关于使用Azure Cognitive Search查询邮件内容的技术问询

1. 提取日期、姓名、数字等结构化数据 #

完全可以实现。Azure Cognitive Search的技能集（Skillset） 自带实体识别能力，能自动从自然语言文本中提取日期、数字、人名、产品名等实体类型。

针对你举的例子“我想在7月20日买5个苹果”：

• 配置实体识别技能时，指定要提取的实体类别：DateTime（日期）、Quantity（数量）、ProductName（可通过通用实体扩展或自定义规则实现）
• 将提取出的实体映射到搜索索引的对应字段（比如extracted_date、extracted_quantity、extracted_product）
• 后续查询时直接调用这些字段的值，就能用于更新你的软件

如果内置实体识别满足不了特定需求，还可以自定义技能，编写专属逻辑或调用外部NLP服务来提取更细分的数据。

2. 处理邮件中的HTML内容 #

Azure Cognitive Search对HTML内容有原生支持，具体处理方式分两种：

• 自动提取纯文本：创建索引器时，设置parsingMode参数为html，索引器会自动剥离HTML标签，提取正文文本，同时忽略脚本、样式等非核心内容，适合只需要文本内容的场景。
• 保留结构或自定义处理：如果需要保留HTML的部分结构（比如标题、段落层级），可以在技能集中添加文本拆分技能，结合字段映射保留特定元素；也可以通过自定义技能预处理HTML（比如提取指定标签内的内容）后，再导入搜索服务。

另外，若邮件混合纯文本与HTML格式，索引器会自动识别内容类型并对应处理，无需额外配置。

内容的提问来源于stack exchange，提问作者Alex Grossi