转换Azure Computer Vision Read响应适配Azure认知搜索MergeText技能

不需要为对接Text.MergeSkill专门转换boundingBox格式 #

先看Text.MergeSkill的输入定义，它本身不消费任何坐标、布局类字段，只接收三个参数：

• text：原始文档的纯文本内容
• itemsToInsert：待插入的纯文本字符串数组，对应每张图片的OCR识别全文
• offsets：每个待插入文本对应的插入位置偏移量，这个值是Azure Cognitive Search在文档解压阶段，给提取出的normalized_images自动生成的contentOffset字段，和OCR接口返回的坐标数据完全无关。

你看到的内置OcrSkill输出的layoutText和嵌套的boundingBox结构，是给需要布局信息的下游技能（比如表单字段提取、指定区域内容识别）用的，Text.MergeSkill根本不会读取这部分内容。

自定义技能直接对接Text.MergeSkill的最简方案 #

你的自定义技能不需要输出完整的OcrSkill兼容结构，只要给每个输入的归一化图片返回一个纯字符串类型的text字段，内容是Read接口识别到的所有文本按行拼接的结果即可。
配置技能输出映射时，把这个text字段挂载到/document/normalized_images/*/text路径，和内置OcrSkill的输出路径保持一致，原有Text.MergeSkill的配置不用做任何修改就能正常运行。其中contentOffset不需要你生成，这个字段会在文档解析阶段自动附加到每个normalized_images节点下。

若需输出和内置OcrSkill完全兼容的格式（供其他依赖布局的技能使用），boundingBox转换逻辑如下 #

注意你贴的Read接口响应示例里的boundingBox是截断简化写法，实际生产环境Read接口返回的行、词级boundingBox是长度为8的一维数组，格式为[x1,y1,x2,y2,x3,y3,x4,y4]，按顺序对应四边形四个顶点（左上、右上、右下、左下）的像素坐标，转换逻辑很简单，按顺序每两个值拆成一个x/y坐标点即可：

// 以JS为例，其他语言逻辑一致
function convertBbox(cvBbox) {
  const points = [];
  for (let i = 0; i < cvBbox.length; i += 2) {
    points.push({
      x: cvBbox[i],
      y: cvBbox[i+1]
    })
  }
  return points;
}

完整结构转换步骤：

• 遍历analyzeResult.readResults下对应页的lines数组，每个line用上述方法转换boundingBox，保留text字段
• 遍历每个line下的words数组，每个word用同样方法转换boundingBox，保留text、confidence字段
• 页级全量文本直接把所有line的text用换行符拼接即可
• 语言字段直接取Read接口返回的检测语言值即可

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