成后，每个文档分块都会关联对应的PDF页码。展示引用内容时，直接获取pdf_page_number的值，给PDF链接加上锚点#page=[页码]，即可引导用户跳转到PDF的对应页面。

额外提醒 #

• 若处理的是扫描版PDF（图片格式），Azure无法直接提取页码，需先配置OCR技能完成文本识别，同时在OCR技能中开启页码提取。
• 若使用自定义文档拆分逻辑，需在拆分过程中手动传递页码信息，可通过自定义技能实现。

内容的提问来源于stack exchange，提问作者Punit