如何在Azure Search中解码带填充的Base64格式HTM文件内容？

针对你遇到的问题，核心根源有两个：一是你的HTM文件并非纯Base64字符串（开头带有注释行），二是对base64Decode函数的参数配置理解有误。下面给出两种可行的解决方案：

方案一：预处理源文件（最简单直接） #

如果可以修改上传到Blob存储的文件内容，这是最省心的方式：

1. 去掉HTM文件中的注释行，只保留纯Base64字符串。比如把example.htm的内容修改为：

   PCEtLSBBIHNlZ21lbnQgb2YgYSBzd2VldCBib2R5IC0tPg0KPGRpdiBjbGFzcz0iYS1uaWNlLWNsYXNzIiBpZD0iaW1tYS1pZCI+DQoJPHA+Q2F0J3MgYXJlIGhhcmQgdG8gZGVjb2RlPC9wPg0KPC9kaXY+
   

2. 调整索引器的字段映射配置，确保useHttpServerUtilityUrlTokenDecode设为false（因为你的内容是带填充的标准Base64，而非URL安全的Base64）：

   {
     "name":"demoindexer",
     "dataSourceName" : "demodata",
     "targetIndexName" : "demoindex",
     "fieldMappings" : [
       {
         "sourceFieldName" : "content",
         "targetFieldName" : "content",
         "mappingFunction" : {
           "name" : "base64Decode",
           "parameters" : {
             "useHttpServerUtilityUrlTokenDecode" : false
           }
         }
       }
     ],
     "parameters": {
       "maxFailedItems":-1,
       "maxFailedItemsPerBatch":-1
     }
   }
   

   重新运行索引器后，就能正确将Base64解码为HTML，并索引其中的文本内容。

方案二：用自定义技能处理非纯Base64内容（无需修改源文件） #

如果无法修改源文件，可以通过Azure Search的自定义技能先提取纯Base64部分，再解码：

1. 创建自定义技能（Azure Function）：编写一个简单的函数，接收索引器传入的content字段，去掉开头的注释行（或通过正则匹配提取纯Base64字符串）。比如逻辑可以是：
   • 按换行分割输入字符串
   • 过滤掉以//开头的行
   • 将剩余内容合并为纯Base64输出
2. 配置技能集与索引器：在索引器中添加技能集，先调用自定义技能清理内容，再用base64Decode解码处理后的内容。示例配置如下：

   {
     "name":"demoindexer",
     "dataSourceName" : "demodata",
     "targetIndexName" : "demoindex",
     "skillsetName": "clean-base64-skillset",
     "outputFieldMappings": [
       {
         "sourceFieldName": "/document/cleanedBase64",
         "targetFieldName": "content",
         "mappingFunction": {
           "name": "base64Decode",
           "parameters": {
             "useHttpServerUtilityUrlTokenDecode": false
           }
         }
       }
     ],
     "parameters": {
       "maxFailedItems":-1,
       "maxFailedItemsPerBatch":-1
     }
   }
   

   对应的技能集需要包含你的自定义技能，指定输入为/document/content，输出为/document/cleanedBase64。

额外验证技巧 #

你可以先单独测试base64Decode函数：用一段纯Base64字符串作为输入，确认解码正常后，再处理文件中的非Base64部分，这样能快速定位问题所在。

内容的提问来源于stack exchange，提问作者RoboYak