Dokumen - Amazon Bedrock
Granularitas ResponPengaturan OutputFormat TeksKotak Bounding dan Bidang GeneratifMetadata format file tambahan JSON

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Dokumen

Output standar untuk dokumen memungkinkan Anda mengatur perincian respons yang Anda minati serta menetapkan format output dan format teks dalam output. Di bawah ini adalah beberapa output yang dapat Anda aktifkan.

catatan

BDA dapat memproses file DOCX. Untuk memproses file DOCX, mereka diubah menjadi PDFs file. Ini berarti pemetaan nomor halaman tidak akan berfungsi untuk file DOCX. Gambar yang dikonversi PDFs akan diunggah ke bucket keluaran Anda jika opsi JSON+dan granularitas halaman dipilih.

Granularitas Respon

Granularitas respons menentukan jenis respons yang ingin Anda terima dari ekstraksi teks dokumen. Setiap tingkat granularitas memberi Anda lebih banyak dan lebih banyak tanggapan terpisah, dengan halaman menyediakan semua teks yang diekstraksi bersama, dan kata menyediakan setiap kata sebagai respons terpisah. Tingkat granularitas yang tersedia adalah:

  • Granularitas tingkat halaman - Ini diaktifkan secara default. Granularitas tingkat halaman menyediakan setiap halaman dokumen dalam format output teks pilihan Anda. Jika Anda memproses PDF, mengaktifkan tingkat perincian ini akan mendeteksi dan mengembalikan hyperlink yang disematkan.

  • Granularitas tingkat elemen (Layout) - Ini diaktifkan secara default. Menyediakan teks dokumen dalam format output pilihan Anda, dipisahkan menjadi elemen yang berbeda. Elemen-elemen ini, seperti gambar, tabel, atau paragraf. Ini dikembalikan dalam urutan pembacaan logis berdasarkan struktur dokumen. Jika Anda memproses PDF, mengaktifkan tingkat perincian ini akan mendeteksi dan mengembalikan hyperlink yang disematkan.

  • Perincian tingkat kata — Memberikan informasi tentang kata-kata individual tanpa menggunakan analisis konteks yang lebih luas. Memberi Anda setiap kata dan lokasinya di halaman.

Pengaturan Output

Pengaturan output menentukan cara hasil unduhan Anda akan terstruktur. Pengaturan ini eksklusif untuk konsol. Opsi untuk pengaturan output adalah:

  • JSON — Struktur output default untuk analisis dokumen. Menyediakan file keluaran JSON dengan informasi dari pengaturan konfigurasi Anda.

    • Async InvokeDataAutomationAsyncAPI: Output JSON untuk Async API hanya S3.

    • InvokeDataAutomationAPI Sinkronisasi: Output JSON dapat diatur ke S3 atau inline dengan memanfaatkan. outputconfiguration Jika S3 dipilih, maka output JSON pergi ke S3 saja (tidak sebaris). Jika S3 tidak disediakan, output Sync API hanya mendukung JSON inline.

  • JSON+Files - Hanya tersedia untuk Async API. InvokeDataAutomationAsync Menggunakan pengaturan ini menghasilkan output JSON dan file yang sesuai dengan output yang berbeda. Misalnya, setelan ini memberi Anda file teks untuk ekstraksi teks secara keseluruhan, file penurunan harga untuk teks dengan penurunan harga struktural, dan file CSV untuk setiap tabel yang ditemukan dalam teks. Angka yang terletak di dalam dokumen akan disimpan serta gambar tanaman dan gambar yang diperbaiki. Juga, jika Anda memproses file DOCX dan memilih opsi ini, PDF yang dikonversi dari file DOCX Anda akan berada di folder output. Output ini terletak standard_output/logical_doc_id/assets/ di folder output Anda.

catatan

  • API sinkronisasi tidak menampilkan file tambahan apa pun di luar JSON. Output JSON hanya berisi format teks yang dipilih sebagai bagian dari format Teks Output Standar. API Sinkronisasi tidak akan menampilkan tanaman Gambar atau gambar yang diperbaiki.

  • DocX tidak didukung oleh Sync API.

Format Teks

Format teks menentukan berbagai jenis teks yang akan disediakan melalui berbagai operasi ekstraksi. Anda dapat memilih sejumlah opsi berikut untuk format teks Anda.

  • Plaintext - Pengaturan ini menyediakan output teks saja tanpa pemformatan atau elemen penurunan harga lainnya yang dicatat.

  • Teks dengan penurunan harga - Pengaturan output default untuk output standar. Menyediakan teks dengan elemen penurunan harga terintegrasi.

  • Teks dengan HTML - Menyediakan teks dengan elemen HTML terintegrasi dalam respon.

  • CSV — Menyediakan output terstruktur CSV untuk tabel dalam dokumen. Ini hanya akan memberikan respons untuk tabel, dan bukan elemen lain dari dokumen.

