Extrayez automatiquement le contenu des PDF fichiers à l'aide d'Amazon Textract

Créée par Tianxia Jia () AWS

Récapitulatif

De nombreuses entreprises ont besoin d'extraire des informations à partir de PDF fichiers téléchargés vers leurs applications professionnelles. Par exemple, une organisation peut avoir besoin d'extraire avec précision des informations de PDF dossiers fiscaux ou médicaux à des fins d'analyse fiscale ou de traitement des demandes médicales.

Sur le cloud Amazon Web Services (AWS), Amazon Textract extrait automatiquement les informations (par exemple, le texte imprimé, les formulaires et les tableaux) des PDF fichiers et produit un fichier JSON formaté contenant les informations du fichier d'origine. PDF Vous pouvez utiliser Amazon Textract dans la console de AWS gestion ou en API implémentant des appels. Nous vous recommandons d'utiliser des APIappels programmatiques pour redimensionner et traiter automatiquement un grand nombre de PDF fichiers.

Lorsqu'Amazon Textract traite un fichier, il crée la liste d'Blockobjets suivante : pages, lignes et mots de texte, formulaires (paires clé-valeur), tableaux et cellules, et éléments de sélection. D'autres informations sur les objets sont également incluses, par exemple les cadres de délimitation, les intervalles de confiance et les relations. IDs Amazon Textract extrait les informations relatives au contenu sous forme de chaînes. Des valeurs de données correctement identifiées et transformées sont nécessaires car elles peuvent être plus facilement utilisées par vos applications en aval. 

Ce modèle décrit un step-by-step flux de travail permettant d'utiliser Amazon Textract pour extraire automatiquement le contenu des PDF fichiers et le transformer en une sortie propre. Le modèle utilise une technique de correspondance de modèles pour identifier correctement le champ, le nom de clé et les tables requis, puis applique des corrections de post-traitement à chaque type de données. Vous pouvez utiliser ce modèle pour traiter différents types de PDF fichiers, puis dimensionner et automatiser ce flux de travail pour traiter des PDF fichiers au format identique.   

Conditions préalables et limitations

Prérequis

Limites

Architecture

Le flux de travail de ce modèle exécute d'abord Amazon Textract sur un PDF fichier d'exemple (première exécution), puis sur des PDF fichiers dont le format est identique à celui du premier PDF (exécution répétée). Le schéma suivant montre le flux de travail combiné de première exécution et de répétition qui extrait automatiquement et de manière répétée le contenu de PDF fichiers aux formats identiques.

Le diagramme montre le flux de travail suivant pour ce modèle :

Le fichier JSON de sortie final contient le bon KeyName et Value pour chaque champ obligatoire.

Pile technologique cible

Automatisation et mise à l'échelle

Vous pouvez automatiser le flux de travail d'exécution répétée à l'aide d'une fonction AWS Lambda qui lance Amazon Textract lorsqu'un nouveau PDF fichier est ajouté à Amazon S3. Amazon Textract exécute ensuite les scripts de traitement et le résultat final peut être enregistré sur un emplacement de stockage. Pour plus d'informations à ce sujet, consultez la section Utilisation d'un déclencheur Amazon S3 pour appeler une fonction Lambda dans la documentation Lambda.

Outils

Épopées

response = textract.analyze_document(
Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])

parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)

finalJSON=postprocessingCorrection(parsedJSON,templateJSON)

response = textract.analyze_document(
        Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])

parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)

form_kv_corrected=form_kv_correction(parseformKV,templateJSON)
form_table_corrected=form_Table_correction(parseformTables, templateJSON)
form_kv_table_corrected_final={**form_kv_corrected , **form_table_corrected}

finalJSON=postprocessingCorrection(form_kv_table_corrected_final,templateJSON)

Ressources connexes

Pièces jointes

Pour accéder au contenu supplémentaire associé à ce document, décompressez le fichier suivant : attachment.zip