Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
Llamar a Amazon Textract Asynchronous Operations
Amazon Textract proporciona una API asíncrona que puede usar para procesar documentos de varias páginas en formato PDF o TIFF. También puede utilizar operaciones asíncronas para procesar documentos de una sola página en formato JPEG, PNG, TIFF o PDF.
La información de este tema utiliza las operaciones de detección de texto para mostrar cómo se utilizan las operaciones asíncronas de Amazon Textract. Puede utilizar el mismo enfoque con las operaciones de análisis de texto de y. StartDocumentAnalysisGetDocumentAnalysis También funciona igual con StartExpenseAnalysisy GetExpenseAnalysis.
Para ver un ejemplo, consulta Detectar o analizar texto en un documento de varias páginas.
Si está analizando documentos de préstamo, puede utilizar la StartLendingAnalysis operación para clasificar las páginas de los documentos y enviar las páginas clasificadas a una operación de análisis de Amazon Textract. Las páginas se dirigen a las operaciones de análisis en función de la clase que se les asigne.
Puede recuperar los resultados de páginas individuales mediante la GetLendingAnalysis operación o recuperar un resumen del análisis con ella. GetLendingAnalysisSummary
Amazon Textract procesa de forma asíncrona un documento almacenado en un bucket de Amazon S3. Para empezar a procesar, llame a una Start operación, como. StartDocumentTextDetection El estado de finalización de la solicitud se publica en un tema de Amazon Simple Notification Service (Amazon SNS). Para obtener el estado de finalización del tema Amazon SNS, puede utilizar una cola del Amazon Simple Queue Service (Amazon SQS) o una función. AWS Lambda Una vez que disponga del estado de realización, llame a una operación Get, como GetDocumentTextDetection, para obtener los resultados de la solicitud.
De forma predeterminada, los resultados de las llamadas asincrónicas se cifran y almacenan durante 7 días en un bucket propiedad de Amazon Textract, a menos que especifique un bucket de Amazon S3 mediante el argumento de una operación. OutputConfig Para obtener información sobre cómo permitir que Amazon Textract envíe documentos cifrados a su bucket de Amazon S3, consulte. Permisos para la configuración de salida
En la siguiente tabla se muestran las operaciones Start y Get correspondientes a los distintos tipos de procesamiento asíncrono que admite Amazon Textract:
| Tipo de procesamiento | API de inicio | Obtenga la API |
|---|---|---|
| Detección de texto | StartDocumentTextDetection | GetDocumentTextDetection |
| Análisis de texto | StartDocumentAnalysis | GetDocumentAnalysis |
| Análisis de gastos | StartExpenseAnalysis | GetExpenseAnalysis |
| Análisis de préstamos | StartLendingAnalysis | GetLendingAnalysis, GetLendingAnalysisSummary |
Para ver un ejemplo que utiliza AWS Lambda funciones, consulte Procesamiento de documentos a gran escala con Amazon Textract
El siguiente diagrama muestra el proceso de detección del texto de un documento en una imagen de documento almacenada en un bucket de Amazon S3. En el diagrama, una cola de Amazon SQS obtiene el estado de realización a partir del tema de Amazon SNS.
El proceso que se muestra en el diagrama anterior es el mismo para analizar el texto y. invoices/receipts Empiezas a analizar el texto llamando StartDocumentAnalysisy comienzas a analizar invoices/receipts llamando. StartExpenseAnalysisObtienes los resultados llamando GetDocumentAnalysiso GetExpenseAnalysisrespectivamente.
Inicio de la detección de texto
Para iniciar una solicitud de detección de texto de Amazon Textract, llama. StartDocumentTextDetection El siguiente es un ejemplo de una solicitud JSON que ha transferido StartDocumentTextDetection.
