設定文字擷取選項 - Amazon Comprehend

本文為英文版的機器翻譯版本,如內容有任何歧義或不一致之處,概以英文版為準。

設定文字擷取選項

根據預設,Amazon Comprehend 會根據輸入檔案類型,執行下列動作以從檔案擷取文字:

  • Word 文件 — Amazon Comprehend 析器提取文本。

  • 數字 PDF 文件 — Amazon Comprehend 析器提取文本。

  • 影像檔案和掃描的 PDF 檔案 Amazon Comprehend 用 Amazon Textract 取 DetectDocumentText API 來擷取文字。

對於影像檔案和 PDF 檔案,您可以使用DocumentReaderConfig參數來取代這些預設擷取動作。當您使用 Amazon Comprehend 主控台或 API 進行即時或非同步自訂分析時,即可使用此參數。

DocumentReaderConfig參數包含三個欄位:

  • DocumentReadMode— 設定SERVICE_DEFAULT為可讓 Amazon Comprehend 執行預設動作。

    設定為FORCE_DOCUMENT_READ_ACTION使用 Amazon Textract 解析數位 PDF 檔案。

  • DocumentReadAction— 設置 Amazon Textract 提取使用亞馬遜文本提取時使用的 Amazon Textract 本提取 API(DetectDocumentText 或 AnalyzeDocument)。

  • FeatureTypes— 如果您設DocumentReadAction定使用 AnalyzeDocument API 作業,您可以新增一或兩個 FeatureTypes (表格、表單)。這些功能提供有關文件中表格和表單的其他資訊。如需這些功能的詳細資訊,請參閱 Amazon Textract 文件分析回應物件。

下列範例顯示如何DocumentReaderConfig針對特定使用案例進行設定:

  1. 使用 Amazon Textract 取所有 PDF 文件。

    1. DocumentReadMode – 設為 FORCE_DOCUMENT_READ_ACTION

    2. DocumentReadAction – 設為 TEXTRACT_DETECT_DOCUMENT_TEXT

    3. FeatureTypes— 不需要。

  2. 針對所有 PDF 和影像檔案使用 Amazon Textract 取 AnalyzeDocument API。

    1. DocumentReadMode – 設為 FORCE_DOCUMENT_READ_ACTION

    2. DocumentReadAction – 設為 TEXTRACT_ANALYZE_DOCUMENT

    3. FeatureTypes— 設定為TABLESFORMS或同時設定兩個功能。

  3. 對於掃描的 PDF 檔案和所有影像檔案,請使用 Amazon Textract 取 AnalyzeDocument API。

    1. DocumentReadMode – 設為 SERVICE_DEFAULT

    2. DocumentReadAction – 設為 TEXTRACT_ANALYZE_DOCUMENT

    3. FeatureTypes— 設定為TABLESFORMS或同時設定兩個功能。

如需 Amazon Textract 選項的詳細資訊,請參閱DocumentReaderConfig