Documents

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

La sortie standard pour les documents vous permet de définir la granularité de la réponse qui vous intéresse ainsi que d'établir le format de sortie et le format du texte dans la sortie. Vous trouverez ci-dessous certaines des sorties que vous pouvez activer.

Granularité de la réponse

La granularité des réponses détermine le type de réponse que vous souhaitez recevoir lors de l'extraction du texte du document. Chaque niveau de granularité vous donne de plus en plus de réponses séparées, la page fournissant tout le texte extrait ensemble, et le mot fournissant chaque mot sous forme de réponse séparée. Les niveaux de granularité disponibles sont les suivants :

Réglages de sortie

Les paramètres de sortie déterminent la manière dont les résultats téléchargés seront structurés. Les options pour les paramètres de sortie sont les suivantes :

Format du texte

Le format du texte détermine les différents types de textes qui seront fournis par le biais de différentes opérations d'extraction. Vous pouvez sélectionner l'une des options suivantes pour votre format de texte.

Boîtes de délimitation et champs génératifs

Pour les documents, il existe deux options de réponse qui modifient leur sortie en fonction de la granularité sélectionnée. Ce sont les boîtes de délimitation et les champs génératifs. La sélection de boîtes de délimitation fournira un aperçu visuel de l'élément ou du mot sur lequel vous cliquez dans le menu déroulant des réponses de la console. Cela vous permet de retrouver plus facilement certains éléments de votre réponse. Les boîtes de délimitation sont renvoyées dans votre JSON sous forme de coordonnées des quatre coins de la boîte.

Lorsque vous sélectionnez Generative Fields, un résumé du document est généré, à la fois dans une version de 10 mots et dans une version de 250 mots. Ensuite, si vous sélectionnez des éléments sous forme de granularité de réponse, vous générez une légende descriptive de chaque figure détectée dans le document. Les chiffres incluent des éléments tels que des tableaux, des graphiques et des images.

Réponse au document Bedrock Data Automation

Cette section se concentre sur les différents objets de réponse que vous recevez lors de l'exécution de l'opération d'API InvokeDataAutomation sur un fichier de document. Ci-dessous, nous allons décomposer chaque section de l'objet de réponse, puis voir une réponse complète et remplie pour un exemple de document. La première section que nous recevrons estmetadata.

"metadata":{
   "logical_subdocument_id":"XXXX-XXXX-XXXX-XXXX",
   "semantic_modality":"DOCUMENT",
   "s3_bucket":"bucket",
   "s3_prefix":"prefix"
},

La première section ci-dessus fournit une vue d'ensemble des métadonnées associées au document. Outre les informations S3, cette section vous indique également quelle modalité a été sélectionnée pour votre réponse.

"document":{
   "representation":{
      "text":"document text",
      "html":"document title document content",
      "markdown":"# text"
   },
   "description":"document text",
   "summary":"summary text",
   "statistics":{
      "element_count":5,
      "table_count":1,
      "figure_count":1,
      "word_count":1000,
      "line_count":32
   }
},

La section ci-dessus fournit des informations sur la granularité au niveau du document. Les sections de description et de résumé sont les champs générés en fonction du document. La section de représentation fournit le contenu réel du document avec différents styles de formatage. Enfin, les statistiques contiennent des informations sur le contenu réel du document, telles que le nombre d'éléments sémantiques, le nombre de chiffres, de mots, de lignes, etc.

Il s'agit des informations relatives à une entité de table. Outre les informations de localisation, les différents formats du texte, des tableaux et de l'ordre de lecture, ils renvoient spécifiquement des informations CSV et des images recadrées du tableau dans des compartiments S3. Les informations CSV indiquent les différents en-têtes, pieds de page et titres. Les images seront acheminées vers le compartiment s3 du préfixe défini dans la demande InvokeDataAutomationAsync

{
   "id":"entity_id",
   "type":"TEXT",
   "representation":{
      "text":"document text",
      "html":"document title document content",
      "markdown":"# text"
   },
   "reading_order":2,
   "page_indices":[
      0
   ],
   "locations":[
      {
         "page_index":0,
         "bounding_box":{
            "left":0.0,
            "top":0.0,
            "width":0.05,
            "height":0.5
         }
      }
   ],
   "sub_type":"TITLE/SECTION_TITLE/HEADER/FOOTER/PARAGRAPH/LIST/PAGE_NUMBER"
},

Il s'agit de l'entité utilisée pour le texte d'un document, indiquée par la TYPE ligne dans la réponse. Encore une fois, la représentation montre le texte dans différents formats. reading_orderindique à quel moment un lecteur verrait logiquement le texte. Il s'agit d'un ordre sémantique basé sur les clés et les valeurs associées. Par exemple, il associe les titres des paragraphes à leur paragraphe respectif dans l'ordre de lecture. page_indicesvous indique sur quelles pages se trouve le texte. Viennent ensuite les informations de localisation, avec un cadre de texte fourni si elles ont été activées en réponse. Enfin, nous avons le sous-type d'entité. Ce sous-type fournit des informations plus détaillées sur le type de texte détecté. Pour obtenir la liste complète des sous-types, consultez la référence d'API.

