Azure平台是否有可自动提取PDF文本并存储非结构化数据的服务？

针对你批量处理PDF、将非结构化文本转换为“文件名+文本”表格的需求，Azure有几个服务可以组合实现自动化流程，结合Python上手也不难：

核心服务：Azure AI Document Intelligence（原Form Recognizer） #

这是专门处理文档结构化提取的服务，不管是原生可编辑PDF还是扫描生成的图片式PDF，都能准确提取文本内容，支持自定义输出格式。

Python快速实现步骤 #

1. 先在Azure门户创建Document Intelligence资源，获取密钥和端点
2. 安装官方Python SDK：

pip install azure-ai-documentintelligence pandas

3. 编写提取脚本示例：

from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.core.credentials import AzureKeyCredential
import pandas as pd

# 初始化客户端
endpoint = "你的资源端点"
key = "你的资源密钥"
client = DocumentIntelligenceClient(endpoint=endpoint, credential=AzureKeyCredential(key))

# 批量处理PDF文件（可替换为Blob存储文件路径或本地文件列表）
pdf_files = ["file1.pdf", "file2.pdf", "file3.pdf"]
results = []

for file_path in pdf_files:
    with open(file_path, "rb") as f:
        poller = client.begin_analyze_document(
            "prebuilt-read",  # 通用文本提取模型
            analyze_request=f
        )
        result = poller.result()
        # 拼接整份文档的文本内容
        full_text = "\n".join([page.content for page in result.pages])
        # 存入结果列表
        results.append({"文件名": file_path.split("/")[-1], "文本内容": full_text})

# 转换为表格并保存
df = pd.DataFrame(results)
df.to_csv("pdf_extracted_table.csv", index=False, encoding="utf-8-sig")

自动化批量处理方案 #

如果要实现全流程自动（上传PDF就自动提取并生成表格），可以搭配以下服务：

• Azure Blob Storage：存储待处理的PDF文件，以及生成的表格文件
• Azure Functions：设置Blob触发事件，当有PDF上传到指定容器时，自动运行提取脚本，将结果写入另一个Blob容器或Azure SQL数据库

注意事项 #

• 扫描版PDF会自动触发OCR识别，无需额外配置
• 如果需要提取更复杂的结构化内容（比如内嵌表格、表单字段），可以替换prebuilt-read为对应模型（如prebuilt-layout）
• 新用户可利用Azure免费额度测试Document Intelligence，足够处理一定量的PDF文件

内容的提问来源于stack exchange，提问作者Alice jinx