Azure Cognitive Search：能否绕过Azure Blob索引外部MS Office、PDF二进制数据

完全可以绕过Azure Blob Storage，直接对存储在非Azure源（本地文件服务器、第三方云存储、本地SharePoint等）上的MS Office、PDF类二进制文档建立Azure AI Search索引。你之前接触的“先复制到Blob再配skillset索引”只是内置索引器拉取模式下的标准路径，并非Azure AI Search的唯一实现方式，从设计之初就留了完全不依赖Blob的推送式索引通道。

1. 纯推送式索引（零Blob依赖，完全匹配你的需求） #

这个路径整个流程不会创建、上传、读取任何Azure Blob资源，全链路数据从你的非Azure源直接流向搜索服务，核心步骤如下：

• 文档解析环节在你的应用侧完成：不需要依赖Blob索引器内置的文档提取能力，直接调用Azure AI Document Intelligence的SDK，把从非Azure源拉取的内存态二进制流直接传入解析接口，即可完成PDF、Office文档的文本提取、结构识别。这个接口天生支持内存字节输入，不要求文件存在于Azure存储中。
• 索引侧提前定义好字段结构：按照业务需要定义字段，可包含原始文档的自定义元数据（文件原始路径、创建人、版本号、业务分类等）、解析提取的纯文本内容、可选的向量嵌入字段（用于语义搜索）。如果需要保留原始二进制供后续回溯，注意单文档16MB的索引大小上限，超过阈值就不要把Base64编码的二进制存在索引字段里，只保留原始文件的访问地址即可。
• 直接调用Search Service的推送API写入文档：把解析完成的文本、自定义元数据组装成符合索引结构的文档对象，通过上传接口直接写入搜索索引即可。如果需要搭配实体识别、关键短语提取、嵌入生成等skill能力，可直接将推送文档内的文本字段指定为技能的输入源，不需要把技能的内容读取指向Blob位置。

核心逻辑的代码参考片段：

# 替换为从非Azure源（S3、本地文件、第三方存储）拉取的二进制流
with open("sample.pdf", "rb") as local_file:
    file_content = local_file.read()

# 内存流直接传给文档解析服务，无Blob交互
analyze_result = doc_intel_client.begin_analyze_document(
    model_id="prebuilt-read",
    body=file_content,
    content_type="application/pdf"
).result()
extracted_text = "".join([page.text for page in analyze_result.pages])

# 组装文档直接推送到搜索索引
search_client.upload_documents(
    documents=[
        {
            "@search.action": "upload",
            "doc_id": "src-001",
            "original_source_path": "s3://my-bucket/docs/sample.pdf",
            "content": extracted_text,
            "author": "文档作者"
        }
    ]
)

2. 无持久化Blob的轻量折中方案（适合不想自己写解析逻辑的场景） #

如果觉得自行对接文档解析接口的开发量偏大，又不想长期维护非Azure源到Blob的同步链路，可以采用临时内存缓冲区的方案：

• 配置一个带自动生命周期策略的临时Blob容器，设置上传后1分钟自动删除所有文件。
• 从非Azure源拉取文件后，直接以内存流的形式上传到这个临时容器，不做本地持久化。
• 立刻触发预设好的、带完整文档解析skillset的索引器完成文档提取与索引写入。
• 临时Blob文件会靠生命周期策略自动清理，不需要人工维护。

这个方案本质上还是用到了Blob，但没有长期存储、没有同步链路的维护成本，适合对零Blob依赖要求不极端的场景。

• 不要把内置索引器的能力边界当成搜索服务的能力边界：目前内置索引器确实没有覆盖所有非Azure存储的直连连接器，但这只是“减少开发量的内置功能”，不是搜索服务能实现的全部能力。
• 不要默认skill集必须从Blob读内容：早期版本的搜索技能确实强依赖Blob作为内容源，但当前版本的技能链已经支持直接从推送文档的字段中取输入值做处理，不需要关联外部存储。
• 成本核算上，纯推送模式不会产生Blob的存储、出网流量费用，但是需要自己实现非Azure源的文件拉取、异常重试、增量同步、权限校验的逻辑，比内置索引器的自动同步要多写少量业务代码。

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