Azure AI Content Understanding biblioteca client per JavaScript - versione 1.0.0

Azure AI Content Understanding è un servizio di intelligenza artificiale multimodale che estrae contenuti semantici da documenti, video, audio e file d'immagini. Trasforma contenuti non strutturati in dati strutturati e leggibili da macchina, ottimizzati per la generazione aumentata al recupero (RAG) e flussi di lavoro automatizzati.

Usa la libreria client per la comprensione dei contenuti Azure AI per:

Estrae il contenuto del documento - Estrae testo, tabelle, figure, informazioni di layout e markdown strutturato dai documenti (PDF, immagini con testo o testo scritto a mano, documenti Office e altro)
Trascrivere e analizzare audio - Convertire i contenuti audio in trascrizioni ricercabili con informazioni sulla diarizzazione e il tempo del parlante
Analizza i contenuti video - Estrai fotogrammi visivi, trascrivi tracce audio e genera riassunti strutturati dai file video
Analizzatori precostruiti - Utilizzare analizzatori preassemblati pronti per la produzione in diversi settori, inclusi finance e fiscali (fatture, ricevute, moduli fiscali), verifica dell'identità (passaporti, patenti di guida), mutui e prestiti (domande di prestito, perizie), approvvigionamenti e contratti (ordini di acquisto, accordi) e utenze (estratti conto di fatturazione)
Creare analizzatori personalizzati - Costruire analizzatori specifici per dominio per esigenze specializzate di estrazione di contenuti in tutte e quattro le modalità (documenti, video, audio e immagini)
Classifica documenti e video - Categorizza ed estrae automaticamente le informazioni da documenti e video per tipo

Collegamenti chiave:

Getting started

Ambienti attualmente supportati

LTS di Node.js
Versioni più recenti di Safari, Chrome, Edge e Firefox.

Consulta la nostra politica support per maggiori dettagli.

Prerequisiti

Un abbonamento Azure
Una risorsa Microsoft Foundry creata in una regione supportata <>c1

Installa il pacchetto `@azure/ai-content-understanding`

Installa la libreria client Azure Content Understanding per JavaScript con npm:

npm install @azure/ai-content-understanding

Configura la tua risorsa Microsoft Foundry

Prima di utilizzare il Content Understanding SDK, devi configurare una risorsa Microsoft Foundry e distribuire i grandi modelli linguistici richiesti. La Content Understanding utilizza attualmente modelli OpenAI GPT (come gpt-4.1, gpt-4.1-mini e text-embedding-3-large).

Passo 1: Crea una risorsa Microsoft Foundry

Importante: Devi creare la tua risorsa Microsoft Foundry in una regione che supporti la Content Understanding. Per un elenco delle regioni disponibili, vedi Azure Content Understanding region and language support.

Segui i passaggi nel quickstart Azure Content Understanding per creare una risorsa Microsoft Foundry nel Azure portal
Ottieni l'URL endpoint della tua risorsa Foundry da Azure Portal:
- Vai su Azure Portal
- Naviga fino alla tua risorsa Microsoft Foundry
- Vai a Chiavi di gestione>delle risorse e Endpoint
- Copia l'URL Endpoint (tipicamente https://<your-resource-name>.services.ai.azure.com/)

Importante: concedere i permessi necessari

Dopo aver creato la tua risorsa Microsoft Foundry, devi concederti il ruolo Cognitive Services User per abilitare le chiamate API per impostare le implementazioni predefinite dei modelli:

Vai su Azure Portal
Naviga fino alla tua risorsa Microsoft Foundry
Vai su Access Control (IAM) nel menu sinistro
Fare clic su Aggiungi>assegnazione di ruolo
Seleziona il ruolo Utente dei Servizi Cognitivi
Assegnalo a te stesso (o all'utente/responsabile del servizio che gestirà l'applicazione)

Nota: Questa assegnazione di ruolo è richiesta anche se sei il proprietario della risorsa. Senza questo ruolo, non potrai chiamare l'API di Content Understanding per configurare le implementazioni dei modelli per analizzatori precompilati.