{ "DocumentLocation": { "S3Object": { "Bucket": "bucket", "Name": "image.pdf" } }, "ClientRequestToken": "DocumentDetectionToken", "NotificationChannel": { "SNSTopicArn": "arn:aws:sns:us-east-1:nnnnnnnnnn:topic", "RoleArn": "arn:aws:iam::nnnnnnnnnn:role/roleTopic" }, "JobTag": "Receipt" }
El parámetro de entrada DocumentLocation proporciona el nombre del archivo del documento y el bucket de Amazon S3 desde el que se puede recuperar. NotificationChannelcontiene el nombre de recurso de Amazon (ARN) del tema de Amazon SNS que Amazon Textract notifica cuando finaliza la solicitud de detección de texto. El tema Amazon SNS debe estar en la misma región de AWS que el punto de conexión de Amazon Textract al que llamas. NotificationChanneltambién contiene el ARN de un rol que permite a Amazon Textract publicar en el tema Amazon SNS. Para conceder a Amazon Textract permisos de publicación para sus temas de Amazon SNS, debe crear un rol de servicio de IAM. Para obtener más información, consulte Configuración de Amazon Textract para operaciones asíncronas.
También puede especificar un parámetro de entrada opcionalJobTag, que le permita identificar el trabajo o los grupos de trabajos en el estado de finalización que se publica en el tema Amazon SNS. Por ejemplo, puede usarlo JobTag para identificar el tipo de documento que se está procesando, como un formulario de impuestos o un recibo.
Para evitar la duplicación accidental de trabajos de análisis, tiene la opción de proporcionar un token idempotente, ClientRequestToken. Si proporciona un valor paraClientRequestToken, la Start operación devuelve el mismo valor JobId para varias llamadas idénticas a la Start operación, por ejemploStartDocumentTextDetection. Un token ClientRequestToken tiene una vida útil de 7 días. Después de 7 días, puede volver a utilizarla. Si reutiliza el token durante el ciclo de vida del token, sucede lo siguiente:
-
Si reutiliza el token con la misma operación
Starty los mismos parámetros de entrada, se devuelve el mismoJobId. El trabajo no se ha vuelto a realizar y Amazon Textract no envía un estado de finalización al tema registrado de Amazon SNS. -
Si vuelve a utilizar el token con la misma operación
Starty un cambio de parámetro de entrada menor, obtendrá una excepciónidempotentparametermismatchexception(código de estado HTTP: 400). -
Si reutiliza el token con otra operación
Startdistinta, la operación se realiza correctamente.
Otro parámetro opcional disponible es OutputConfig el siguiente: permite ajustar el lugar en el que se colocará la salida. De forma predeterminada, Amazon Textract almacenará los resultados internamente y solo se podrá acceder a ellos mediante las operaciones de la API Get. Si OutputConfig está habilitada, puede establecer el nombre del depósito al que se enviará la salida y el prefijo del archivo de los resultados, desde donde podrá descargarlos. Además, puede configurar el KMSKeyID parámetro en una clave gestionada por el cliente para cifrar el resultado. Sin este conjunto de parámetros, Amazon Textract cifrará el lado del servidor mediante Amazon S3 Clave administrada de AWS
nota
Antes de usar este parámetro, asegúrese de tener el PutObject permiso para el bucket de salida. Además, asegúrese de tener los DescribeKey permisos de descifrado ReEncrypt GenerateDataKey, y de utilizar la AWS KMS clave si decide utilizarla.
La respuesta a la operación StartDocumentTextDetection es un identificador de trabajo (JobId). Úselo JobId para realizar un seguimiento de las solicitudes y obtener los resultados del análisis una vez que Amazon Textract haya publicado el estado de finalización en el tema Amazon SNS. A continuación, se muestra un ejemplo:
{"JobId":"270c1cc5e1d0ea2fbc59d97cb69a72a5495da75851976b14a1784ca90fc180e3"}
Si inicias demasiados trabajos al mismo tiempo, llama para StartDocumentTextDetection generar una LimitExceededException excepción (código de estado HTTP: 400) hasta que el número de trabajos en ejecución simultánea esté por debajo del límite del servicio Amazon Textract.
Si descubre que se producen LimitExceededException excepciones con ráfagas de actividad, considere la posibilidad de utilizar una cola de Amazon SQS para gestionar las solicitudes entrantes. Ponte en contacto con AWS
Support si descubres que una cola de Amazon SQS no puede gestionar tu número medio de solicitudes simultáneas y sigues recibiendo excepciones. LimitExceededException
Cómo obtener el estado de finalización de una solicitud de análisis de Amazon Textract
Amazon Textract envía una notificación de finalización del análisis al tema registrado de Amazon SNS. La notificación incluye el identificador de trabajo y el estado de realización de la operación en una cadena de JSON. Una solicitud de detección de texto correcta tiene un SUCCEEDED estado. Por ejemplo, el siguiente resultado muestra el procesamiento correcto de un trabajo de detección de texto.
