Analizza e suddividi i documenti

Questa pagina descrive come utilizzare Vertex AI Search per analizzare e suddividere i documenti.

Puoi configurare le impostazioni di analisi o suddivisione in blocchi per:

• Specifica in che modo Vertex AI Search analizza i contenuti. Puoi specificare come analizzare i contenuti non strutturati quando li carichi in Vertex AI Search. Vertex AI Search fornisce un parser digitale, un parser OCR per i PDF e un parser del layout. Puoi anche utilizzare i tuoi documenti analizzati. L'analisi del layout è consigliata quando sono presenti contenuti avanzati e elementi strutturali come sezioni, paragrafi, tabelle ed elenchi da estrarre dai documenti per la ricerca e la generazione di risposte.

  Consulta Migliorare il rilevamento dei contenuti con l'analisi.

• Utilizza Vertex AI Search per la generazione basata su recupero (RAG). Migliora l'output degli LLM con dati pertinenti che hai caricato nell'app Vertex AI Search. Per farlo, attiva il suddivisione dei documenti, che indicizza i dati come chunk per migliorare la pertinenza e ridurre il carico computazionale per gli LLM. Attiverai anche l'analizzatore del layout, che consente di rilevare elementi del documento come intestazioni ed elenchi, per migliorare il modo in cui i documenti vengono suddivisi in blocchi.

  Per informazioni sul chunking per la RAG e su come restituire i chunk nelle richieste di ricerca, consulta Eseguire il chunking dei documenti per la RAG.

Analizza i documenti

Puoi controllare l'analisi dei contenuti nei seguenti modi:

• Specifica il tipo di parser. Puoi specificare il tipo di analisi da applicare in base al tipo di file:

  • Parser digitale. Il parser digitale è attivo per impostazione predefinita per tutti i tipi di file, a meno che non venga specificato un tipo di parser diverso. L'analizzatore digitale elabora i documenti importati se non è specificato nessun altro analizzatore predefinito per il data store o se l'analizzatore specificato non supporta il tipo di file di un documento importato.
  • Analisi OCR per i PDF. Se prevedi di caricare PDF scansionati o PDF con testo all'interno delle immagini, puoi attivare l'analizzatore OCR per migliorare l'indicizzazione dei PDF. Consulta la sezione Parser OCR per i PDF di questo documento.
  • Analizzatore sintattico del layout. Attiva l'analizzatore del layout per i file HTML, PDF o DOCX se prevedi di utilizzare Vertex AI Search per RAG. Per informazioni su questo parser e su come attivarlo, consulta la sezione Eseguire il chunking dei documenti per RAG.

• Importa il tuo documento analizzato. (Anteprima con lista consentita) Se hai già analizzato i tuoi documenti non strutturati, puoi importare i contenuti pre-analizzati in Vertex AI Search. Consulta Utilizza il tuo documento analizzato.

Confronto della disponibilità dei parser

La tabella seguente elenca la disponibilità di ciascun parser in base ai tipi di file di documenti e mostra quali elementi ciascun parser può rilevare e analizzare.

Parser digitale

L'analizzatore digitale estrae dai documenti il testo leggibile dalla macchina. Rileva i blocchi di testo, ma non gli elementi del documento come tabelle, elenchi e intestazioni.

L'analizzatore digitale viene utilizzato come predefinito se non ne specifichi un altro come predefinito durante la creazione dell'archivio dati o se un analizzatore specificato non supporta un tipo di file in fase di caricamento.

Analizza OCR per PDF

Se hai PDF non disponibili per la ricerca (PDF scansionati o PDF con testo all'interno di immagini, come le infografiche), Google consiglia di attivare l'elaborazione del riconoscimento ottico dei caratteri (OCR) durante la creazione dell'datastore. In questo modo, Vertex AI Search può estrarre gli elementi del paragrafo.

Se hai PDF o altri formati digitali in cui è possibile eseguire ricerche e che sono costituiti principalmente da testo leggibile dalla macchina, in genere non è necessario utilizzare l'analisi XML dell'OCR. Tuttavia, se hai PDF che contengono sia testo non disponibile per la ricerca (ad esempio testo scansionato o infografiche) sia testo leggibile dalla macchina, puoi impostare il campo useNativeText su true quando specifichi l'analizzatore OCR. In questo caso, il testo leggibile dalla macchina viene unito agli output di analisi OCR per migliorare la qualità dell'estrazione del testo.