{
   "id":"entity_id",
   "type":"TABLE",
   "representation":{
      "html":"table.../table",
      "markdown":"| header | ...",
      "text":"header \t header",
      "csv":"header, header, header\n..."
   },
   "csv_s3_uri":"s3://",
   "headers":[
      "date",
      "amount",
      "description",
      "total"
   ],
   "reading_order":3,
   "title":"Title of the table",
   "footers":[
      "the footers of the table"
   ],
   "crop_images":[
      "s3://bucket/prefix.png",
      "s3://bucket/prefix.png"
   ],
   "page_indices":[
      0,
      1
   ],
   "locations":[
      {
         "page_index":0,
         "bounding_box":{
            "left":0,
            "top":0,
            "width":1,
            "height":1
         }
      },
      {
         "page_index":1,
         "bounding_box":{
            "left":0,
            "top":0,
            "width":1,
            "height":1
         }
      }
   ]
},

Il s'agit des informations relatives à une entité de table. Outre les informations de localisation, les différents formats du texte, des tableaux et de l'ordre de lecture, ils renvoient spécifiquement des informations CSV et des images recadrées du tableau dans des compartiments S3. Les informations CSV indiquent les différents en-têtes, pieds de page et titres. Les images seront acheminées vers le compartiment s3 du préfixe défini dans la InvokeDataAutomation demande.

{

   "id":"entity_id",

   "type":"FIGURE",

   "summary":"",

   "representation":{

      "text":"document text",

      "html":"document title document content",

      "markdown":"# text"

   },

   "crop_images":[

      "s3://bucket/prefix.png",

      "s3://bucket/prefix.png"

   ],

   "locations":[

      {

         "page_index":0,

         "bounding_box":{

            "left":0,

            "top":0,

            "width":1,

            "height":1

         }

      }

   ],

   "sub_type":"CHART",

   "title":"figure title",

   "rai_flag":"APPROVED/REDACTED/REJECTED",

   "reading_order":1,

   "page_indices":[

      0

   ]

}
,

​

Il s'agit de l'entité utilisée pour les chiffres tels que les graphiques et les diagrammes de documents. Comme dans les tableaux, ces figures seront recadrées et les images envoyées au compartiment s3 défini dans votre préfixe. De plus, vous recevrez une réponse sub_type et un titre de figure pour le texte du titre et une indication du type de figure dont il s'agit.

"pages":[
   {
      "id":"page_id",
      "page_index":0,
      "detected_page_number":1,
      "representation":{
         "text":"document text",
         "html":"document title document content",
         "markdown":"# text"
      },
      "statistics":{
         "element_count":5,
         "table_count":1,
         "figure_count":1,
         "word_count":1000,
         "line_count":32
      },
      "asset_metadata":{
         "rectified_image":"s3://bucket/prefix.png",
         "rectified_image_width_pixels":1700,
         "rectified_image_height_pixels":2200
      }
   }
],

La dernière des entités que nous extrayons par le biais de la sortie standard est Pages. Les pages sont identiques aux entités de texte, mais elles contiennent également des numéros de page, pour lesquels le numéro de page détecté se trouve sur la page.

"text_lines":[
   {
      "id":"line_id",
      "text":"line text",
      "reading_order":1,
      "page_index":0,
      "locations":{
         "page_index":0,
         "bounding_box":{
            "left":0,
            "top":0,
            "width":1,
            "height":1
         }
      }
   }
],

"text_words":[
   {
      "id":"word_id",
      "text":"word text",
      "line_id":"line_id",
      "reading_order":1,
      "page_index":0,
      "locations":{
         "page_index":0,
         "bounding_box":{
            "left":0,
            "top":0,
            "width":1,
            "height":1
         }
      }
   }
]

Ces deux derniers éléments concernent des parties de texte individuelles. La granularité au niveau des mots renvoie une réponse pour chaque mot, tandis que la sortie par défaut indique uniquement des lignes de texte.

Restrictions relatives au traitement des documents BDA

BDA prend en charge les documents aux formats PDF, JPEG et PNG. Les documents doivent peser moins de 200 Mo pour être traités par la console, ou 500 Mo lorsqu'ils sont traités par l'API. Les documents individuels ne peuvent pas dépasser 20 pages, mais avec le fractionnement de documents activé, des fichiers d'un maximum de 1 500 pages peuvent être soumis.