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.
# Exportación de tablas a un archivo CSV
En estos ejemplos de Python se muestran cómo exportar tablas de una imagen de un documento a un archivo de valores separados por comas (CSV).
El ejemplo de análisis de documentos síncrono recopila información de tabla de una llamada a[AnalyzeDocument](API_AnalyzeDocument.md). El ejemplo de análisis de documentos asíncrono realiza una llamada a[StartDocumentAnalysis](API_StartDocumentAnalysis.md)y, a continuación, recupera los resultados de[GetDocumentAnalysis](API_GetDocumentAnalysis.md)como`Block`objetos.
La información de la tabla se devuelve como[Block](API_Block.md)objetos de una llamada a[AnalyzeDocument](API_AnalyzeDocument.md). Para obtener más información, consulte [Tablas](how-it-works-tables.md). La`Block`los objetos se almacenan en una estructura de mapa que se utiliza para exportar los datos de la tabla a un archivo CSV.
------
#### [ Synchronous ]
En este ejemplo, utilizará las funciones:
+ `get_table_csv_results`— Llamadas[AnalyzeDocument](API_AnalyzeDocument.md)y crea un mapa de tablas que se detectan en el documento. Crea una representación CSV de todas las tablas detectadas.
+ `generate_table_csv`: genera el archivo CSV de una tabla individual.
+ `get_rows_columns_map`— Obtiene las filas y columnas del mapa.
+ `get_text`— Obtiene el texto de una celda.
**Para exportar tablas a un archivo CSV**
1. Configure el entorno. Para obtener más información, consulte [Requisitos previos](examples-blocks.md#examples-prerequisites).
1. Copie el siguiente código de ejemplo en un archivo llamado*textract\$1python\$1table\$1parser.py que es*.
```
import webbrowser, os
import json
import boto3
import io
from io import BytesIO
import sys
from pprint import pprint
def get_rows_columns_map(table_result, blocks_map):
rows = {}
for relationship in table_result['Relationships']:
if relationship['Type'] == 'CHILD':
for child_id in relationship['Ids']:
cell = blocks_map[child_id]
if cell['BlockType'] == 'CELL':
row_index = cell['RowIndex']
col_index = cell['ColumnIndex']
if row_index not in rows:
# create new row
rows[row_index] = {}
# get the text value
rows[row_index][col_index] = get_text(cell, blocks_map)
return rows
def get_text(result, blocks_map):
text = ''
if 'Relationships' in result:
for relationship in result['Relationships']:
if relationship['Type'] == 'CHILD':
for child_id in relationship['Ids']:
word = blocks_map[child_id]
if word['BlockType'] == 'WORD':
text += word['Text'] + ' '
if word['BlockType'] == 'SELECTION_ELEMENT':
if word['SelectionStatus'] =='SELECTED':
text += 'X '
return text
def get_table_csv_results(file_name):
with open(file_name, 'rb') as file:
img_test = file.read()
bytes_test = bytearray(img_test)
print('Image loaded', file_name)
# process using image bytes
# get the results
client = boto3.client('textract')
response = client.analyze_document(Document={'Bytes': bytes_test}, FeatureTypes=['TABLES'])
# Get the text blocks
blocks=response['Blocks']
pprint(blocks)
blocks_map = {}
table_blocks = []
for block in blocks:
blocks_map[block['Id']] = block
if block['BlockType'] == "TABLE":
table_blocks.append(block)
if len(table_blocks) <= 0:
return " NO Table FOUND "
csv = ''
for index, table in enumerate(table_blocks):
csv += generate_table_csv(table, blocks_map, index +1)
csv += '\n\n'
return csv
def generate_table_csv(table_result, blocks_map, table_index):
rows = get_rows_columns_map(table_result, blocks_map)
table_id = 'Table_' + str(table_index)
# get cells.
csv = 'Table: {0}\n\n'.format(table_id)
for row_index, cols in rows.items():
for col_index, text in cols.items():
csv += '{}'.format(text) + ","
csv += '\n'
csv += '\n\n\n'
return csv
def main(file_name):
table_csv = get_table_csv_results(file_name)
output_file = 'output.csv'
# replace content
with open(output_file, "wt") as fout:
fout.write(table_csv)
# show the results
print('CSV OUTPUT FILE: ', output_file)
if __name__ == "__main__":
file_name = sys.argv[1]
main(file_name)
```
1. En el símbolo del sistema, escriba el siguiente comando. Reemplazar`file`con el nombre del archivo de imagen de documento que desee analizar.