{ "JobId": "642492aea78a86a40665555dc375ee97bc963f342b29cd05030f19bd8fd1bc5f", "Status": "SUCCEEDED", "API": "StartDocumentTextDetection", "JobTag": "Receipt", "Timestamp": 1543599965969, "DocumentLocation": { "S3ObjectName": "document", "S3Bucket": "bucket" } }
Para obtener más información, consulte Notificación de resultados de Amazon Textract.
Para que Amazon Textract publique la información de estado en el tema Amazon SNS, utilice una de las siguientes opciones:
-
AWS Lambda: puede suscribir una función de AWS Lambda que escriba en un tema de Amazon SNS. La función se invoca cuando Amazon Textract notifica al tema de Amazon SNS que la solicitud se ha completado. Utilice una función Lambda si desea que el código del lado del servidor procese los resultados de una solicitud de detección de texto. Por ejemplo, puede usar código del lado del servidor para anotar la imagen o crear un informe sobre el texto detectado antes de devolver la información a una aplicación cliente.
-
Amazon SQS: puede suscribir una cola de Amazon SQS a un tema de Amazon SNS. A continuación, sondea la cola de Amazon SQS para recuperar el estado de finalización publicado por Amazon Textract cuando se completa una solicitud de detección de texto. Para obtener más información, consulte Detectar o analizar texto en un documento de varias páginas. Utilice una cola de Amazon SQS si quiere llamar a las operaciones de Amazon Textract únicamente desde una aplicación cliente.
importante
No recomendamos llamar repetidamente a la operación Amazon Textract Get para obtener el estado de finalización de la solicitud. Esto se debe a que Amazon Textract limita la Get operación si se realizan demasiadas solicitudes. Si está procesando varios documentos al mismo tiempo, es más sencillo y eficiente supervisar una cola de SQS para ver la notificación de finalización que sondear Amazon Textract para conocer el estado de cada trabajo de forma individual.
Si ha configurado su cuenta para recibir una notificación de resultados de un tema de Amazon Simple Notification Service (Amazon SNS) o a través de una cola de Amazon SQS, debe asegurarse de que su cuenta es segura limitando el alcance del acceso de Amazon Textract únicamente a los recursos que esté utilizando. Para ello, puede adjuntar una política de confianza a su rol de servicio de IAM. Para obtener información sobre cómo hacerlo, consulte Cross-service Prevención de errores.
Obtención de los resultados de detección de texto de Amazon Textract
Para obtener los resultados de una solicitud de detección de texto, asegúrate primero de que el estado de finalización obtenido del tema de Amazon SNS sea. SUCCEEDED A continuación, llame a GetDocumentTextDetection, que transfiere el valor JobId que se devuelve desde StartDocumentTextDetection. El JSON de la solicitud es similar al siguiente ejemplo:
{ "JobId": "270c1cc5e1d0ea2fbc59d97cb69a72a5495da75851976b14a1784ca90fc180e3", "MaxResults": 10, "SortBy": "TIMESTAMP" }
JobIdes el identificador de la operación de detección de texto. Como la detección de texto puede generar grandes cantidades de datos, MaxResults utilícela para especificar el número máximo de resultados que se devolverán en una sola Get operación. El valor predeterminado MaxResults es 1000. Si especifica un valor superior a 1000, solo se devolverán 1000 resultados. Si la operación no devuelve todos los resultados, se devuelve un token de paginación para la página siguiente. Para obtener la siguiente página de resultados, especifique el token en el NextToken parámetro.
nota
Los resultados solo se pueden recuperar hasta 7 días después de la inicialización del trabajo.
La respuesta de la GetDocumentTextDetection operación JSON es similar a la siguiente. Se devuelve el número total de páginas detectadasDocumentMetadata. El texto detectado se devuelve en la Blocks matriz. Para obtener información sobre Block los objetos, consulteObjetos de respuesta para la detección de texto y el análisis de documentos.
