기계 번역으로 제공되는 번역입니다. 제공된 번역과 원본 영어의 내용이 상충하는 경우에는 영어 버전이 우선합니다. # Amazon Textract를 사용하여 PDF 파일에서 콘텐츠 자동 추출하기 *Tianxia Jia, Amazon Web Services* ## 요약 많은 조직에서는 비즈니스 애플리케이션에 업로드되는 PDF 파일에서 정보를 추출해야 합니다. 예를 들어, 조직은 세금 분석이나 의료 청구 처리를 위해 세금 또는 의료 PDF 파일에서 정보를 정확하게 추출해야 할 수 있습니다. Amazon Web Services 클라우드에서 Amazon Textract는 PDF 파일에서 정보(예: 인쇄된 텍스트, 양식 및 표)를 자동으로 추출하고 소스 PDF 파일의 정보가 포함된 JSON 형식의 파일을 생성합니다. AWS Management Console에서 또는 API 직접 호출을 구현하여 Amazon Textract를 사용할 수 있습니다. [프로그래밍 방식의 API 직접 호출](https://aws.amazon.com/textract/faqs/)을 사용하여 많은 수의 PDF 파일을 확장하고 자동으로 처리하는 것을 권장합니다. Amazon Textract는 파일을 처리할 때 페이지, 텍스트 줄 및 단어, 양식(키-값 쌍), 테이블 및 셀, 선택 요소 등의 `Block` 객체 목록을 생성합니다. [경계 상자](https://docs.aws.amazon.com/textract/latest/dg/API_BoundingBox.html), 신뢰 구간, ID 및 관계와 같은 다른 객체 정보도 포함됩니다. Amazon Textract는 콘텐츠 정보를 문자열로 추출합니다. 다운스트림 애플리케이션에서 더 쉽게 사용할 수 있으므로 데이터 값을 정확하게 식별하고 변환해야 합니다.  이 패턴은 Amazon Textract를 사용하여 PDF 파일에서 콘텐츠를 자동으로 추출하고 클린 출력으로 처리하는 단계별 워크플로를 설명합니다. 이 패턴은 템플릿 매칭 기법을 사용하여 필수 필드, 키 이름 및 테이블을 정확하게 식별한 후 각 데이터 유형에 사후 처리 수정 사항을 적용합니다. 이 패턴을 사용하여 다양한 유형의 PDF 파일을 처리한 다음 이 워크플로를 확장 및 자동화하여 형식이 동일한 PDF 파일을 처리할 수 있습니다.   ## 사전 조건 및 제한 사항 **사전 조건 ** + 활성 상태의 계정. + Amazon Textract에서 처리할 수 있도록 PDF 파일을 JPEG 형식으로 변환한 후 해당 파일을 저장할 기존 Amazon Simple Storage Service(S3) 버킷입니다. S3 버킷에 대한 자세한 내용은 Amazon S3 설명서의 [버킷 개요](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingBucket.html)를 참조하십시오. + `Textract_PostProcessing.ipynb` Jupyter Notebook (첨부됨), 설치 및 구성됨. Jupyter Notebook에 대한 자세한 내용은 Amazon SageMaker 설명서에서 [Jupyter Notebook 생성](https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-prepare.html)을 참조하십시오. + 형식이 동일한 기존 PDF 파일. + Python에 대한 이해. **제한 사항 ** + PDF 파일은 품질이 좋고 읽기 쉬워야 합니다. 기본 PDF 파일을 사용하는 것이 좋지만, 개별 단어가 모두 명확하다면 PDF 형식으로 변환된 스캔 문서를 사용할 수 있습니다. 이에 대한 자세한 내용은 Machine Learning 블로그에서 [Amazon Textract를 사용한 PDF 문서 사전 처리: 시각적 탐지 및 제거](https://aws.amazon.com/blogs/machine-learning/process-text-and-images-in-pdf-documents-with-amazon-textract/)를 참고하십시오. + 여러 페이지 파일의 경우 비동기 작업을 사용하거나 PDF 파일을 단일 페이지로 분할하고 동기 작업을 사용할 수 있습니다. 이 두 옵션에 대한 자세한 내용은 Amazon Textract 설명서의 [여러 페이지 문서에서 텍스트 감지 및 분석](https://docs.aws.amazon.com/textract/latest/dg/async.html) 및 [단일 페이지 문서의 텍스트 감지 및 분석](https://docs.aws.amazon.com/textract/latest/dg/sync.html)을 참고하십시오. ## 아키텍처 이 패턴의 워크플로는 먼저 샘플 PDF 파일에서 Amazon Textract를 실행한(*처음 실행*) 후에 첫 번째 PDF와 형식이 동일한 PDF 파일에서 실행(*반복 실행*) 합니다. 