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.
Extrayez automatiquement le contenu de fichiers PDF à l'aide d'Amazon Textract
Créée par Tianxia Jia (AWS)
Environnement : Production | Technologies : apprentissage automatique et intelligence artificielle ; analyse ; mégadonnées | Services AWS : Amazon S3 ; Amazon Textract ; Amazon SageMaker |
Récapitulatif
De nombreuses entreprises ont besoin d'extraire des informations à partir de fichiers PDF qui sont téléchargés vers leurs applications professionnelles. Par exemple, une organisation peut avoir besoin d'extraire avec précision des informations de fichiers PDF 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 fichiers PDF et produit un fichier au format JSON contenant les informations du fichier PDF d'origine. Vous pouvez utiliser Amazon Textract dans l'AWS Management Console ou en implémentant des appels d'API. Nous vous recommandons d'utiliser des appels d'API programmatiques
Lorsqu'Amazon Textract traite un fichier, il crée la liste d'Block
objets 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, les identifiants et les relations. 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 fichiers PDF et le transformer en un résultat 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 fichiers PDF, puis redimensionner et automatiser ce flux de travail pour traiter des fichiers PDF au format identique.
Conditions préalables et limitations
Prérequis
Un compte AWS actif.
Un bucket Amazon Simple Storage Service (Amazon S3) existant pour stocker les fichiers PDF après leur conversion au format JPEG en vue de leur traitement par Amazon Textract. Pour plus d'informations sur les compartiments S3, consultez la présentation des compartiments dans la documentation Amazon S3.
Le bloc-notes
Textract_PostProcessing.ipynb
Jupyter (joint), installé et configuré. Pour plus d'informations sur les blocs-notes Jupyter, consultez la section Créer un bloc-notes Jupyter dans la documentation Amazon. SageMakerFichiers PDF existants au format identique.
Compréhension de Python.
Limites
Vos fichiers PDF doivent être de bonne qualité et clairement lisibles. Les fichiers PDF natifs sont recommandés, mais vous pouvez utiliser des documents numérisés convertis au format PDF si tous les mots sont clairs. Pour plus d'informations à ce sujet, consultez la section Prétraitement de documents PDF avec Amazon Textract : détection et suppression de visuels
sur le blog AWS Machine Learning. Pour les fichiers de plusieurs pages, vous pouvez utiliser une opération asynchrone ou diviser les fichiers PDF en une seule page et utiliser une opération synchrone. Pour plus d'informations sur ces deux options, consultez les sections Détection et analyse du texte dans des documents multipages et Détection et analyse du texte dans des documents d'une seule page dans la documentation Amazon Textract.
Architecture
Le flux de travail de ce modèle exécute d'abord Amazon Textract sur un exemple de fichier PDF (première exécution), puis sur des fichiers PDF 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 fichiers PDF aux formats identiques.
![Utilisation d'Amazon Textract pour extraire le contenu de fichiers PDF](images/pattern-img/2d724523-2cab-42c9-a773-65857014d9ec/images/9e20070f-3e0c-46aa-aa98-a8b1eb3395dc.png)
Le diagramme montre le flux de travail suivant pour ce modèle :
Convertissez un fichier PDF au format JPEG et stockez-le dans un compartiment S3.
Appelez l'API Amazon Textract et analysez le fichier JSON de réponse Amazon Textract.
Modifiez le fichier JSON en ajoutant la bonne
KeyName:DataType
paire pour chaque champ obligatoire. Créez unTemplateJSON
fichier pour l'étape Repeat run.Définissez les fonctions de correction après le traitement pour chaque type de données (par exemple, float, entier et date).
Préparez les fichiers PDF dont le format est identique à celui de votre premier fichier PDF.
Appelez l'API Amazon Textract et analysez le JSON de réponse Amazon Textract.
Associez le fichier JSON analysé au
TemplateJSON
fichier.Implémentez les corrections de post-traitement.
Le fichier de sortie JSON final contient le bon KeyName
et Value
pour chaque champ obligatoire.
Pile technologique cible
Amazon SageMaker
Amazon S3
Amazon Textract
Automatisation et mise à l'échelle
Vous pouvez automatiser le flux de travail de répétition à l'aide d'une fonction AWS Lambda qui lance Amazon Textract lorsqu'un nouveau fichier PDF 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
Amazon SageMaker est un service de machine learning entièrement géré qui vous permet de créer et de former rapidement et facilement des modèles de machine learning, puis de les déployer directement dans un environnement hébergé prêt pour la production.
Amazon Simple Storage Service (Amazon S3) est un service de stockage d'objets basé sur le cloud qui vous permet de stocker, de protéger et de récupérer n'importe quel volume de données.
Amazon Textract permet d'ajouter facilement la détection et l'analyse du texte des documents à vos applications.
Épopées
Tâche | Description | Compétences requises |
---|---|---|
Convertissez le fichier PDF. | Préparez le fichier PDF pour votre première utilisation en le divisant en une seule page et en le convertissant au format JPEG pour l'opération synchrone Amazon Textract (). Remarque : vous pouvez également utiliser l'opération asynchrone Amazon Textract ( | Data scientist, développeur |
Analysez le code JSON de réponse Amazon Textract. | Ouvrez le bloc-notes
Analysez le JSON de réponse dans un formulaire et un tableau à l'aide du code suivant :
| Data scientist, développeur |
Modifiez le fichier TemplateJSON. | Modifiez le JSON analysé pour chacun Ce modèle est utilisé pour chaque type de fichier PDF individuel, ce qui signifie qu'il peut être réutilisé pour des fichiers PDF au format identique. | Data scientist, développeur |
Définissez les fonctions de correction après le traitement. | Les valeurs figurant dans la réponse d'Amazon Textract pour le Corrigez chaque type de données en fonction du
| Data scientist, développeur |
Tâche | Description | Compétences requises |
---|---|---|
Préparez les fichiers PDF. | Préparez les fichiers PDF en les divisant en une seule page et en les convertissant au format JPEG pour l'opération synchrone Amazon Textract (). Remarque : vous pouvez également utiliser l'opération asynchrone Amazon Textract ( | Data scientist, développeur |
Appelez l'API Amazon Textract. | Appelez l'API Amazon Textract à l'aide du code suivant :
| Data scientist, développeur |
Analysez le code JSON de réponse Amazon Textract. | Analysez le JSON de réponse dans un formulaire et un tableau à l'aide du code suivant :
| Data scientist, développeur |
Chargez le fichier TemplateJSON et associez-le au JSON analysé. | Utilisez le
| Data scientist, développeur |
Corrections après le traitement. | Utilisez
| Data scientist, développeur |