Kotak Bounding dan Bidang Generatif

Untuk Dokumen, ada dua opsi respons yang mengubah outputnya berdasarkan granularitas yang dipilih. Ini adalah Bounding Boxes, dan Generative Fields. Memilih Bounding Boxes akan memberikan garis besar visual dari elemen atau kata yang Anda klik di dropdown respons konsol. Ini memungkinkan Anda melacak elemen tertentu dari respons Anda dengan lebih mudah. Bounding Boxes dikembalikan dalam JSON Anda sebagai koordinat dari empat sudut kotak.

Saat Anda memilih Bidang Generatif, Anda akan menghasilkan ringkasan dokumen, baik versi 10 kata dan 250 kata. Kemudian, jika Anda memilih elemen sebagai perincian respons, Anda menghasilkan keterangan deskriptif dari setiap gambar yang terdeteksi dalam dokumen. Angka mencakup hal-hal seperti bagan, grafik, dan gambar.

Async

Bagian ini berfokus pada objek respons berbeda yang Anda terima dari menjalankan operasi API InvokeDataAutomationAsync pada file dokumen. Di bawah ini kita akan memecah setiap bagian dari objek respons dan kemudian melihat respons penuh dan terisi untuk dokumen contoh. Bagian pertama yang akan kami terima adalahmetadata.

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

Bagian pertama di atas memberikan ikhtisar metadata yang terkait dengan dokumen. Seiring dengan informasi S3, bagian ini juga memberi tahu Anda modalitas mana yang dipilih untuk respons Anda.

"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
   }
},

Bagian di atas memberikan informasi granularitas tingkat dokumen. Bagian deskripsi dan ringkasan adalah bidang yang dihasilkan berdasarkan dokumen Bagian representasi menyediakan konten dokumen yang sebenarnya dengan berbagai gaya pemformatan. Akhirnya statistik berisi informasi tentang konten dokumen yang sebenarnya, seperti berapa banyak elemen semantik yang ada, berapa banyak angka, kata, garis, dll.

Ini adalah informasi untuk entitas tabel. Untuk permintaan InvokeDataAutomationAsync (async), selain informasi lokasi, berbagai format teks, tabel, dan urutan bacaan, mereka secara khusus mengembalikan informasi csv dan gambar tabel yang dipotong dalam ember S3. Informasi CSV menunjukkan header, footer, dan judul yang berbeda. Gambar akan dirutekan ke bucket s3 dari awalan yang ditetapkan dalam permintaan. InvokeDataAutomationAsync Untuk permintaan InvokeDataAutomation (sinkronisasi), csv dan gambar yang dipotong dari tabel di bucket S3 tidak didukung.

Saat Anda memproses PDF, bagian statistik dari respons juga akan berisi hyperlinks_count yang memberi tahu Anda berapa banyak hyperlink yang ada di dokumen Anda.


{
   "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"
},

Ini adalah entitas yang digunakan untuk teks dalam dokumen, ditunjukkan oleh TYPE baris dalam respons. Sekali lagi representasi menunjukkan teks dalam format yang berbeda. reading_ordermenunjukkan kapan pembaca secara logis akan melihat teks. Ini adalah urutan semantik berdasarkan kunci dan nilai terkait. Misalnya, ia mengaitkan judul paragraf dengan paragraf masing-masing dalam urutan bacaan. page_indicesmemberi tahu Anda halaman mana teks itu aktif. Berikutnya adalah informasi lokasi, dengan kotak pembatas teks yang disediakan jika diaktifkan sebagai tanggapan. Akhirnya, kita memiliki subtipe entitas. Subtipe ini memberikan informasi lebih rinci tentang jenis teks apa yang terdeteksi. Untuk daftar lengkap subtipe, lihat Referensi 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
         }
      }
   ],
   "sub_type":"TITLE/SECTION_TITLE/HEADER/FOOTER/PARAGRAPH/LIST/PAGE_NUMBER"
},

Ini adalah informasi untuk entitas tabel. Selain informasi lokasi, format teks, tabel, dan urutan bacaan yang berbeda, mereka secara khusus mengembalikan informasi csv dan gambar tabel yang dipotong dalam ember S3. Informasi CSV menunjukkan header, footer, dan judul yang berbeda. Gambar akan dirutekan ke bucket s3 dari awalan yang ditetapkan dalam permintaan. InvokeDataAutomation 

{

   "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

   ]

}
,

Ini adalah entitas yang digunakan untuk angka-angka seperti dalam grafik dan bagan dokumen. Mirip dengan tabel, angka-angka ini akan dipotong dan gambar dikirim ke bucket s3 diatur dalam awalan Anda. Selain itu, Anda akan menerima sub_type dan respons judul gambar untuk teks judul dan indikasi pada gambar seperti apa itu.

"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
      }
   }
],

Entitas terakhir yang kami ekstrak melalui output standar adalah Pages. Halaman sama dengan entitas Teks, tetapi juga berisi nomor halaman, yang nomor halaman yang terdeteksi ada di halaman.

"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
         }
      }
   }
]

Dua elemen terakhir ini adalah untuk bagian teks individual. Granularitas tingkat kata mengembalikan respons untuk setiap kata, sedangkan output default hanya melaporkan baris teks.

