Azure Search内置OCR技能逊于独立认知服务OCR的原因及解决办法

猜测合理性判断 #

你的猜测部分合理。Azure Search索引器的内置OCR技能处理PDF时，默认逻辑是提取PDF中的嵌入式独立图像逐一识别；而独立的Computer Vision OCR（尤其是Read API）是将整页PDF视为单一图像/文档进行完整识别。如果测试PDF中的text1所在区域是被拆分为特殊嵌入式图像块（或索引器的图像提取逻辑未覆盖该区域），就会出现内置OCR遗漏文本的情况，两者的处理逻辑差异确实会导致识别效果不同。

解决方法 #

• 调整索引器PDF处理配置：在索引器的skillset配置中，修改内置OCR技能的imageAction参数为generateNormalizedImages，同时设置normalizedImageMaxWidth和normalizedImageMaxHeight（例如设为4000），强制将整页PDF转换为单张标准化图像后再执行OCR，确保整页内容被完整识别。
• 替换为自定义技能调用独立OCR：放弃内置OCR技能，创建自定义技能直接调用Computer Vision的Read API，将整页PDF的内容传递给API处理，完全对齐你单独测试时的识别逻辑，保证识别效果一致。
• 检查PDF文本类型：确认text1是图像化文本还是原生可复制文本。如果是原生文本，将索引器的dataToExtract参数设置为contentAndMetadata，跳过OCR直接提取原生文本，避免不必要的图像识别步骤。

内容的提问来源于stack exchange，提问作者R.Lemiec