Azure OpenAI搜索服务与Studio：非支持文件类型及引文优化问题

一、扩展支持的文件类型（图片、邮件、Excel） #

1. Excel文件（.xls、.xlsx） #

Azure AI Search的SharePoint索引器原生支持Excel文件，只需调整索引器配置：

• 在字段映射环节，系统默认会提取Excel单元格文本到content字段。如果需要保留表格结构，可添加表格理解技能，将表格解析为结构化字段（如table_rows、table_columns），或用Microsoft.Skills.Text.SplitSkill按换行符拆分内容，方便后续搜索匹配。
• 确认SharePoint站点权限配置，确保Azure AI Search服务主体拥有读取Excel文件的权限。

2. 邮件（.eml、.msg） #

通过内置邮件解析技能实现索引：

• 在索引器的技能集中添加EmailExtractionSkill，指定输入为文档的content字段，输出可定义为sender、recipients、email_subject、email_body等自定义字段，将这些字段添加到搜索索引的字段集合中。
• 该技能会自动拆分邮件的核心信息，无需额外处理即可实现邮件内容的搜索与检索。

3. 图片文件（.jpg、.png、.gif等） #

结合OCR技能提取图片中的文本：

• 在技能集中添加OCR技能，设置defaultLanguageCode（如zh-CN对应中文），输入字段选择文档的content或document对象，输出字段定义为ocr_content，并将其映射到搜索索引的content字段。
• 无论是独立图片文件，还是嵌入在PDF、Word中的图片，OCR技能都会自动识别并提取其中的文字内容，纳入搜索索引。

二、优化引文显示与原始文档访问 #

1. 获取原始文档完整路径并打开 #

完全可行，操作步骤如下：

• 在搜索索引中新增自定义字段（如document_full_url），用于存储SharePoint文档的直接访问地址。
• 在索引器的字段映射中，将SharePoint文档的metadata_spo_item_url字段（原生包含文档的完整SharePoint URL）映射到document_full_url字段。
• 在Web应用的响应渲染逻辑中，把引文链接指向document_full_url的值，用户点击后将直接打开SharePoint上的原始文档，保留所有原生格式。

2. 实现引文内容格式化显示 #

通过结构化内容提取实现格式保留：

• 索引阶段，使用Azure Form Recognizer自定义技能，提取Word、PDF等文档的结构化格式信息（如标题层级、段落样式、列表、表格），将格式化后的HTML内容存储到索引的自定义字段（如formatted_content）中。
• 在Web应用的引文窗口中，直接渲染formatted_content字段的HTML内容，即可还原原文档的格式布局。
• 若依赖内置技能，可通过SplitSkill拆分文档的结构化区块（如标题、正文），再用MergeSkill按原顺序组合，渲染时为不同区块添加对应格式标签。

内容的提问来源于stack exchange，提问作者c0D3l0g1c