Passo 2: Implementare i modelli richiesti

Importante: Gli analizzatori preassemblati e personalizzati richiedono grandi implementazioni di modelli linguistici. Devi implementare almeno questi modelli prima di utilizzare analizzatori preassemblati e analizzatori personalizzati:

prebuilt-documentSearch, prebuilt-imageSearch, prebuilt-audioSearch, prebuilt-videoSearch richiedono gpt-4.1-mini e text-embedding-3-large
Altri analizzatori preassemblati come prebuilt-invoice, prebuilt-receipt richiedono gpt-4.1 e text-embedding-3-large

Per distribuire un modello:

In Microsoft Foundry, vai su Deployment>Deploy modello>Deploy modello base
Cerca e seleziona il modello che vuoi distribuire. Attualmente, gli analizzatori precostruiti richiedono modelli come gpt-4.1, gpt-4.1-mini, e text-embedding-3-large
Completa il deployment con le impostazioni che preferisci
Nota il nome di distribuzione che hai scelto (per convenzione, usa il nome del modello come nome di implementazione, ad esempio gpt-4.1 per il gpt-4.1 modello)

Ripeti questo processo per ogni modello richiesto dai tuoi analizzatori preassemblati.

Per maggiori informazioni sul deployment dei modelli, consulta Crea implementazioni di modelli nel portale Microsoft Foundry.

Passo 3: Configurare le implementazioni dei modelli (necessarie per gli analizzatori preassemblati)

IMPORTANTE: Questa è una configurazione una tantum per risorsa Microsoft Foundry che mappa i tuoi modelli distribuiti a quelli richiesti dagli analizzatori predefiniti e dai modelli personalizzati. Se hai più risorse Microsoft Foundry, devi configurarle separatamente.

Devi configurare le mappature predefinite dei modelli nella tua risorsa Microsoft Foundry. Questo può essere fatto in modo programmativo usando l'SDK. La configurazione mappa i tuoi modelli distribuiti (attualmente gpt-4.1, gpt-4.1-mini e text-embedding-3-large) ai grandi modelli di linguaggio richiesti dagli analizzatori precompilati.

Per configurare le implementazioni dei modelli usando codice, consulta l'esempio Update Defaults per un esempio completo. Ecco una breve panoramica:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

// Map your deployed models to the models required by prebuilt analyzers
const updatedDefaults = await client.updateDefaults({
  modelDeployments: {
    "gpt-4.1": process.env["GPT_4_1_DEPLOYMENT"]!,
    "gpt-4.1-mini": process.env["GPT_4_1_MINI_DEPLOYMENT"]!,
    "text-embedding-3-large": process.env["TEXT_EMBEDDING_3_LARGE_DEPLOYMENT"]!,
  },
});

console.log("Model deployments configured successfully!");

Nota: La configurazione viene mantenuta nella tua risorsa Microsoft Foundry, quindi devi eseguire questa configurazione solo una volta per risorsa (o ogni volta che cambi il nome delle tue distribuzioni).

Autenticare il client

Per autenticare il client, hai bisogno del tuo endpoint e delle credenziali della risorsa Microsoft Foundry. Puoi usare sia una chiave API sia l'autenticazione Microsoft Entra ID.

Utilizzo di DefaultAzureCredential

Il modo più semplice per autenticare è usare DefaultAzureCredential, che supporta metodi di autenticazione multipli e funziona bene sia negli ambienti di sviluppo locale che in quelli di produzione.

Per utilizzare il provider DefaultAzureCredential mostrato di seguito, o altri fornitori di credenziali forniti con l'SDK Azure, si prega di installare il pacchetto @azure/identity:

npm install @azure/identity

Usando Node.js e ambienti simili a Node, è possibile usare la classe DefaultAzureCredential per autenticare il client.

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const client = new ContentUnderstandingClient("<endpoint>", new DefaultAzureCredential());

Per gli ambienti browser, usa il InteractiveBrowserCredential dal pacchetto @azure/identity per autenticarti.

import { InteractiveBrowserCredential } from "@azure/identity";
import { ContentUnderstandingClient } from "@azure/ai-content-understanding";

const credential = new InteractiveBrowserCredential({
  tenantId: "<YOUR_TENANT_ID>",
  clientId: "<YOUR_CLIENT_ID>",
});
const client = new ContentUnderstandingClient("<endpoint>", credential);

Utilizzo della chiave API

Puoi anche autenticarti usando una chiave API dalla tua risorsa Microsoft Foundry:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { AzureKeyCredential } from "@azure/core-auth";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const apiKey = process.env["CONTENTUNDERSTANDING_KEY"]!;
const client = new ContentUnderstandingClient(endpoint, new AzureKeyCredential(apiKey));

Per ottenere la tua chiave API:

Vai su Azure Portal
Naviga fino alla tua risorsa Microsoft Foundry
Vai a Chiavi di gestione>delle risorse e Endpoint
Copia una delle Chiavi (Chiave1 o Chiave2)

Per maggiori informazioni sull'autenticazione, vedi Azure Identity client library.