Le funzionalità di elaborazione OCR sono disponibili per le app di ricerca generica con datastore non strutturati.

Il processore OCR può analizzare un massimo di 500 pagine per file PDF. Per i PDF più lunghi, il processore OCR analizza le prime 500 pagine e l'analizzatore sintattico predefinito analizza il resto.

Parser del layout

L'analisi del layout consente a Vertex AI Search di rilevare i layout per PDF e HTML. Il supporto dei file DOCX è in anteprima. Vertex AI Search può quindi identificare elementi di contenuti come blocchi di testo, tabelle, elenchi ed elementi strutturali come titoli e intestazioni e utilizzarli per definire l'organizzazione e la gerarchia di un documento.

Puoi attivare l'analisi del layout per tutti i tipi di file o specificare per quali tipi di file attivarla. L'analizzatore del layout rileva elementi di contenuto come paragrafi, tabelle, elenchi ed elementi strutturali come titoli, intestazioni, intestazioni e note a piè di pagina.

L'analisi del layout è disponibile solo quando si utilizza il frazionamento dei documenti per RAG. Quando il suddivisione dei documenti è attiva, Vertex AI Search suddivide i documenti in chunk al momento dell'importazione e può restituirli come chunk. Il rilevamento del layout del documento consente l'organizzazione in blocchi in base ai contenuti e migliora la ricerca e la generazione di risposte relative agli elementi del documento. Per saperne di più sul suddivisione dei documenti per RAG, consulta Suddividere i documenti per RAG.

L'analizzatore di layout supporta una dimensione massima del file PDF di 40 MB.

Specifica un parser predefinito

Se includi l'oggetto documentProcessingConfig quando crei un datastore, puoi specificare un'analisi predefinita per quel datastore. Se non includi documentProcessingConfig.defaultParsingConfig, viene utilizzato il parser digitale. L'analizzatore digitale viene utilizzato anche se l'analizzatore specificato non è disponibile per un tipo di file.

Esempio

L'esempio seguente specifica durante la creazione dell'datastore che l'interprete OCR sarà quello predefinito. Poiché l'analizzatore sintattico OCR si applica solo ai file PDF, tutti i file PDF importati verranno elaborati dall'analizzatore sintattico OCR e tutti gli altri tipi di file verranno elaborati dall'analizzatore sintattico digitale.

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
-H "X-Goog-User-Project: exampleproject" \
"https://discoveryengine.googleapis.com/v1alpha/projects/exampleproject/locations/global/collections/default_collection/dataStores?dataStoreId=datastore123" \
-d '{
  "displayName": "exampledatastore",
  "industryVertical": "GENERIC",
  "solutionTypes": ["SOLUTION_TYPE_SEARCH"],
  "contentConfig": "CONTENT_REQUIRED",
  "documentProcessingConfig": {
    "defaultParsingConfig": {
      "ocrParsingConfig": {
        "useNativeText": "false"
      }
    }
  }
}'

Specifica le sostituzioni del parser per i tipi di file

Puoi specificare che un determinato tipo di file (PDF, HTML o DOCX) debba essere analizzato da un parser diverso da quello predefinito. A tale scopo, includi il campo documentProcessingConfig nella richiesta di creazione del datastore e specifica il parser di override. Se non specifichi un parser predefinito, il parser digitale è quello predefinito.

Esempio

L'esempio seguente specifica durante la creazione datastore che i file PDF devono essere elaborati dall'interprete OCR e che i file HTML devono essere elaborati dall'interprete del layout. In questo caso, tutti i file diversi da PDF e HTML verranno elaborati dall'analizzatore digitale.

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
-H "X-Goog-User-Project: exampleproject" \
"https://discoveryengine.googleapis.com/v1alpha/projects/exampleproject/locations/global/collections/default_collection/dataStores?dataStoreId=datastore123" \
-d '{
  "displayName": "exampledatastore",
  "industryVertical": "GENERIC",
  "solutionTypes": ["SOLUTION_TYPE_SEARCH"],
  "contentConfig": "CONTENT_REQUIRED",
  "documentProcessingConfig": {
    "parsingConfigOverrides": {
      "pdf": {
        "ocrParsingConfig": {
            "useNativeText": "false"
          },
      },
      "html": {
         "layoutParsingConfig": {}
      }
    }
  }
}'

Ottenere i documenti analizzati in JSON

Puoi ottenere un documento analizzato in formato JSON chiamando il metodo getProcessedDocument e specificando PARSED_DOCUMENT come tipo di documento elaborato. Ottenere i documenti analizzati in formato JSON può essere utile se devi caricare il documento analizzato altrove o se decidi di importare nuovamente i documenti analizzati in Vertex AI Agent Builder utilizzando la funzionalità porta il tuo documento analizzato.

