启用Allow Skillset to read file data后，自定义WebApiSkill读取PDF遇NotFound错误

一、先解决WebApiSkill的NotFound错误 #

排查步骤： #

• 检查Endpoint配置准确性：确认WebApiSkill的uri是否完全匹配你的Python函数公网地址，比如Azure Function的地址格式是https://<函数应用名>.azurewebsites.net/api/<函数名>，别漏掉api/前缀，也不要写错函数名或域名。
• 验证权限配置：如果你的函数启用了密钥验证，必须在WebApiSkill的httpHeaders里添加正确的授权头，比如{"x-functions-key": "<你的函数密钥>"}，密钥错误或缺失会导致请求被拦截，部分场景下会返回404而非403。
• 确认输入映射有效性：临时关闭projections（或使用索引器的「测试技能集」功能），检查索引器处理的文档是否包含file_data字段——如果该字段不存在，技能集请求可能因输入为空触发异常，间接导致404。
• 测试函数独立可用性：用Postman或curl构造符合技能集格式的请求（参考下方示例）直接调用函数，看是否能正常响应。如果直接调用也返回404，说明函数本身的路由或部署有问题。

示例测试请求体：

{
  "values": [
    {
      "recordId": "test1",
      "data": {
        "file_data": "<你的测试PDF base64字符串>"
      }
    }
  ]
}

二、正确读取Blob原始PDF文件的流程 #

核心要点： #

1. 明确file_data的格式：索引器传递的/document/file_data是base64编码的二进制文件内容，必须先解码才能处理。
2. Python函数正确处理逻辑：解码base64字符串为字节流，再用PDF处理库（如PyPDF2、pdfplumber）读取内容，最后返回符合技能集要求的JSON格式。

示例Python函数代码： #

import azure.functions as func
import base64
import json
from PyPDF2 import PdfReader
import io

def main(req: func.HttpRequest) -> func.HttpResponse:
    try:
        req_body = req.get_json()
        # 提取技能集传入的file_data
        record = req_body["values"][0]
        file_data_base64 = record["data"]["file_data"]
        
        # Base64解码为字节流
        file_bytes = base64.b64decode(file_data_base64)
        pdf_stream = io.BytesIO(file_bytes)
        
        # 读取PDF文本内容
        reader = PdfReader(pdf_stream)
        extracted_text = ""
        for page in reader.pages:
            page_text = page.extract_text()
            if page_text:
                extracted_text += page_text + "\n"
        
        # 返回符合技能集规范的响应
        return func.HttpResponse(
            json.dumps({
                "values": [
                    {
                        "recordId": record["recordId"],
                        "data": {"extracted_text": extracted_text},
                        "errors": [],
                        "warnings": []
                    }
                ]
            }),
            mimetype="application/json"
        )
    except Exception as e:
        # 异常处理，返回错误信息（生产环境可隐藏具体异常）
        record_id = record["recordId"] if "record" in locals() else "unknown"
        return func.HttpResponse(
            json.dumps({
                "values": [
                    {
                        "recordId": record_id,
                        "data": {},
                        "errors": [{"message": f"处理失败: {str(e)}"}],
                        "warnings": []
                    }
                ]
            }),
            status_code=500,
            mimetype="application/json"
        )

额外注意事项： #

• 确保函数依赖的库（如PyPDF2）已在requirements.txt中声明，部署时会自动安装。
• 若PDF文件较大，需调整Azure Function的内存配置和技能集的timeout参数，避免超时。
• 开启函数的日志监控（Azure门户→函数应用→监控→日志），查看请求详情和执行异常，这是排查问题最直接的方式。

内容的提问来源于stack exchange，提问作者Mike B