Pacchetto JavaScript

Per usare questa libreria client nel browser, è prima necessario usare un bundler. Per dettagli su come to do questo intervento, si prega di consultare la nostra documentazione raggruppamento.

Concetti chiave

Analizzatori predefiniti

Content Understanding offre un ricco set di analizzatori preassemblati, pronti all'uso senza alcuna configurazione. Questi analizzatori sono alimentati da basi di conoscenza con migliaia di esempi reali di documenti, permettendo loro di comprendere la struttura documentale e adattarsi alle variazioni di formato e contenuto.

Gli analizzatori precostruiti sono organizzati in diverse categorie:

Analizzatori RAG - Ottimizzati per scenari di generazione con recupero aumentato con analisi semantica ed estrazione di markdown. Questi analizzatori restituiscono il markdown e un paragrafo Summary per ogni elemento di contenuto:
- prebuilt-documentSearch - Estrae contenuti dai documenti (PDF, immagini, documenti Office) con preservazione del layout, rilevamento delle tabelle, analisi delle figure e output markdown strutturato. Ottimizzato per scenari RAG.
- prebuilt-imageSearch - Analizza le immagini autonome e restituisce una descrizione di un paragrafo del contenuto dell'immagine. Ottimizzato per la comprensione delle immagini e scenari di ricerca. Per le immagini che contengono testo (incluso testo scritto a mano), usa prebuilt-documentSearch.
- prebuilt-audioSearch - Trascrive contenuti audio con diarizzazione del parlante, informazioni di tempo e riassunti delle conversazioni. Supporta la trascrizione multilingue.
- prebuilt-videoSearch - Analizza contenuti video con estrazione visiva di fotogrammi, trascrizione audio e riassunti strutturati. Fornisce allineamento temporale dei contenuti visivi e audio e può restituire più segmenti per video.
Analizzatori di estrazione di contenuti - Focus su OCR e analisi del layout (ad esempio, prebuilt-read) prebuilt-layout
Analizzatori base - Capacità fondamentali di elaborazione dei contenuti utilizzate come analizzatori genitori per analizzatori personalizzati (ad esempio, prebuilt-document, prebuilt-image, prebuilt-audio, prebuilt-video)
Analizzatori specifici per dominio - Analizzatori preconfigurati per categorie comuni di documenti tra cui documenti finanziari (fatture, ricevute, estratti conto bancari), documenti d'identità (passaporti, patenti di guida), moduli fiscali, documenti ipotecari e contratti, e utenze (estratti conto di fatturazione)
Analizzatori utility - Strumenti specializzati per la generazione di schemi e l'estrazione del campo (ad esempio, prebuilt-documentFieldSchema, prebuilt-documentFields)

Per un elenco completo degli analizzatori precompilati disponibili e delle loro capacità, consulta la documentazione Analizzatori precostruiti.

Analizzatori personalizzati

Puoi creare analizzatori personalizzati con schemi di campo specifici per l'elaborazione multimodale dei contenuti (documenti, immagini, audio, video). Gli analizzatori personalizzati ti permettono di estrarre informazioni specifiche per il dominio su misura per il tuo caso d'uso.

Tipi di contenuto

L'API restituisce diversi tipi di contenuto in base all'input:

document - Per file documentali (PDF, HTML, immagini, documenti Office come Word, Excel, PowerPoint e altri). Fornisce informazioni di base come il numero di pagine e il tipo MIME. Recupera informazioni dettagliate tra cui pagine, tabelle, figure, paragrafi e molte altre.
audioVisual - Per file audio e video. Fornisce informazioni di base come i tempi (orari di inizio/fine) e le dimensioni del fotogramma (per il video). Recupera informazioni dettagliate tra cui frasi trascrizioni, dati di tempistica, e per video, riferimenti a key frame e altro ancora.

