處理階段 - AWS 方案指引
處理階段的最佳實務

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。

處理階段

Amazon Textract 會將 PDF 檔案內容擷取為下游應用程式無法直接使用的字串 （例如，透過彙總數字來產生統計資料）。正確識別和轉換的資料值是必要的，因為下游應用程式可以更輕鬆地使用這些值 （例如，將成本趨勢繪製為時間序列）。若要實作 PDF 檔案處理，每個新 PDF 檔案類型中的一個 PDF 檔案必須透過 Amazon Textract 處理一次，然後產生 JSON 格式Template的檔案。

在 中啟動 AWS Lambda 函數後擷取階段，它會執行下圖所示的步驟。

AWS Lambda 函數會呼叫 Amazon Textract 來處理 PDF 檔案、使用預先定義的 Template JSON 檔案，並在將最終輸出儲存在 S3 儲存貯體之前套用後製處理規則。

圖表顯示實作下列步驟的 Lambda 函數：

  1. 呼叫 Amazon Textract 來處理 PDF 檔案、擷取內容，並傳回 JSON 格式的檔案。

  2. 使用具有每個欄位正確索引鍵名稱和值類型的預先定義 Template JSON 檔案，來取得 JSON 檔案並剖析表單和資料表。此程序提供剖析的 JSON 檔案。

  3. 套用後製處理規則，並使用 Template JSON 檔案來更正剖析的 JSON 檔案中的每個值。這會產生 Final JSON 檔案。預先定義的 Template JSON 檔案可以存放在 S3 儲存貯體中。

  4. 將 Final JSON 檔案存放在 Amazon DynamoDB 中，做為每個 PDF 檔案的一個記錄，以及 S3 輸出儲存貯體中每個 PDF 檔案的一個 JSON 檔案。

如需使用 Amazon Textract 自動從 PDF 檔案擷取內容並將其處理為乾淨輸出step-by-step工作流程，請參閱 AWS 規範指引網站上的使用 Amazon Textract 從 PDF 檔案自動擷取內容的模式。模式使用範本比對技術來正確識別必要欄位、金鑰名稱和資料表，然後將後置處理更正套用至每個資料類型。

處理階段的最佳實務

使用下列四個最佳實務，以確保成功的處理階段：

  • 為您要處理的每個 PDF 檔案類型建立範本 JSON 檔案。您可以將這些不同的範本 JSON 檔案存放在由 Lambda 函數呼叫的 S3 儲存貯體中。如果您想要在一個 Lambda 函數中處理不同的 PDF 檔案類型，您應該為每個 PDF 檔案類型使用唯一的識別符 （例如，S3 儲存貯體中的 PDF 檔案類型的資料夾名稱）。叫用 Lambda 函數之後，它會擷取適當的範本 JSON 檔案並進行處理。

  • 設定機制以準確追蹤 Lambda 函數中每個步驟的狀態。例如，您可以在 Amazon Textract 呼叫後、最終 JSON 檔案儲存至 Amazon DynamoDB 資料表時，或 PDF 檔案儲存至 S3 儲存貯體時，新增 Success的狀態。您也可以建立單獨的 DynamoDB 資料表，以在不同步驟中追蹤每個 PDF 檔案的狀態，這可提供程序的可見性。

  • 當您批次處理許多 PDF 檔案時，透過自動重試失敗的操作來管理限流和中斷連線。如果您的連線中斷或超過每秒交易數上限 (TPS)，Amazon Textract 中可能會發生限流。如需自動重試失敗操作的詳細資訊和步驟，請參閱 Amazon Textract 文件中的處理調節呼叫和中斷連線。

  • 如果您有包含多個頁面的 PDF 檔案，您可以使用非同步操作來處理整個檔案，或將 PDF 檔案分成個別頁面、使用同步操作來處理每個頁面，然後合併每個頁面的結果。如需非同步操作的完整程式碼實作，請參閱《Amazon Textract 文件》中的偵測和分析多頁文件中的文字。如需使用同步操作的詳細資訊，請參閱《Amazon Textract 文件》中的偵測和分析單頁文件中的文字。