{ "DocumentMetadata": { "Pages": 1 }, "JobStatus": "SUCCEEDED", "Blocks": [ { "BlockType": "PAGE", "Geometry": { "BoundingBox": { "Width": 1.0, "Height": 1.0, "Left": 0.0, "Top": 0.0 }, "Polygon": [ { "X": 0.0, "Y": 0.0 }, { "X": 1.0, "Y": 0.0 }, { "X": 1.0, "Y": 1.0 }, { "X": 0.0, "Y": 1.0 } ] }, "Id": "64533157-c47e-401a-930e-7ca1bb3ac3fa", "Relationships": [ { "Type": "CHILD", "Ids": [ "4297834d-dcb1-413b-8908-3b96866ebbb5", "1d85ba24-2877-4d09-b8b2-393833d769e9", "193e9c47-fd87-475a-ba09-3fda210d8784", "bd8aeb62-961b-4b47-b78a-e4ed9eeecd0f" ] } ], "Page": 1 }, { "BlockType": "LINE", "Confidence": 53.301639556884766, "Text": "ellooworio", "Geometry": { "BoundingBox": { "Width": 0.9999999403953552, "Height": 0.5365243554115295, "Left": 0.0, "Top": 0.46347561478614807 }, "Polygon": [ { "X": 0.0, "Y": 0.46347561478614807 }, { "X": 0.9999999403953552, "Y": 0.46347561478614807 }, { "X": 0.9999999403953552, "Y": 1.0 }, { "X": 0.0, "Y": 1.0 } ] }, "Id": "4297834d-dcb1-413b-8908-3b96866ebbb5", "Relationships": [ { "Type": "CHILD", "Ids": [ "170c3eb9-5155-4bec-8c44-173bba537e70" ] } ], "Page": 1 }, { "BlockType": "LINE", "Confidence": 89.15632629394531, "Text": "He llo,", "Geometry": { "BoundingBox": { "Width": 0.33642634749412537, "Height": 0.49159330129623413, "Left": 0.13885067403316498, "Top": 0.17169663310050964 }, "Polygon": [ { "X": 0.13885067403316498, "Y": 0.17169663310050964 }, { "X": 0.47527703642845154, "Y": 0.17169663310050964 }, { "X": 0.47527703642845154, "Y": 0.6632899641990662 }, { "X": 0.13885067403316498, "Y": 0.6632899641990662 } ] }, "Id": "1d85ba24-2877-4d09-b8b2-393833d769e9", "Relationships": [ { "Type": "CHILD", "Ids": [ "516ae823-3bab-4f9a-9d74-ad7150d128ab", "6bcf4ea8-bbe8-4686-91be-b98dd63bc6a6" ] } ], "Page": 1 }, { "BlockType": "LINE", "Confidence": 82.44834899902344, "Text": "worlo", "Geometry": { "BoundingBox": { "Width": 0.33182239532470703, "Height": 0.3766750991344452, "Left": 0.5091826915740967, "Top": 0.23131252825260162 }, "Polygon": [ { "X": 0.5091826915740967, "Y": 0.23131252825260162 }, { "X": 0.8410050868988037, "Y": 0.23131252825260162 }, { "X": 0.8410050868988037, "Y": 0.607987642288208 }, { "X": 0.5091826915740967, "Y": 0.607987642288208 } ] }, "Id": "193e9c47-fd87-475a-ba09-3fda210d8784", "Relationships": [ { "Type": "CHILD", "Ids": [ "ed135c3b-35dd-4085-8f00-26aedab0125f" ] } ], "Page": 1 }, { "BlockType": "LINE", "Confidence": 88.50325775146484, "Text": "world", "Geometry": { "BoundingBox": { "Width": 0.35004907846450806, "Height": 0.19635874032974243, "Left": 0.527581512928009, "Top": 0.30100569128990173 }, "Polygon": [ { "X": 0.527581512928009, "Y": 0.30100569128990173 }, { "X": 0.8776305913925171, "Y": 0.30100569128990173 }, { "X": 0.8776305913925171, "Y": 0.49736443161964417 }, { "X": 0.527581512928009, "Y": 0.49736443161964417 } ] }, "Id": "bd8aeb62-961b-4b47-b78a-e4ed9eeecd0f", "Relationships": [ { "Type": "CHILD", "Ids": [ "9e28834d-798e-4a62-8862-a837dfd895a6" ] } ], "Page": 1 }, { "BlockType": "WORD", "Confidence": 53.301639556884766, "Text": "ellooworio", "Geometry": { "BoundingBox": { "Width": 1.0, "Height": 0.5365243554115295, "Left": 0.0, "Top": 0.46347561478614807 }, "Polygon": [ { "X": 0.0, "Y": 0.46347561478614807 }, { "X": 1.0, "Y": 0.46347561478614807 }, { "X": 1.0, "Y": 1.0 }, { "X": 0.0, "Y": 1.0 } ] }, "Id": "170c3eb9-5155-4bec-8c44-173bba537e70", "Page": 1 }, { "BlockType": "WORD", "Confidence": 88.46246337890625, "Text": "He", "Geometry": { "BoundingBox": { "Width": 0.15350718796253204, "Height": 0.29955607652664185, "Left": 0.13885067403316498, "Top": 0.21856294572353363 }, "Polygon": [ { "X": 0.13885067403316498, "Y": 0.21856294572353363 }, { "X": 0.292357861995697, "Y": 0.21856294572353363 }, { "X": 0.292357861995697, "Y": 0.5181190371513367 }, { "X": 0.13885067403316498, "Y": 0.5181190371513367 } ] }, "Id": "516ae823-3bab-4f9a-9d74-ad7150d128ab", "Page": 1 }, { "BlockType": "WORD", "Confidence": 89.8501968383789, "Text": "llo,", "Geometry": { "BoundingBox": { "Width": 0.17724157869815826, "Height": 0.49159327149391174, "Left": 0.2980354428291321, "Top": 0.17169663310050964 }, "Polygon": [ { "X": 0.2980354428291321, "Y": 0.17169663310050964 }, { "X": 0.47527703642845154, "Y": 0.17169663310050964 }, { "X": 0.47527703642845154, "Y": 0.6632899045944214 }, { "X": 0.2980354428291321, "Y": 0.6632899045944214 } ] }, "Id": "6bcf4ea8-bbe8-4686-91be-b98dd63bc6a6", "Page": 1 }, { "BlockType": "WORD", "Confidence": 82.44834899902344, "Text": "worlo", "Geometry": { "BoundingBox": { "Width": 0.33182239532470703, "Height": 0.3766750991344452, "Left": 0.5091826915740967, "Top": 0.23131252825260162 }, "Polygon": [ { "X": 0.5091826915740967, "Y": 0.23131252825260162 }, { "X": 0.8410050868988037, "Y": 0.23131252825260162 }, { "X": 0.8410050868988037, "Y": 0.607987642288208 }, { "X": 0.5091826915740967, "Y": 0.607987642288208 } ] }, "Id": "ed135c3b-35dd-4085-8f00-26aedab0125f", "Page": 1 }, { "BlockType": "WORD", "Confidence": 88.50325775146484, "Text": "world", "Geometry": { "BoundingBox": { "Width": 0.35004907846450806, "Height": 0.19635874032974243, "Left": 0.527581512928009, "Top": 0.30100569128990173 }, "Polygon": [ { "X": 0.527581512928009, "Y": 0.30100569128990173 }, { "X": 0.8776305913925171, "Y": 0.30100569128990173 }, { "X": 0.8776305913925171, "Y": 0.49736443161964417 }, { "X": 0.527581512928009, "Y": 0.49736443161964417 } ] }, "Id": "9e28834d-798e-4a62-8862-a837dfd895a6", "Page": 1 } ] }
Uso de un adaptador
Con Amazon Textract, puede utilizar un adaptador al llamar a la StartDocumentAnalysisoperación. Para usar un adaptador, primero debe crear y entrenar un adaptador mediante la consola Amazon Textract. Para aplicar su adaptador, proporcione su ID cuando llame a la operación de la StartDocumentAnalysisAPI. Al llamar a la StartDocumentAnalysisoperación, puedes usar hasta un adaptador por página.
"AdaptersConfig": { "Adapters": [ { "AdapterId": "2e9bf1c4aa31", "Version": "1", "Pages": [ "1" ] } ] }