Operazioni asincrone

Le operazioni di Content Understanding sono operazioni asincrone di lunga durata. Il flusso di lavoro è:

Inizia l'analisi - Avvia l'operazione di analisi (ritorna immediatamente con la posizione dell'operazione)
Sondaggio per i risultati - Interroga la posizione dell'operazione fino al completamento dell'analisi
Risultati di processo - Estrai e visualizza i risultati strutturati

L'SDK fornisce tipi di poller che gestiscono automaticamente il polling quando si utilizza pollUntilDone(). Per le operazioni di analisi, l'SDK restituisce un poller che fornisce accesso all'ID dell'operazione. Questo ID operazione può essere usato con getResultFile e deleteResult metodi.

Classi principali

ContentUnderstandingClient - Il client principale per l'analisi dei contenuti, nonché per la creazione, gestione e configurazione degli analizzatori
AnalysisResult - Contiene i risultati strutturati di un'operazione di analisi, inclusi elementi di contenuto, markdown e metadati

Sicurezza dei thread

Garantiamo che tutti i metodi di istanza client siano thread-safe e indipendenti tra loro. In questo modo si garantisce che la raccomandazione di riutilizzare le istanze client sia sempre sicura, anche tra thread.

Concetti aggiuntivi

Esempi

Puoi familiarizzare con diverse API usando Samples.

I campioni dimostrano:

Configurazione - Configurare i valori predefiniti per il deployment dei modelli per analizzatori predefiniti e analizzatori personalizzati
Estrazione del contenuto documentale - Estrazione di contenuti markdown strutturati da PDF e immagini utilizzando prebuilt-documentSearch, ottimizzato per applicazioni RAG (Retrieval-Augmented Generation)
Analisi Multimodale dei Contenuti - Analizzare contenuti provenienti da URL in tutte le modalità: estrarre markdown e riassunti da documenti, immagini, audio e video usando prebuilt-documentSearch, prebuilt-imageSearch, prebuilt-audioSearch, e prebuilt-videoSearch
Domain-Specific Analisi - Estrarre i campi strutturati dalle fatture utilizzando prebuilt-invoice
Funzionalità avanzate del documento - Estrazione di grafici, collegamenti ipertestuali, formule e annotazioni dai documenti
Analizzatori personalizzati - Creare analizzatori personalizzati con schemi di campo per esigenze di estrazione specializzate
Classificazione dei documenti - Creare e utilizzare classificatori per categorizzare i documenti
Gestione degli Analizzatori - Ottenere, elenca, aggiorna, copia e elimina gli analizzatori
Gestione dei risultati - Recupero file di risultati dall'analisi video e eliminazione dei risultati

Estrarre contenuti markdown dai documenti

Usa l'analizzatore prebuilt-documentSearch per estrarre contenuti a sconto dai documenti:

import { ContentUnderstandingClient } from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const documentUrl = "https://example.com/sample_invoice.pdf";

// Analyze document using prebuilt-documentSearch
const poller = client.analyze("prebuilt-documentSearch", [{ url: documentUrl }]);
const result = await poller.pollUntilDone();

// Extract markdown content
if (result.contents && result.contents.length > 0) {
  const content = result.contents[0];
  console.log("Markdown Content:");
  console.log(content.markdown);

  // Access document-specific properties
  if (content.kind === "document") {
    console.log(`Pages: ${content.startPageNumber} - ${content.endPageNumber}`);
  }
}

Estrazione dei campi strutturati dalle fatture

Usa l'analizzatore prebuilt-invoice per estrarre i campi di fattura strutturati:

import {
  ContentUnderstandingClient,
  type DocumentContent,
  type ContentFieldUnion,
} from "@azure/ai-content-understanding";
import { DefaultAzureCredential } from "@azure/identity";

const endpoint = process.env["CONTENTUNDERSTANDING_ENDPOINT"]!;
const client = new ContentUnderstandingClient(endpoint, new DefaultAzureCredential());

const invoiceUrl = "https://example.com/invoice.pdf";

// Analyze invoice using prebuilt-invoice analyzer
const poller = client.analyze("prebuilt-invoice", [{ url: invoiceUrl }]);
const result = await poller.pollUntilDone();

if (result.contents && result.contents.length > 0) {
  const content = result.contents[0] as DocumentContent;

  // Helper function to extract field values
  const getFieldValue = (field: ContentFieldUnion | undefined): string | undefined => {
    if (!field) return undefined;
    if ("valueString" in field) return field.valueString;
    if ("valueDate" in field) return field.valueDate;
    if ("valueNumber" in field) return String(field.valueNumber);
    return undefined;
  };

  // Extract invoice fields
  const customerName = getFieldValue(content.fields?.["CustomerName"]);
  const invoiceTotal = getFieldValue(content.fields?.["InvoiceTotal"]);
  const invoiceDate = getFieldValue(content.fields?.["InvoiceDate"]);

  console.log(`Customer Name: ${customerName ?? "(None)"}`);
  console.log(`Invoice Total: ${invoiceTotal ?? "(None)"}`);
  console.log(`Invoice Date: ${invoiceDate ?? "(None)"}`);
}

Vedi la directory samples per esempi completi.