Importa il tuo documento analizzato

Puoi importare documenti non strutturati pre-analizzati nei datastore di Vertex AI Search. Ad esempio, anziché importare un documento PDF non elaborato, puoi analizzare autonomamente il PDF e importare il risultato dell'analisi. In questo modo puoi importare i documenti in modo strutturato, assicurandoti che la ricerca e la generazione di risposte dispongano di informazioni sul layout e sugli elementi del documento.

Un documento non strutturato analizzato è rappresentato da JSON che descrive il documento non strutturato utilizzando una sequenza di blocchi di testo, tabelle ed elenchi. Puoi importare i file JSON con i dati dei documenti non strutturati analizzati nello stesso modo in cui importi altri tipi di documenti non strutturati, ad esempio i PDF. Quando questa funzionalità è attivata, ogni volta che un file JSON viene caricato e identificato da un tipo MIME application/json o da un'estensione .JSON, viene trattato come un documento analizzato.

Per attivare questa funzionalità e per informazioni su come utilizzarla, contatta il team degli Account Google.

Suddividere i documenti per RAG

Per impostazione predefinita, Vertex AI Search è ottimizzato per il recupero dei documenti, in cui la tua app di ricerca restituisce un documento come un PDF o una pagina web con ogni risultato di ricerca.

Le funzionalità di suddivisione dei documenti sono disponibili per le app di ricerca generiche con datastore non strutturati.

Vertex AI Search può invece essere ottimizzato per la RAG, in cui la tua app di ricerca viene utilizzata principalmente per aumentare l'output dell'LLM con i tuoi dati personalizzati. Quando il suddivisione dei documenti è attivata, Vertex AI Search suddivide i documenti in blocchi. Nei risultati di ricerca, l'app di ricerca può restituire blocchi di dati pertinenti anziché documenti completi. L'utilizzo di dati suddivisi in blocchi per la RAG aumenta la pertinenza delle risposte degli LLM e riduce il carico computazionale per questi modelli.

Per utilizzare Vertex AI Search per RAG:

1. Attiva il chunking dei documenti quando crei il tuo datastore.

   In alternativa, carica i tuoi chunk (anteprima con lista consentita) se hai già suddiviso i tuoi documenti.

2. Recupera e visualizza i chunk nei seguenti modi:

   • Elenca i chunk di un documento
   • Ottenere chunk in JSON da un documento elaborato
   • Ottenere chunk specifici

3. Restituire chunk nelle richieste di ricerca.

Limitazioni

Al chunking si applicano le seguenti limitazioni:

• Il chunking dei documenti non può essere attivato o disattivato dopo la creazione del datastore.
• Puoi effettuare richieste di ricerca per documenti anziché per chunk da un datastore con il chunking dei documenti attivato. Tuttavia, gli archivi di dati con il suddivisione dei documenti attivata non sono ottimizzati per la restituzione dei documenti. I documenti vengono restituiti aggregando i chunk in documenti.
• Quando il frazionamento dei documenti è attivo, i riepiloghi della ricerca e la ricerca con follow-up sono supportati in Anteprima pubblica, ma non come versione GA.

Opzioni di suddivisione dei documenti

Questa sezione descrive le opzioni da specificare per attivare il suddivisione dei documenti.

Durante la creazione del datastore, attiva le seguenti opzioni in modo che Vertex AI Search possa indicizzare i documenti come chunk.

• Chunking dei documenti in base al layout. Per attivare questa opzione, includi il campo documentProcessingConfig nella richiesta di creazione del datastore e specifica ChunkingConfig.LayoutBasedChunkingConfig.

  Quando l'organizzazione in blocchi dei documenti in base al layout è attiva, Vertex AI Search rileva il layout di un documento e lo prende in considerazione durante l'organizzazione in blocchi. In questo modo, si migliora la coerenza semantica e si riduce il rumore nei contenuti quando vengono utilizzati per il recupero e la generazione di LLM. Tutto il testo di un chunk proviene dalla stessa entità di layout, ad esempio intestazioni, sottotitoli e elenchi.