다음 다이어그램은 형식이 동일한 PDF 파일에서 콘텐츠를 자동으로 반복적으로 추출하는 *최초 실행* 및 *반복 실행* 워크플로를 함께 보여줍니다. ![\[Amazon Textract를 사용하여 PDF 파일에서 콘텐츠 자동 추출하기\]](http://docs.aws.amazon.com/ko_kr/prescriptive-guidance/latest/patterns/images/pattern-img/2d724523-2cab-42c9-a773-65857014d9ec/images/9e20070f-3e0c-46aa-aa98-a8b1eb3395dc.png) 이 다이어그램은 이 패턴에 대해 다음 워크플로를 보여 줍니다. 1. PDF 파일을 JPEG 형식으로 변환하고 S3 버킷에 저장합니다.  1. Amazon Textract API를 호출하여 Amazon Textract 응답 JSON 파일을 파싱합니다.  1. 각 필수 필드에 올바른 `KeyName:DataType` 페어를 추가하여 JSON 파일을 편집하십시오. *반복 실행* 단계를 위한 `TemplateJSON` 파일을 생성합니다. 1. 각 데이터 유형(예: 부동 소수점, 정수, 날짜)에 대한 사후 처리 수정 함수를 정의합니다. 1. 첫 번째 PDF 파일과 형식이 동일한 PDF 파일을 준비합니다. 1. Amazon Textract API를 호출하고 Amazon Textract 응답 JSON을 파싱합니다. 1. 파싱된 JSON 파일을 `TemplateJSON` 파일과 일치시킵니다. 1. 사후 처리 수정을 구현합니다. 최종 JSON 출력 파일에는 각 필수 필드에 대한 올바른 `KeyName` 및 `Value`이 있습니다. **대상 기술 스택  ** + Amazon SageMaker  + Amazon S3  + Amazon Textract **자동화 및 규모 조정** Amazon S3에 새 PDF 파일이 추가될 때 Amazon Textract를 시작하는 Lambda 함수를 사용하여 *반복 실행* 워크플로를 자동화할 수 있습니다. 그러면 Amazon Textract가 처리 스크립트를 실행하고 최종 출력을 스토리지 위치에 저장할 수 있습니다. 이에 대한 자세한 내용은 Lambda 설명서에서 [Amazon S3 트리거를 사용하여 Lambda 함수 호출](https://docs.aws.amazon.com/lambda/latest/dg/with-s3-example.html)을 참고하십시오. ## 도구 + [Amazon SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html)는 ML 모델을 빠르고 쉽게 구축하고 훈련시킨 다음 해당 모델을 프로덕션 지원 호스팅 환경에 직접 배포할 수 있는 완전 관리형 ML 서비스입니다. + [Amazon Simple Storage Service(S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html)는 원하는 양의 데이터를 저장, 보호 및 검색하는 데 도움이 되는 클라우드 기반 객체 스토리지 서비스입니다. + [Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html)를 사용하면 애플리케이션에 문서 텍스트 감지 및 분석을 쉽게 추가할 수 있습니다. ## 에픽 ### 최초 실행 | 작업 | 설명 | 필요한 기술 | | --- | --- | --- | | PDF 파일을 변환합니다. | PDF 파일을 단일 페이지로 분할하고 Amazon Textract [동기 작업](https://docs.aws.amazon.com/textract/latest/dg/sync.html)(`Syn API`)을 위한 JPEG 형식으로 변환하여 처음 실행할 때 사용할 수 있도록 준비하십시오.여러 페이지로 구성된 PDF 파일에도 Amazon Textract의 [비동기 작업](https://docs.aws.amazon.com/textract/latest/dg/async.html)(`Asyn API`)을 사용할 수 있습니다. | 데이터 사이언티스트, 개발자 | | Amazon Textract의 응답 JSON을 파싱합니다. | `Textract_PostProcessing.ipynb` Jupyter Notebook(첨부됨)을 열고 다음 코드를 사용하여 Amazon Textract API를 호출합니다.