Risoluzione dei problemi

Problemi comuni

Errore: "Access negato a causa di una chiave di abbonamento invalida o di un endpoint API errato"

Verifica che l'URL del tuo endpoint sia corretto e includa la barra di scena
Assicurati che la tua chiave API sia valida o che le tue credenziali Microsoft Entra ID abbiano i permessi corretti
Assicurati di avere il ruolo Cognitive Services User assegnato al tuo account

Errore: "Distribuzione del modello non trovata" o "Distribuzione del modello predefinito non configurata"

Assicurati di aver distribuito i modelli richiesti (gpt-4.1, gpt-4.1-mini, text-embedding-3-large) in Microsoft Foundry
Verifica di aver configurato le implementazioni predefinite dei modelli (vedi Configura le implementazioni dei modelli)
Controlla che i nomi delle tue implementazioni corrispondano a quelli configurati nelle impostazioni predefinite

Errore: "Operazione fallita" o timeout

Le operazioni di comprensione dei contenuti sono asincrone e possono richiedere tempo per essere completate
Assicurati di cercare correttamente i risultati sull'oggetto pollUntilDone() poller
Controlla lo stato operativo per maggiori dettagli sul guasto

Registrazione

L'abilitazione della registrazione può aiutare a individuare informazioni utili sugli errori. Per visualizzare un log di richieste e risposte HTTP, impostare la variabile di ambiente AZURE_LOG_LEVEL su info. In alternativa, la registrazione può essere abilitata in tempo reale chiamando setLogLevel nel @azure/logger:

import { setLogLevel } from "@azure/logger";

setLogLevel("info");

Per istruzioni più dettagliate su come abilitare i log, puoi consultare il pacchetto @azure/logger docs.

Testing

Questo SDK include test completi che possono essere eseguiti in diverse modalità.

Avvio rapido

# Install dependencies
pnpm install

# Build the SDK
npx turbo build --filter=@azure/ai-content-understanding...

# Run tests in playback mode (no Azure resources needed)
pnpm test

Modalità di prova

Modalità di riproduzione (predefinita): Utilizza interazioni HTTP preregistrate, senza risorse Azure richieste
Record Mode: Viene eseguito contro i servizi di Azure live e registra le interazioni per una riproduzione futura
Modalità Live: Viene eseguito contro i servizi di Azure live senza registrazione

Preparare l'ambiente per test live/record

Copia test/sample.env a test/.env:
```
cp test/sample.env test/.env
```
Modifica test/.env e compila i tuoi valori reali:
- CONTENTUNDERSTANDING_ENDPOINT: Il tuo endpoint risorsa Microsoft Foundry
- CONTENTUNDERSTANDING_KEY: La tua chiave API (opzionale se usi DefaultAzureCredential)
- Nomi di distribuzione dei modelli (necessari per gli analizzatori preassemblati)

Esegui i test in modalità record

Per registrare nuove interazioni di test o aggiornare quelle esistenti:

# Run tests in record mode
TEST_MODE=record pnpm test

Esegui i test in modalità riproduzione

Per eseguire test senza risorse Azure (usando interazioni preregistrate):

# Simply run tests (playback is the default mode)
pnpm test

# Or explicitly set playback mode
TEST_MODE=playback pnpm test

Ambito di pacchetto / flussi di lavoro più rapidi

Compila solo questo pacchetto e le sue dipendenze:

npx turbo build --filter=@azure/ai-content-understanding... --token 1

Esegui solo i test Node per iterazioni più rapide (saltare i test browser):
```
TEST_MODE=record pnpm test:node   # or TEST_MODE=playback pnpm test:node
```

Variabili di ambiente

Puoi impostare le credenziali in diversi modi:

