Secara otomatis mengekstrak konten dari file PDF menggunakan Amazon Ttract

Tianxia Jia, Amazon Web Services

Ringkasan

Banyak organisasi perlu mengekstrak informasi dari file PDF yang diunggah ke aplikasi bisnis mereka. Misalnya, organisasi mungkin perlu mengekstrak informasi secara akurat dari file PDF pajak atau medis untuk analisis pajak atau pemrosesan klaim medis.

Di Amazon Web Services (AWS) Cloud, Amazon Textract secara otomatis mengekstrak informasi (misalnya, teks cetak, formulir, dan tabel) dari file PDF dan menghasilkan file berformat JSON yang berisi informasi dari file PDF asli. Anda dapat menggunakan Amazon Ttract di AWS Management Console atau dengan menerapkan panggilan API. Kami menyarankan Anda menggunakan panggilan API terprogram untuk menskalakan dan secara otomatis memproses sejumlah besar file PDF.

Saat Amazon Textract memproses file, ia membuat daftar Block objek berikut: halaman, baris dan kata-kata teks, formulir (pasangan nilai kunci), tabel dan sel, dan elemen pemilihan. Informasi objek lainnya juga disertakan, misalnya, kotak pembatas, interval kepercayaan IDs, dan hubungan. Amazon Ttract mengekstrak informasi konten sebagai string. Nilai data yang diidentifikasi dan diubah dengan benar diperlukan karena dapat lebih mudah digunakan oleh aplikasi hilir Anda. 

Pola ini menjelaskan step-by-step alur kerja untuk menggunakan Amazon Ttract untuk secara otomatis mengekstrak konten dari file PDF dan memprosesnya menjadi output yang bersih. Pola menggunakan teknik pencocokan template untuk mengidentifikasi dengan benar bidang yang diperlukan, nama kunci, dan tabel, dan kemudian menerapkan koreksi pasca-pemrosesan untuk setiap tipe data. Anda dapat menggunakan pola ini untuk memproses berbagai jenis file PDF dan Anda kemudian dapat menskalakan dan mengotomatiskan alur kerja ini untuk memproses file PDF yang memiliki format yang identik.   

Prasyarat dan batasan

Prasyarat

Batasan

Arsitektur

Alur kerja pola ini pertama-tama menjalankan Amazon Ttract pada contoh file PDF (Jalankan pertama kali) dan kemudian menjalankannya pada file PDF yang memiliki format identik dengan PDF pertama (Ulangi jalankan). Diagram berikut menunjukkan gabungan alur kerja First-time run dan Repeat run yang secara otomatis dan berulang kali mengekstrak konten dari file PDF dengan format yang identik.

Diagram menunjukkan alur kerja berikut untuk pola ini:

File keluaran JSON akhir memiliki yang benar KeyName dan Value untuk setiap bidang yang diperlukan.

Tumpukan teknologi target

Otomatisasi dan skala

Anda dapat mengotomatiskan alur kerja Repeat run dengan menggunakan fungsi AWS Lambda yang memulai Amazon Ttract saat file PDF baru ditambahkan ke Amazon S3. Amazon Textract kemudian menjalankan skrip pemrosesan dan output akhir dapat disimpan ke lokasi penyimpanan. Untuk informasi selengkapnya tentang hal ini, lihat Menggunakan pemicu Amazon S3 untuk menjalankan fungsi Lambda dalam dokumentasi Lambda.

Alat

Epik

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)

Sumber daya terkait

Lampiran

Untuk mengakses konten tambahan yang terkait dengan dokumen ini, unzip file berikut: attachment.zip