Sync

Bagian ini berfokus pada objek respons berbeda yang Anda terima dari menjalankan operasi API InvokeDataAutomation pada file dokumen. Di bawah ini kita akan memecah setiap bagian dari objek respons dan kemudian melihat respons penuh dan terisi untuk dokumen contoh. Bagian pertama yang akan kami terima adalahmetadata.


            "metadata": {
                "logical_subdocument_id": "1",
                "semantic_modality": "DOCUMENT",
                "number_of_pages": X,
                "start_page_index": "1",
                "end_page_index": X,
                "file_type": "PDF"
            },

Bagian pertama di atas memberikan ikhtisar metadata yang terkait dengan dokumen. Karena InvokeDataAutomation API Sinkron saat ini tidak mendukung pemisahan dokumen, logical_subdocument_id selalu sama dengan 1.

"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
   }
},

Bagian di atas memberikan informasi granularitas tingkat dokumen. Bagian deskripsi dan ringkasan adalah bidang yang dihasilkan berdasarkan dokumen Bagian representasi menyediakan konten dokumen yang sebenarnya dengan berbagai gaya pemformatan. Akhirnya statistik berisi informasi tentang konten dokumen yang sebenarnya, seperti berapa banyak elemen semantik yang ada, berapa banyak angka, kata, garis, dll.

Catatan: Tidak seperti permintaan asinkron, InvokeDataAutomationAsync permintaan sinkron InvokeDataAutomation tidak mendukung pengembalian informasi csv dan gambar tabel yang dipotong di bucket S3. 


{
"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"
},

Ini adalah entitas yang digunakan untuk teks dalam dokumen, ditunjukkan oleh baris TYPE dalam respons. Sekali lagi representasi menunjukkan teks dalam format yang berbeda. reading_order menunjukkan kapan pembaca akan secara logis melihat teks. Ini adalah urutan semantik berdasarkan kunci dan nilai terkait. Misalnya, ini mengaitkan judul paragraf dengan paragraf masing-masing dalam urutan pembacaan. page_indices memberi tahu Anda halaman mana teks tersebut berada. Berikutnya adalah informasi lokasi, dengan kotak pembatas teks yang disediakan jika diaktifkan sebagai tanggapan. Akhirnya, kita memiliki subtipe entitas. Subtipe ini memberikan informasi lebih rinci tentang jenis teks apa yang terdeteksi. Untuk daftar lengkap subtipe, lihat Referensi API. 


{
    "id": "entity_id",
    "type": "TABLE",
    "representation": {
        "html": "table.../table",
        "markdown": "| header | ...",
        "text": "header \t header",
        "csv": "header, header, header\n..."
    },
    "headers": ["date", "amount", "description", "total"],
    "reading_order": 3,
    "title": "Title of the table",
    "footers": ["the footers of the table"],
    "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
        }
    }]
},

Ini adalah informasi untuk entitas tabel. Informasi CSV menunjukkan header, footer, dan judul yang berbeda. 

{

    "id": "entity_id",
    "type": "FIGURE",
    "summary": "",
    "representation": {
        "text": "document text",
        "html": "document title document content",
        "markdown": "# text"
    },

    "locations": [

        {
            "page_index": 0,
            "bounding_box": {
                "left": 0,
                "top": 0,
                "width": 1,
                "height": 1
            }
        }
    ],

    "sub_type": "CHART",
    "title": "figure title",
    "reading_order": 1,
    "page_indices": [
        0
    ]
},
​

Ini adalah entitas yang digunakan untuk angka-angka seperti dalam grafik dan bagan dokumen. Anda akan menerima sub_type dan respons judul gambar untuk teks judul dan indikasi pada gambar seperti apa itu.

"pages":[
   "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
      }
   }
],

Entitas terakhir yang kami ekstrak melalui output standar adalah Pages. Halaman sama dengan entitas Teks, tetapi juga berisi nomor halaman, yang nomor halaman yang terdeteksi ada di halaman.

"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
         }
      }
   }
]

Dua elemen terakhir ini adalah untuk bagian teks individual. Granularitas tingkat kata mengembalikan respons untuk setiap kata, sedangkan output default hanya melaporkan baris teks.

Metadata format file tambahan JSON

Saat Anda menerima file tambahan dari bendera format file tambahan, Anda akan mendapatkan file JSON untuk gambar yang diperbaiki yang diekstraksi. BDA memperbaiki gambar yang diputar dengan menggunakan homografi untuk memutar gambar menjadi sudut 90 derajat. Contoh JSON adalah di bawah ini:


        "asset_metadata": {
            "rectified_image": "s3://bucket/prefix.png",
            "rectified_image_width_pixels": 1700,
            "rectified_image_height_pixels": 2200,
            "corners": [
                [
                    0.006980135689736235,
                    -0.061692718505859376
                ],
                [
                    1.10847711439684,
                    0.00673927116394043
                ],
                [
                    0.994479346419327,
                    1.050548828125
                ],
                [
                    -0.11249661383904497,
                    0.9942819010416667
                ]
            ]
        }

Sudut mewakili sudut gambar yang terdeteksi, digunakan untuk membentuk homografi dokumen. Homografi ini digunakan untuk memutar gambar sambil mempertahankan properti lainnya.