本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
# 处理阶段
Amazon Textract 将 PDF 文件内容提取为不能由下游应用程序直接使用的字符串（例如，通过汇总数字生成统计数据）。需要正确识别和转换数据值，因为下游应用程序可以更轻松地使用它们（例如，将成本趋势绘制为时间序列）。要实现 PDF 文件处理，必须通过 Amazon Textract 对每种新 PDF 文件类型中的一个 PDF 文件进行一次性处理，然后生成一个 JS `Template` ON 格式的文件。
在中启动该 AWS Lambda 函数后[摄取阶段](ingestion-phase.md)，它将按下图所示的步骤运行。
该图显示了 Lambda 函数实现以下步骤：
1. 调用 Amazon Textract 处理 PDF 文件，提取内容并返回 JSON 格式的文件。
1. 获取 JSON 文件并使用预定义的 `Template` JSON 文件解析表单和表格，该文件对每个字段都有正确的键名和值类型。此过程提供已解析的 JSON 文件。
1. 应用后处理规则并使用 `Template` JSON 文件更正已解析的 JSON 文件中的每个值。这将生成 `Final` JSON 文件。预定义的 `Template` JSON 文件可以存储在 S3 存储桶中。
1. 在 Amazon DynamoDB 中将 JSO `Final` N 文件存储为每个 PDF 文件的一条记录，此外还在 S3 输出存储桶中为每个 PDF 文件存储一个 JSON 文件。
有关使用 Amazon Textract 自动从 PDF 文件中提取内容并将其处理成干净输出 step-by-step的工作流程，请参阅规范指南网站上的 “[使用 Amazon Textract 自动从 PDF 文件中提取内容](https://docs.aws.amazon.com//prescriptive-guidance/latest/patterns/automatically-extract-content-from-pdf-files-using-amazon-textract.html) AWS ” 模式。此模式使用模板匹配技术正确识别必填字段、密钥名称和表，然后对每种数据类型进行后期处理更正。
## 处理阶段的最佳实践
使用以下四种最佳实践来确保成功完成处理阶段：
+ 为您要处理的每种 PDF 文件类型创建一个模板 JSON 文件。您可以将这些不同的模板 JSON 文件存储在 Lambda 函数调用的 S3 存储桶中。如果您想在一个 Lambda 函数中处理不同的 PDF 文件类型，则应为每种 PDF 文件类型使用唯一标识符（例如，S3 存储桶中 PDF 文件类型的文件夹名称）。调用 Lambda 函数后，它会检索相应的模板 JSON 文件并对其进行处理。
+ 设置一种机制来准确跟踪 Lambda 函数中每个步骤的状态。例如，您可以在 Amazon Textract 调`Success`用之后、将最终 JSON 文件保存到亚马逊 DynamoDB 表或 PDF 文件保存到 S3 存储桶时添加状态。您还可以创建单独的 DynamoDB 表，以跟踪不同步骤中每个 PDF 文件的状态，从而了解流程。
+ 批处理许多 PDF 文件时，通过自动重试失败的操作来管理限制和断开的连接。如果您的连接中断或超过了每秒最大交易量 (TPS)，Amazon Textract 中可能会出现限制。有关自动重试失败操作的更多信息和步骤，请参阅 Amazon Tex [tract 文档中的处理受限制的呼叫和断开的连接](https://docs.aws.amazon.com//textract/latest/dg/handling-errors.html)。
+ 如果您的 PDF 文件包含多个页面，则可以使用异步操作来处理整个文件，也可以将 PDF 文件分解为单独的页面，使用同步操作处理每个页面，然后合并每个页面的结果。有关异步操作的完整代码实现，请参阅 Amazon Textract 文档[中的检测和分析多页文档中的文本](https://docs.aws.amazon.com//textract/latest/dg/async-analyzing-with-sqs.html)。有关使用同步操作的更多信息，请参阅 Amazon Textract 文档[中的检测和分析单页文档中的文本](https://docs.aws.amazon.com//textract/latest/dg/sync.html)。