Azure 内容理解 — 布局分析器

使用 Azure 的预构建布局分析器从文档中提取结构化内容。输出包含 Markdown 和结构化 JSON，支持文本、表格、图表及文档层级结构。

设置

设置环境变量：

export AZURE_CU_ENDPOINT="https://YOUR_RESOURCE.services.ai.azure.com/"
export AZURE_CU_API_KEY="YOUR_KEY_HERE"

可选：设置 API 版本（默认为 2025-05-01-preview）：

export AZURE_CU_API_VERSION="2025-11-01"

快速使用

分析 URL 并输出 Markdown

node scripts/analyze.mjs --url "https://example.com/document.pdf"

分析本地文件（通过 stdin 输入）

cat invoice.pdf | node scripts/analyze.mjs --stdin --markdown output.md --output result.json

同时保存 Markdown 与完整 JSON

node scripts/analyze.mjs --url "https://example.com/report.pdf" \
  --markdown report.md \
  --output report.json

直接 API 调用

当脚本不可用时，可使用 curl：

# 提交分析请求（预览版 API）
curl -s -X POST "$AZURE_CU_ENDPOINT/contentunderstanding/analyzers/prebuilt-layout:analyze?api-version=2025-05-01-preview" \
  -H "Ocp-Apim-Subscription-Key: $AZURE_CU_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"url":"https://example.com/doc.pdf"}'

# 响应包含 Operation-Location 头部 —— 需轮询该 URL 获取结果

对于正式版 API（2025-11-01），请求体格式发生变化：

{"inputs": [{"url": "https://example.com/doc.pdf"}]}

输出

Markdown

分析器生成 GitHub 风格的 Markdown，保留以下内容：

• 标题（h1–h6）
• 表格（以 HTML <table> 块形式输出）
• 选择标记（☒ 已勾选，☐ 未勾选）
• 图表（带引用）
• 段落（按阅读顺序排列）

结构化 JSON

完整结果包含各元素的详细数据：

• pages — 每页的尺寸、文字和行数统计
• paragraphs — 文本块及其边界区域和语义角色
• tables — 包含行列跨距的单元格信息
• figures — 检测到的图像/图表及其边界区域
• sections — 文档的分层结构

支持的格式

PDF、JPEG、PNG、BMP、TIFF、HEIF、DOCX、XLSX、PPTX、HTML

最佳实践

• 异步操作 — API 返回 202 状态码；需轮询 Operation-Location 获取结果
• 轮询间隔 — 建议每 3 秒一次；结果通常在 5–60 秒内返回
• 大文档处理 — 最多支持 2,000 页；处理时间与页数成线性关系
• 文件上传 — 使用 Content-Type: application/octet-stream 并发送二进制数据
• 表格渲染 — 复杂布局（如合并单元格）的表格以 HTML 形式嵌入 Markdown

API 参考

详见 [references/api.md](references/api.md) 获取完整的请求与响应说明。