```
python textract_python_table_parser.py file
```
Al ejecutar el ejemplo, la salida CSV se guarda en un archivo denominado`output.csv`.
------
#### [ Asynchronous ]
En este ejemplo, utilizará hacer uso de dos scripts diferentes. El primer guión inicia el proceso de análisis asincrónico de documentos con`StartDocumentAnalysis`y obtiene el`Block`información devuelta por`GetDocumentAnalysis`. El segundo guión toma el devuelto`Block`información de cada página, da formato a los datos como tabla y guarda las tablas en un archivo CSV.
**Para exportar tablas a un archivo CSV**
1. Configure el entorno. Para obtener más información, consulte [Requisitos previos](examples-blocks.md#examples-prerequisites).
1. Asegúrese de haber seguido las instrucciones que se dan en ver[Configuración de Amazon Textract Texact para operaciones asíncronas](api-async-roles.md). El proceso documentado en esa página le permite enviar y recibir mensajes sobre el estado de finalización de los trabajos asíncronos.
1. En el siguiente ejemplo de código, sustituya el valor de`roleArn`con el Arn asignado al rol que creó en el paso 2. Sustituir el valor de`bucket`con el nombre del bucket de S3 que contenga el documento. Sustituir el valor de`document`con el nombre del documento de su bucket de S3. Sustituir el valor de`region_name`con el nombre de la región de su bucket.
Copie el siguiente código de ejemplo en un archivo llamado*start\$1doc\$1analysis\$1for\$1table\$1extraction.py que es.*.
```
import boto3
import time
class DocumentProcessor:
jobId = ''
region_name = ''
roleArn = ''
bucket = ''
document = ''
sqsQueueUrl = ''
snsTopicArn = ''
processType = ''
def __init__(self, role, bucket, document, region):
self.roleArn = role
self.bucket = bucket
self.document = document
self.region_name = region
self.textract = boto3.client('textract', region_name=self.region_name)
self.sqs = boto3.client('sqs')
self.sns = boto3.client('sns')
def ProcessDocument(self):
jobFound = False
response = self.textract.start_document_analysis(DocumentLocation={'S3Object': {'Bucket': self.bucket, 'Name': self.document}},
FeatureTypes=["TABLES", "FORMS"], NotificationChannel={'RoleArn': self.roleArn, 'SNSTopicArn': self.snsTopicArn})
print('Processing type: Analysis')
print('Start Job Id: ' + response['JobId'])
print('Done!')
def CreateTopicandQueue(self):
millis = str(int(round(time.time() * 1000)))
# Create SNS topic
snsTopicName = "AmazonTextractTopic" + millis
topicResponse = self.sns.create_topic(Name=snsTopicName)
self.snsTopicArn = topicResponse['TopicArn']
# create SQS queue
sqsQueueName = "AmazonTextractQueue" + millis
self.sqs.create_queue(QueueName=sqsQueueName)
self.sqsQueueUrl = self.sqs.get_queue_url(QueueName=sqsQueueName)['QueueUrl']
attribs = self.sqs.get_queue_attributes(QueueUrl=self.sqsQueueUrl,
AttributeNames=['QueueArn'])['Attributes']
sqsQueueArn = attribs['QueueArn']
# Subscribe SQS queue to SNS topic
self.sns.subscribe(TopicArn=self.snsTopicArn, Protocol='sqs', Endpoint=sqsQueueArn)
# Authorize SNS to write SQS queue
policy = """{{
"Version":"2012-10-17",
"Statement":[
{{
"Sid":"MyPolicy",
"Effect":"Allow",
"Principal" : {{"AWS" : "*"}},
"Action":"SQS:SendMessage",
"Resource": "{}",
"Condition":{{
"ArnEquals":{{
"aws:SourceArn": "{}"
}}
}}
}}
]
}}""".format(sqsQueueArn, self.snsTopicArn)
response = self.sqs.set_queue_attributes(
QueueUrl=self.sqsQueueUrl,
Attributes={
'Policy': policy
})
def main():
roleArn = 'role-arn'
bucket = 'bucket-name'
document = 'document-name'
region_name = 'region-name'
analyzer = DocumentProcessor(roleArn, bucket, document, region_name)
analyzer.CreateTopicandQueue()
analyzer.ProcessDocument()
if __name__ == "__main__":
main()
```
1. Ejecute el código. El código imprimirá un JobId. Copia este JobId hacia abajo.
1. Espere a que el trabajo finalice el procesamiento y, una vez finalizado, copie el siguiente código en un archivo denominado*get\$1doc\$1analysis\$1for\$1table\$1extraction.py que es*. Sustituir el valor de`jobId`con el ID de Job que copiaste anteriormente. Sustituir el valor de`region_name`con el nombre de la región asociada a su rol Textract. Sustituir el valor de`file_name`con el nombre que desea asignar al archivo CSV de salida.