• Analisi del layout. Per attivare questa opzione, specifica ParsingConfig.LayoutParsingConfig durante la creazione del datastore.

  L'analizzatore del layout rileva i layout per i file PDF, HTML e DOCX. Identifica elementi come blocchi di testo, tabelle, elenchi, titoli e intestazioni e li utilizza per definire l'organizzazione e la gerarchia di un documento.

  Per saperne di più sull'analisi del layout, consulta Analisi del layout.

Attivare il chunking dei documenti

Puoi attivare il chunking dei documenti includendo l'oggetto documentProcessingConfig nella richiesta di creazione dell'archivio datastore e attivando il chunking dei documenti e l'analisi del layout attenti al layout.

Importa i tuoi chunk (anteprima con lista consentita)

Se hai già suddiviso i tuoi documenti, puoi caricarli in Vertex AI Search anziché attivare le opzioni di suddivisione dei documenti.

La funzionalità Importa i tuoi chunk è una funzionalità di Anteprima con lista consentita. Per utilizzare questa funzionalità, contatta il team degli Account Google.

Elenca i chunk di un documento

Per elencare tutti i chunk di un documento specifico, chiama il metodo Chunks.list.

Ottenere chunk in JSON da un documento elaborato

Puoi ottenere tutti i chunk di un documento specifico in formato JSON chiamando il metodo getProcessedDocument. Ottenere i chunk in JSON può essere utile se devi caricarli altrove o se decidi di importarli di nuovo in Vertex AI Agent Builder utilizzando la funzionalità porta i tuoi chunk.

Ottenere chunk specifici

Per ottenere un chunk specifico, chiama il metodo Chunks.get.

Restituire chunk nelle richieste di ricerca

Dopo aver verificato che i dati sono stati suddivisi correttamente, Vertex AI Search può restituire i dati suddivisi nei risultati di ricerca.

La risposta restituisce un chunk pertinente alla query di ricerca. Inoltre, puoi scegliere di restituire i chunk adiacenti che appaiono prima e dopo il chunk pertinente nel documento di origine. I chunk adiacenti possono aggiungere contesto e accuratezza.

Esempio

Il seguente esempio di richiesta di query di ricerca imposta SearchResultMode su chunks, richiede un chunk precedente e un chunk successivo e limita il numero di risultati a un singolo chunk pertinente utilizzando pageSize.

curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
-H "X-Goog-User-Project: exampleproject" \
"https://discoveryengine.googleapis.com/v1alpha/projects/exampleproject/locations/global/collections/default_collection/dataStores/datastore123/servingConfigs/default_search:search" \
-d '{
  "query": "animal",
  "pageSize": 1,
  "contentSearchSpec": {
    "searchResultMode": "CHUNKS",
    "chunkSpec": {
           "numPreviousChunks": 1,
           "numNextChunks": 1
       }
  }
}'

L'esempio seguente mostra la risposta restituita per la query di esempio. La risposta contiene i chunk pertinenti, i chunk precedenti e successivi, i metadati del documento originale e l'intervallo di pagine del documento da cui è stato ricavato ogni chunk.

