能否不使用indexers在Azure Cognitive Search中为文件建立索引？

完全可以不依赖Indexer，直接通过Push API完成这类文件的索引操作——但不能直接推送字节数组，因为Azure Cognitive Search的Push API仅接受结构化JSON数据，不会自动解析二进制文件内容。你需要先在本地或应用服务中完成文件内容的提取，再将文本与元数据组装成符合索引结构的JSON后提交。

具体操作步骤： #

1. 创建匹配的索引结构
   先在Azure Cognitive Search中创建包含必要字段的索引，示例字段配置：

   • id：必填唯一标识符（字符串类型）
   • fileName：文件名（字符串）
   • fileType：文件类型（字符串）
   • content：提取的文件文本内容（可搜索字符串类型）
   • 可选元数据字段：lastModified（日期类型）、fileSize（数值类型）等

2. 提取文件文本内容
   根据文件类型选择对应工具库提取纯文本或结构化内容：

   • PDF：使用iTextSharp、PdfSharp或Azure Form Recognizer SDK（需提取结构化数据时）
   • DOCX：使用Open XML SDK或DocX库
   • HTML：使用HtmlAgilityPack提取纯文本，或保留结构化标签（按需选择）

   示例C#代码片段：

   // 提取PDF文本（iTextSharp）
   private string ExtractPdfText(string filePath)
   {
       using (var reader = new iTextSharp.text.pdf.PdfReader(filePath))
       {
           var textBuilder = new StringBuilder();
           for (int page = 1; page <= reader.NumberOfPages; page++)
           {
               textBuilder.Append(iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, page));
           }
           return textBuilder.ToString();
       }
   }
   
   // 提取DOCX文本（Open XML SDK）
   private string ExtractDocxText(string filePath)
   {
       using (var doc = WordprocessingDocument.Open(filePath, false))
       {
           return doc.MainDocumentPart.Document.Body.InnerText;
       }
   }
   
   // 提取HTML纯文本（HtmlAgilityPack）
   private string ExtractHtmlText(string filePath)
   {
       var htmlDoc = new HtmlAgilityPack.HtmlDocument();
       htmlDoc.Load(filePath);
       return htmlDoc.DocumentNode.InnerText;
   }
   

3. 组装并推送JSON数据
   将提取的文本与元数据组装成符合索引结构的对象，通过Azure Cognitive Search官方SDK（如Azure.Search.Documents）调用Push API提交：

   示例C#代码片段：

   // 初始化搜索客户端
   var searchClient = new SearchClient(
       new Uri("你的搜索服务URL"),
       "目标索引名称",
       new AzureKeyCredential("你的管理员API密钥")
   );
   
   // 组装待推送文档
   var targetFile = "path/to/your/file.pdf";
   var document = new
   {
       id = Guid.NewGuid().ToString(),
       fileName = Path.GetFileName(targetFile),
       fileType = Path.GetExtension(targetFile).TrimStart('.'),
       content = ExtractPdfText(targetFile),
       lastModified = File.GetLastWriteTime(targetFile)
   };
   
   // 批量上传文档（支持单次推送多个）
   var batch = IndexDocumentsBatch.Upload(new[] { document });
   var result = await searchClient.IndexDocumentsAsync(batch);
   
   // 处理推送结果
   if (result.Results.Any(r => r.Status != IndexDocumentsResultStatus.Succeeded))
   {
       // 针对失败文档做重试或日志记录
   }
   

注意事项： #

• 大文件建议分块处理，避免单个请求超出API限制
• 若需提取PDF中的表格、表单等结构化数据，可先通过Azure Form Recognizer解析，再将结构化数据写入索引字段
• 确保使用的API密钥拥有目标索引的写入权限（管理员密钥或自定义权限密钥）

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