Azure Form Recognizer在Databricks Python环境中无法识别PDF非表格文本的问题咨询

我在Databricks环境中使用Azure Cognitive Form Recognizer处理PDF文件，代码如下：

from azure.ai.formrecognizer import FormRecognizerClient
from azure.core.credentials import AzureKeyCredential

credential = AzureKeyCredential("aaa6123af5b843a38044538d95584c3d")
endpoint= "https://myformrecognizr.cognitiveservices.azure.com/"
form_recognizer_client = FormRecognizerClient(endpoint, credential)

with open("/dbfs/mnt/lake/RAW/export/Picturehouse.pdf", "rb") as fd:
    form = fd.read()

poller = form_recognizer_client.begin_recognize_content(form)
form_pages = poller.result()

for content in form_pages:
    for table in content.tables:
        print("Table found on page {}:".format(table.page_number))
        print("Table location {}:".format(table.bounding_box))
        for cell in table.cells:
            print("Cell text: {}".format(cell.text))
            print("Location: {}".format(cell.bounding_box))
            print("Confidence score: {}\n".format(cell.confidence))
    if content.selection_marks:
        print("Selection marks found on page {}:".format(content.page_number))
        for selection_mark in content.selection_marks:
            print("Selection mark is '{}' within bounding box '{}' and has a confidence of {}".format(
                selection_mark.state, selection_mark.bounding_box, selection_mark.confidence
            ))

目前代码能识别PDF表格内的文本（比如Item、Qty、Seat Allocation等），但无法识别PDF中的说明文本：

您可向引座员出示电子票直接进入放映厅。或者，您可在影片或活动公布的开始时间前至少15分钟到售票处取票。您需要提供预订参考号和/或支付卡来协助我们找到您的预订记录。您可点击上方的‘打印此页’链接打印本页面。

请问这是Azure Form Recognizer的设计特性，还是我的代码存在配置遗漏？

这不是代码的配置遗漏，而是你使用的API方法的设计定位导致的。

你现在用的begin_recognize_content是Form Recognizer的布局分析API，它的核心作用是提取文档里的结构化布局元素——比如表格、选择标记，还有文本行、单词的位置信息，但它不会自动把零散的文本行整合成段落，也不会专门输出非表格区域的完整说明文本（除非你自己遍历所有的content.lines或者content.words）。

如果要提取PDF里的所有文本（包括你说的那段说明），有两种更合适的方案：

1. 用Read API（最推荐） #

Read API就是专门用来提取文档中所有文本内容的，不管文本在不在表格里，它都会返回所有文本行、单词，还有对应的位置和置信度。你只需要把代码里的begin_recognize_content换成begin_read_document，再调整下结果处理的逻辑就行：

# 替换后的核心代码块
poller = form_recognizer_client.begin_read_document(form)
result = poller.result()

for page in result:
    print(f"Page {page.page_number}")
    for line in page.lines:
        print(f"Line text: {line.text}")
        print(f"Line bounding box: {line.bounding_box}\n")

2. 用通用文档模型（General Document） #

要是你既需要保留表格的结构化提取，又要拿到段落文本，可以用begin_recognize_forms调用通用文档模型，它能同时返回结构化的表格数据和非结构化的段落内容：

# 替换后的核心代码块
poller = form_recognizer_client.begin_recognize_forms(model_id="prebuilt-document")
result = poller.result()

for form in result:
    print(f"Page {form.page_number}")
    # 处理段落文本
    for paragraph in form.paragraphs:
        print(f"Paragraph text: {paragraph.content}")
        print(f"Paragraph role: {paragraph.role}\n")
    # 处理表格（和你之前的逻辑兼容）
    for table in form.tables:
        print("Table found on page {}:".format(table.page_number))
        for cell in table.cells:
            print("Cell text: {}".format(cell.content))
            print("Confidence score: {}\n".format(cell.confidence))

最后给你划个重点：

• begin_recognize_content：主打布局结构提取，适合拿表格、选择标记这类元素，不会主动聚合段落文本
• begin_read_document：主打全文本提取，适合获取文档里所有的文本内容
• begin_recognize_forms（通用文档模型）：兼顾结构化元素和非结构化文本，适合需要同时处理表格和段落的场景

内容的提问来源于stack exchange，提问作者Patterson