Azure Cognitive Search从PDF提取匹配句段及高亮查询内容相关问题

1. 是否可以仅提取PDF中出现查询词汇或句子的对应句子或段落？ #

完全可以，该需求可通过服务原生能力实现：

• 你可以在查询请求中配置highlight参数，指定存储PDF解析文本的可搜索字段，服务会直接返回包含查询词的上下文片段，不需要返回整个PDF的完整文本。你还可以通过highlightSnippetSize参数自定义返回片段的长度，满足句子级或段落级的提取需求。
  参考查询参数示例：

  GET /indexes/<你的索引名>/docs?search=<查询词>&$select=metadata_storage_name&highlight=content&highlightSnippetSize=300&api-version=2023-11-01
  

• 如果你需要更规整的段落级拆分结果，可以在索引构建阶段的技能组中添加文本拆分技能（Text Split Skill），将PDF长文本按段落粒度拆分后单独存储为字段，检索时会直接返回匹配到的独立段落条目。

2. 是否可以对PDF中所有出现查询输入内容的位置进行高亮标注？ #

可以实现，根据使用场景分两种处理方式：

• 搜索结果页文本高亮：直接在查询时配置highlightPreTag和highlightPostTag参数，比如设置为<mark>和</mark>，返回的命中片段里所有查询词都会被指定标签包裹，前端渲染时直接就能显示高亮效果。
• 原始PDF文件标注高亮：你需要在索引构建阶段给每个拆分的文本片段存储对应的PDF页码、字符偏移量属性，拿到匹配的片段位置信息后，用常规PDF处理库即可在原始PDF的对应位置添加高亮标注。

3. 针对上述两个需求，我选用的服务是否正确？ #

你当前选用的Azure Cognitive Search完全适配这两个需求，两个核心需求都是服务的原生支持能力，不需要替换现有核心检索服务，仅需要调整索引配置、查询参数即可实现。如果需要实现原始PDF的标注导出，仅需补充轻量的PDF处理工具即可，现有技术栈无需做大的改动。 #

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