Preferito: Crea test/.env copiando test/sample.env e riempiendo i tuoi valori
Fallback: Posiziona a .env alla radice del pacchetto (stessa directory di package.json)

Esportazione della shell: Esporta le credenziali direttamente nella tua shell:

export CONTENTUNDERSTANDING_ENDPOINT="https://<your-resource>.services.ai.azure.com/"
export CONTENTUNDERSTANDING_KEY="<your_key_here>"
TEST_MODE=record pnpm test:node

Consigli per il debug

Quando si esegue test in modalità record, osserva le righe di debug stampate dalla configurazione del test:

DEBUG ENV ENDPOINT DEFINED: true
DEBUG ENV KEY DEFINED: true

Importante: NON fare commit con chiavi reali. Tieni test/sample.env come modello e assicurati test/.env che sia nel tuo .gitignore.

Test di risoluzione dei problemi

"key must be a string non vuot": Il processo di test non riusciva a trovare il tuo CONTENTUNDERSTANDING_KEY. Assicurati test/.env che il package-root .env sia presente e contenga la chiave (o esportala nella tua shell) prima di eseguire i test.
"Richiesta non valida: Assicurati che il tuo servizio/regione supporti l'analizzatore utilizzato dai test e che la access di rete sia disponibile per input basati su URL.

Analisi locale dei campioni

Le directory di campioni sono escluse dallo spazio di lavoro pnpm per evitare conflitti di dipendenze. Per eseguire campioni con la versione locale del pacchetto per lo sviluppo:

Nota: Eseguire pnpm link e pnpm install all'interno delle cartelle di campioni verranno aggiornati i file locali come package.json e pnpm-lock.yaml sotto le directory dei campioni. Questi cambiamenti sono solo per test locali e non dovrebbero essere registrati. Se li modifichi per errore, usali git restore <path> per tornare indietro.

Costruisci il pacchetto:

npx turbo build --filter=@azure/ai-content-understanding...

Collega il pacchetto locale nelle directory di campioni:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm link ../../../
cd ../javascript
pnpm link ../../../

Installa le dipendenze nelle directory di campioni:

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
pnpm install
cd ../javascript
pnpm install

Alternativa (nessuna modifica package.json/lockfile)

Se vuoi usare il pacchetto locale senza modificare il campione package.json o pnpm-lock.yaml, installa da un tarball compatto senza salvare:

Costruisci il pacchetto:

npx turbo build --filter=@azure/ai-content-understanding...

Crea un tarball locale:

cd sdk/contentunderstanding/ai-content-understanding
pnpm pack --pack-destination /tmp

Installa il tarball nei campioni (nessun salvataggio, nessun lockfile):

cd sdk/contentunderstanding/ai-content-understanding/samples/v1/typescript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz
cd ../javascript
npm install --no-save --no-package-lock /tmp/azure-ai-content-understanding-*.tgz

Esecuzione di un campione

Dopo aver installato le dipendenze, puoi eseguire campioni individuali.

Impostare le variabili ambientali:

Copia il sample.env file per creare un .env file nella radice della directory di esempio. Esegui i seguenti comandi dalla radice del pacchetto (sdk/contentunderstanding/ai-content-understanding):

# For TypeScript samples
cp sample.env samples/v1/typescript/.env

# For JavaScript samples
cp sample.env samples/v1/javascript/.env

Poi modifica il .env file e compila i tuoi valori reali:

CONTENTUNDERSTANDING_ENDPOINT=https://<your-resource>.services.ai.azure.com/
CONTENTUNDERSTANDING_KEY=<your-api-key>

Nota: Il .env file dovrebbe trovarsi alla radice della cartella campione (allo stesso livello di package.json), non all'interno src/ di .dist/

Esempi di TypeScript:

cd samples/v1/typescript
npm run build
node dist/analyzeBinary.js

Esempi di JavaScript:

cd samples/v1/javascript
node analyzeBinary.js

Per istruzioni complete di configurazione e esempi disponibili, vedi:

Passaggi successivi

Esplora la directory sample per esempi di codice completi
Leggi la documentazione Azure AI Content Understanding per informazioni dettagliate sul servizio

Contributing

Se desideri contribuire a questa libreria, leggi la guida contributi per saperne di più su come costruire e testare il codice.

Microsoft Azure SDK per JavaScript

Commenti e suggerimenti

Questa pagina è stata utile?

Last updated on 2026-03-02