```
import boto3
from pprint import pprint
jobId = 'job-id'
region_name = 'region-name'
file_name = "output-file-name.csv"
textract = boto3.client('textract', region_name=region_name)
# Display information about a block
def DisplayBlockInfo(block):
print("Block Id: " + block['Id'])
print("Type: " + block['BlockType'])
if 'EntityTypes' in block:
print('EntityTypes: {}'.format(block['EntityTypes']))
if 'Text' in block:
print("Text: " + block['Text'])
if block['BlockType'] != 'PAGE':
print("Confidence: " + "{:.2f}".format(block['Confidence']) + "%")
def GetResults(jobId, file_name):
maxResults = 1000
paginationToken = None
finished = False
while finished == False:
response = None
if paginationToken == None:
response = textract.get_document_analysis(JobId=jobId, MaxResults=maxResults)
else:
response = textract.get_document_analysis(JobId=jobId, MaxResults=maxResults,
NextToken=paginationToken)
blocks = response['Blocks']
table_csv = get_table_csv_results(blocks)
output_file = file_name
# replace content
with open(output_file, "at") as fout:
fout.write(table_csv)
# show the results
print('Detected Document Text')
print('Pages: {}'.format(response['DocumentMetadata']['Pages']))
print('OUTPUT TO CSV FILE: ', output_file)
# Display block information
for block in blocks:
DisplayBlockInfo(block)
print()
print()
if 'NextToken' in response:
paginationToken = response['NextToken']
else:
finished = True
def get_rows_columns_map(table_result, blocks_map):
rows = {}
for relationship in table_result['Relationships']:
if relationship['Type'] == 'CHILD':
for child_id in relationship['Ids']:
try:
cell = blocks_map[child_id]
if cell['BlockType'] == 'CELL':
row_index = cell['RowIndex']
col_index = cell['ColumnIndex']
if row_index not in rows:
# create new row
rows[row_index] = {}
# get the text value
rows[row_index][col_index] = get_text(cell, blocks_map)
except KeyError:
print("Error extracting Table data - {}:".format(KeyError))
pass
return rows
def get_text(result, blocks_map):
text = ''
if 'Relationships' in result:
for relationship in result['Relationships']:
if relationship['Type'] == 'CHILD':
for child_id in relationship['Ids']:
try:
word = blocks_map[child_id]
if word['BlockType'] == 'WORD':
text += word['Text'] + ' '
if word['BlockType'] == 'SELECTION_ELEMENT':
if word['SelectionStatus'] == 'SELECTED':
text += 'X '
except KeyError:
print("Error extracting Table data - {}:".format(KeyError))
return text
def get_table_csv_results(blocks):
pprint(blocks)
blocks_map = {}
table_blocks = []
for block in blocks:
blocks_map[block['Id']] = block
if block['BlockType'] == "TABLE":
table_blocks.append(block)
if len(table_blocks) <= 0:
return " NO Table FOUND "
csv = ''
for index, table in enumerate(table_blocks):
csv += generate_table_csv(table, blocks_map, index + 1)
csv += '\n\n'
return csv
def generate_table_csv(table_result, blocks_map, table_index):
rows = get_rows_columns_map(table_result, blocks_map)
table_id = 'Table_' + str(table_index)
# get cells.
csv = 'Table: {0}\n\n'.format(table_id)
for row_index, cols in rows.items():
for col_index, text in cols.items():
csv += '{}'.format(text) + ","
csv += '\n'
csv += '\n\n\n'
return csv
response_blocks = GetResults(jobId, file_name)
```
1. Ejecute el código.
Una vez que haya obtenido los resultados, asegúrese de eliminar los recursos SNS y SQS asociados o, de lo contrario, puede acumular cargos por ellos.
------