如何通过Azure文本拆分技能集保存分块的源页码？

核心方案 #

使用SplitSkill按页拆分PDF时，分块的源页码可通过配置技能输出、索引字段映射两步保存到索引元数据中，具体实现如下：

1. 调整SplitSkill配置，输出页码信息 #

修改你的SplitSkill，新增pageNumbers输出项，拆分后每个分块对应的原生页码会被同步生成：

{
  "@odata.type": "#Microsoft.Skills.Text.SplitSkill",
  "name": "#2",
  "description": "Split skill to chunk documents",
  "context": "/document",
  "defaultLanguageCode": "en",
  "textSplitMode": "pages",
  "maximumPageLength": 2000,
  "pageOverlapLength": 500,
  "maximumPagesToTake": 0,
  "inputs": [
    {
      "name": "text",
      "source": "/document/content"
    }
  ],
  "outputs": [
    {
      "name": "textItems",
      "targetName": "pages"
    },
    {
      "name": "pageNumbers",
      "targetName": "pageNumbers"
    }
  ]
}

2. 在目标搜索索引中添加页码字段 #

确保你的vector索引包含一个存储页码的字段，示例定义如下：

{
  "name": "source_page_number",
  "type": "Edm.Int32",
  "searchable": false,
  "filterable": true,
  "sortable": true,
  "facetable": false
}

3. 修改索引投影映射，关联页码到索引字段 #

在indexProjections的映射规则中，添加页码字段的关联配置，这里提供两种可选方式：

• 方式一：使用SplitSkill输出的原生页码
  利用pages与pageNumbers数组的一一对应关系，通过分块索引匹配页码：

  "indexProjections": {
    "selectors": [
      {
        "targetIndexName": "vector",
        "parentKeyFieldName": "parent_id",
        "sourceContext": "/document/pages/*",
        "mappings": [
          {
            "name": "chunk",
            "source": "/document/pages/*"
          },
          {
            "name": "source_page_number",
            "source": "/document/pageNumbers[$index]"
          }
        ]
      }
    ]
  }
  

• 方式二：使用分块的上下文索引（轻量替代）
  若无需依赖原生页码输出，可直接用分块在数组中的位置（从0开始）加1作为页码：

  "indexProjections": {
    "selectors": [
      {
        "targetIndexName": "vector",
        "parentKeyFieldName": "parent_id",
        "sourceContext": "/document/pages/*",
        "mappings": [
          {
            "name": "chunk",
            "source": "/document/pages/*"
          },
          {
            "name": "source_page_number",
            "source": "@odata.index + 1"
          }
        ]
      }
    ]
  }
  

4. 调整技能执行顺序（关键） #

确保SplitSkill在AzureOpenAIEmbeddingSkill之前执行，因为嵌入技能依赖拆分后的分块数据，调整后的技能数组顺序如下：

"skills": [
  {
    "@odata.type": "#Microsoft.Skills.Text.SplitSkill",
    // SplitSkill完整配置
  },
  {
    "@odata.type": "#Microsoft.Skills.Text.AzureOpenAIEmbeddingSkill",
    // EmbeddingSkill完整配置
  }
]

完成以上修改后，重新运行索引器，分块的源页码会被自动保存到source_page_number字段中，搜索时可直接过滤、返回该字段获取页码信息。

内容的提问来源于stack exchange，提问作者Trygve Leithe Svalheim