{
  "results": [
    {
      "chunk": {
        "name": "projects/961309680810/locations/global/collections/default_collection/dataStores/allie-pdf-adjacent-chunks_1711394998841/branches/0/documents/0d8619f429d7f20b3575b14cd0ad0813/chunks/c17",
        "id": "c17",
        "content": "\n# ESS10: Stakeholder Engagement and Information Disclosure\nReaders should also refer to ESS10 and its guidance notes, plus the template available for a stakeholder engagement plan. More detail on stakeholder engagement in projects with risks related to animal health is contained in section 4 below. The type of stakeholders (men and women) that can be engaged by the Borrower as part of the project's environmental and social assessment and project design and implementation are diverse and vary based on the type of intervention. The stakeholders can include: Pastoralists, farmers, herders, women's groups, women farmers, community members, fishermen, youths, etc. Cooperatives members, farmer groups, women's livestock associations, water user associations, community councils, slaughterhouse workers, traders, etc. Veterinarians, para-veterinary professionals, animal health workers, community animal health workers, faculties and students in veterinary colleges, etc. 8 \n# 4. Good Practice in Animal Health Risk Assessment and Management\n\n# Approach\nRisk assessment provides the transparent, adequate and objective evaluation needed by interested parties to make decisions on health-related risks associated with project activities involving live animals. As the ESF requires, it is conducted throughout the project cycle, to provide or indicate likelihood and impact of a given hazard, identify factors that shape the risk, and find proportionate and appropriate management options. The level of risk may be reduced by mitigation measures, such as infrastructure (e.g., diagnostic laboratories, border control posts, quarantine stations), codes of practice (e.g., good animal husbandry practices, on-farm biosecurity, quarantine, vaccination), policies and regulations (e.g., rules for importing live animals, ban on growth hormones and promotors, feed standards, distance required between farms, vaccination), institutional capacity (e.g., veterinary services, surveillance and monitoring), changes in individual behavior (e.g., hygiene, hand washing, care for animals). Annex 2 provides examples of mitigation practices. This list is not an exhaustive one but a compendium of most practiced interventions and activities. The cited measures should take into account social, economic, as well as cultural, gender and occupational aspects, and other factors that may affect the acceptability of mitigation practices by project beneficiaries and other stakeholders. Risk assessment is reviewed and updated through the project cycle (for example to take into account increased trade and travel connectivity between rural and urban settings and how this may affect risks of disease occurrence and/or outbreak). Projects monitor changes in risks (likelihood and impact) b               by using data, triggers or indicators. ",
        "documentMetadata": {
          "uri": "gs://table_eval_set/pdf/worldbank/AnimalHealthGoodPracticeNote.pdf",
          "title": "AnimalHealthGoodPracticeNote"
        },
        "pageSpan": {
          "pageStart": 14,
          "pageEnd": 15
        },
        "chunkMetadata": {
          "previousChunks": [
            {
              "name": "projects/961309680810/locations/global/collections/default_collection/dataStores/allie-pdf-adjacent-chunks_1711394998841/branches/0/documents/0d8619f429d7f20b3575b14cd0ad0813/chunks/c16",
              "id": "c16",
              "content": "\n# ESS6: Biodiversity Conservation and Sustainable Management of Living Natural Resources\nThe risks associated with livestock interventions under ESS6 include animal welfare (in relation to housing, transport, and slaughter); diffusion of pathogens from domestic animals to wildlife, with risks for endemic species and biodiversity (e.g., sheep and goat plague in Mongolia affecting the saiga, an endemic species of wild antelope); the introduction of new breeds with potential risk of introducing exotic or new diseases; and the release of new species that are not endemic with competitive advantage, potentially putting endemic species at risk of extinction. Animal welfare relates to how an animal is coping with the conditions in which it lives. An animal is in a good state of welfare if it is healthy, comfortable, well nourished, safe, able to express innate behavior, 7 Good Practice Note - Animal Health and related risks and is not suffering from unpleasant states such as pain, fear or distress. Good animal welfare requires appropriate animal care, disease prevention and veterinary treatment; appropriate shelter, management and nutrition; humane handling, slaughter or culling. The OIE provides standards for animal welfare on farms, during transport and at the time of slaughter, for their welfare and for purposes of disease control, in its Terrestrial and Aquatic Codes. The 2014 IFC Good Practice Note: Improving Animal Welfare in Livestock Operations is another example of practical guidance provided to development practitioners for implementation in investments and operations. Pastoralists rely heavily on livestock as a source of food, income and social status. Emergency projects to restock the herds of pastoralists affected by drought, disease or other natural disaster should pay particular attention to animal welfare (in terms of transport, access to water, feed, and animal health) to avoid potential disease transmission