response = textract.analyze_document(
Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])
다음 코드를 사용하여 응답 JSON을 양식 및 테이블로 구문 분석합니다.
parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)
| 데이터 사이언티스트, 개발자 | | TemplateJSON 파일을 편집합니다. | 각 `KeyName` 및 해당 `DataType`(예: 문자열, 부동 소수점, 정수 또는 날짜) 및 테이블 헤더(예: `ColumnNames` 및 `RowNames`)에 대해 구문 분석된 JSON을 편집합니다.이 템플릿은 각 개별 PDF 파일 유형에 사용되므로 형식이 동일한 PDF 파일에 템플릿을 재사용할 수 있습니다. | 데이터 사이언티스트, 개발자 | | 사후 처리 수정 함수를 정의합니다. | `TemplateJSON` 파일에 대한 Amazon Textract의 응답 값은 문자열입니다. 날짜, 부동 소수점, 정수 또는 통화에는 차이가 없습니다. 이러한 값은 다운스트림 사용 사례에 맞는 올바른 데이터 유형으로 변환되어야 합니다. 다음 코드를 사용하여 `TemplateJSON` 파일에 따라 각 데이터 유형을 수정하십시오.
finalJSON=postprocessingCorrection(parsedJSON,templateJSON)
| 데이터 사이언티스트, 개발자 | ### 반복 실행 | 작업 | 설명 | 필요한 기술 | | --- | --- | --- | | PDF 파일을 준비합니다. | PDF 파일을 단일 페이지로 분할하고 Amazon Textract [동기 작업](https://docs.aws.amazon.com/textract/latest/dg/sync.html)(`Syn API`)을 위한 JPEG 형식으로 변환하여 준비합니다.여러 페이지로 구성된 PDF 파일에도 Amazon Textract의 [비동기 작업](https://docs.aws.amazon.com/textract/latest/dg/async.html)(`Asyn API`)을 사용할 수 있습니다. | 데이터 사이언티스트, 개발자 | | Amazon Textract API를 호출합니다. | 다음 코드를 사용하여 Amazon Textract API를 호출합니다.
response = textract.analyze_document(
        Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])
| 데이터 사이언티스트, 개발자 | | Amazon Textract의 응답 JSON을 파싱합니다. | 다음 코드를 사용하여 응답 JSON을 양식 및 테이블로 구문 분석합니다.
parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)
| 데이터 사이언티스트, 개발자 | | TemplateJSON 파일을 로드하고 파싱된 JSON과 일치시킵니다. | 다음 명령을 사용하여 `TemplateJSON` 파일을 사용하여 올바른 키-값 페어와 테이블을 추출합니다.
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}
| 데이터 사이언티스트, 개발자 | | 사후 처리 수정. | `TemplateJSON` 파일의 `DataType` 및 사후 처리 함수에서 다음 코드를 사용하여 데이터를 수정할 수 있습니다. 
finalJSON=postprocessingCorrection(form_kv_table_corrected_final,templateJSON)
| 데이터 사이언티스트, 개발자 | ## 관련 리소스 + [Amazon Textract를 사용하여 문서에서 텍스트 및 정형 데이터를 자동으로 추출하기](https://aws.amazon.com/blogs/machine-learning/automatically-extract-text-and-structured-data-from-documents-with-amazon-textract/) + [Amazon Textract를 사용하여 텍스트 및 정형 데이터 추출하기](https://aws.amazon.com/getting-started/hands-on/extract-text-with-amazon-textract/) + [Amazon Textract 리소스](https://aws.amazon.com/textract/resources/?blog-posts-cards.sort-by=item.additionalFields.createdDate&blog-posts-cards.sort-order=desc) ## 첨부 이 문서와 관련된 추가 콘텐츠에 액세스하려면 [attachment.zip](samples/p-attach/2d724523-2cab-42c9-a773-65857014d9ec/attachments/attachment.zip) 파일의 압축을 풉니다.