and ensure humane treatment of animals. Restocking also entails assessing the assets of pastoralists and their ability to maintain livestock in good conditions (access to pasture and water, social relationship, technical knowledge, etc.). Pastoralist communities also need to be engaged by the project to determine the type of animals and breed and the minimum herd size to be considered for restocking. \n# Box 5. Safeguarding the welfare of animals and related risks in project activities\nIn Haiti, the RESEPAG project (Relaunching Agriculture: Strengthening Agriculture Public Services) financed housing for goats and provided technical recommendations for improving their welfare, which is critical to avoid the respiratory infections, including pneumonia, that are serious diseases for goats. To prevent these diseases, requires optimal sanitation and air quality in herd housing. This involves ensuring that buildings have adequate ventilation and dust levels are reduced to minimize the opportunity for infection. Good nutrition, water and minerals are also needed to support the goats' immune function. The project paid particular attention to: (i) housing design to ensure good ventilation; (ii) locating housing close to water sources and away from human habitation and noisy areas; (iii) providing mineral blocks for micronutrients; (iv) ensuring availability of drinking water and clean food troughs. ",
              "documentMetadata": {
                "uri": "gs://table_eval_set/pdf/worldbank/AnimalHealthGoodPracticeNote.pdf",
                "title": "AnimalHealthGoodPracticeNote"
              },
              "pageSpan": {
                "pageStart": 13,
                "pageEnd": 14
              }
            }
          ],
          "nextChunks": [
            {
              "name": "projects/961309680810/locations/global/collections/default_collection/dataStores/allie-pdf-adjacent-chunks_1711394998841/branches/0/documents/0d8619f429d7f20b3575b14cd0ad0813/chunks/c18",
              "id": "c18",
              "content": "\n# Scoping of risks\nEarly scoping of risks related to animal health informs decisions to initiate more comprehensive risk assessment according to the type of livestock interventions and activities. It can be based on the following considerations: • • • • Type of livestock interventions supported by the project (such as expansion of feed resources, improvement of animal genetics, construction/upgrading and management of post-farm-gate facilities, etc. – see also Annex 2); Geographic scope and scale of the livestock interventions; Human and animal populations that are likely to be affected (farmers, women, children, domestic animals, wildlife, etc.); and Changes in the project or project context (such as emerging disease outbreak, extreme weather or climatic conditions) that would require a re-assessment of risk levels, mitigation measures and their likely effect on risk reduction. Scenario planning can also help to identify project-specific vulnerabilities, country-wide or locally, and help shape pragmatic analyses that address single or multiple hazards. In this process, some populations may be identified as having disproportionate exposure or vulnerability to certain risks because of occupation, gender, age, cultural or religious affiliation, socio-economic or health status. For example, women and children may be the main caretakers of livestock in the case of 9 Good Practice Note - Animal Health and related risks household farming, which puts them into close contact with animals and animal products. In farms and slaughterhouses, workers and veterinarians are particularly exposed, as they may be in direct contact with sick animals (see Box 2 for an illustration). Fragility, conflict, and violence (FCV) can exacerbate risk, in terms of likelihood and impact. Migrants new to a geographic area may be immunologically naïve to endemic zoonotic diseases or they may inadvertently introduce exotic diseases; and refugees or internally displaced populations may have high population density with limited infrastructure, leaving them vulnerable to disease exposure. Factors such as lack of access to sanitation, hygiene, housing, and health and veterinary services may also affect disease prevalence, contributing to perpetuation of poverty in some populations. Risk assessment should identify populations at risk and prioritize vulnerable populations and circumstances where risks may be increased. It should be noted that activities that seem minor can still have major consequences. See Box 6 for an example illustrating how such small interventions in a project may have large-scale consequences. It highlights the need for risk assessment, even for simple livestock interventions and activities, and how this can help during the project cycle (from concept to implementation). ",
              "documentMetadata": {
                "uri": "gs://table_eval_set/pdf/worldbank/AnimalHealthGoodPracticeNote.pdf",
                "title": "AnimalHealthGoodPracticeNote"
              },
              "pageSpan": {
                "pageStart": 15,
                "pageEnd": 16
              }
            }
          ]
        }
      }
    }
  ],
  "totalSize": 61,
  "attributionToken": "jwHwjgoMCICPjbAGEISp2J0BEiQ2NjAzMmZhYS0wMDAwLTJjYzEtYWQxYS1hYzNlYjE0Mzc2MTQiB0dFTkVSSUMqUMLwnhXb7Ygtq8SKLa3Eii3d7Ygtj_enIqOAlyLm7Ygtt7eMLduPmiKN96cijr6dFcXL8xfdj5oi9-yILdSynRWCspoi-eyILYCymiLk7Ygt",
  "nextPageToken": "ANxYzNzQTMiV2MjFWLhFDZh1SMjNmMtADMwATL5EmZyMDM2YDJaMQv3yagQYAsciPgIwgExEgC",
  "guidedSearchResult": {},
  "summary": {}
}

Passaggi successivi

• Creare un datastore di ricerca