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。 # 使用 Amazon Textract 從 PDF 檔案自動擷取內容 *Tianxia Jia，Amazon Web Services* ## 總結 許多組織需要從上傳到其商業應用程式的 PDF 檔案擷取資訊。例如，組織可能需要準確從稅務或醫療 PDF 檔案擷取資訊，以進行稅務分析或醫療索賠處理。 在 Amazon Web Services (AWS) 雲端上，Amazon Textract 會自動從 PDF 檔案擷取資訊 （例如，列印的文字、表單和資料表），並產生 JSON 格式的檔案，其中包含原始 PDF 檔案的資訊。您可以在 AWS 管理主控台中或透過實作 API 呼叫來使用 Amazon Textract。我們建議您使用[程式設計 API 呼叫](https://aws.amazon.com/textract/faqs/)來擴展和自動處理大量 PDF 檔案。 當 Amazon Textract 處理檔案時，會建立下列`Block`物件清單：頁面、行和文字、表單 （索引鍵/值對）、資料表和儲存格，以及選取元素。還包括其他物件資訊，例如[週框方塊](https://docs.aws.amazon.com/textract/latest/dg/API_BoundingBox.html)、可信度間隔、IDs和關係。Amazon Textract 會將內容資訊擷取為字串。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。  此模式描述使用 Amazon Textract 自動從 PDF 檔案擷取內容並將其處理為乾淨輸出的step-by-step工作流程。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。您可以使用此模式來處理不同類型的 PDF 檔案，然後您可以擴展和自動化此工作流程，以處理格式相同的 PDF 檔案。   ## 先決條件和限制 **先決條件** + 作用中的 AWS 帳戶 + 現有的 Amazon Simple Storage Service (Amazon S3) 儲存貯體，用於儲存轉換為 JPEG 格式供 Amazon Textract 處理後的 PDF 檔案。如需 S3 儲存貯體的詳細資訊，請參閱 Amazon S3 文件中的[儲存貯體概觀](https://docs.aws.amazon.com/AmazonS3/latest/userguide/UsingBucket.html)。 + 已安裝和設定的 `Textract_PostProcessing.ipynb` Jupyter 筆記本 （已連接）。如需 Jupyter 筆記本的詳細資訊，請參閱 [Amazon SageMaker 文件中的建立 Jupyter 筆記本](https://docs.aws.amazon.com/sagemaker/latest/dg/ex1-prepare.html)。 Amazon SageMaker + 具有相同格式的現有 PDF 檔案。 + 了解 Python。 **限制** + 您的 PDF 檔案必須品質良好且清晰可讀。建議使用原生 PDF 檔案，但如果所有個別單字都清晰，您可以使用轉換為 PDF 格式的掃描文件。如需詳細資訊，請參閱 AWS Machine Learning 部落格上的[使用 Amazon Textract：視覺效果偵測和移除進行 PDF 文件預先處理](https://aws.amazon.com/blogs/machine-learning/process-text-and-images-in-pdf-documents-with-amazon-textract/)。 + 對於多頁檔案，您可以使用非同步操作，或將 PDF 檔案分割成單一頁面並使用同步操作。如需這兩個選項的詳細資訊，請參閱 Amazon Textract 文件[中的偵測和分析多頁文件中的文字](https://docs.aws.amazon.com/textract/latest/dg/async.html)[，以及偵測和分析單頁文件中的文字](https://docs.aws.amazon.com/textract/latest/dg/sync.html)。 ## Architecture 此模式的工作流程會先在範例 PDF 檔案上執行 Amazon Textract (*第一次執行*)，然後在與第一個 PDF 格式相同的 PDF 檔案上執行它 (*重複執行*)。下圖顯示合併*的第一次執行*和*重複執行*工作流程，可自動且重複地從具有相同格式的 PDF 檔案擷取內容。 ![\[使用 Amazon Textract 從 PDF 檔案擷取內容\]](http://docs.aws.amazon.com/zh_tw/prescriptive-guidance/latest/patterns/images/pattern-img/2d724523-2cab-42c9-a773-65857014d9ec/images/9e20070f-3e0c-46aa-aa98-a8b1eb3395dc.png) 圖表顯示此模式的下列工作流程： 1. 將 PDF 檔案轉換為 JPEG 格式，並將其存放在 S3 儲存貯體中。  1. 呼叫 Amazon Textract API 並剖析 Amazon Textract 回應 JSON 檔案。  1. 透過為每個必要欄位新增正確的`KeyName:DataType`配對來編輯 JSON 檔案。建立*重複執行*階段`TemplateJSON`的檔案。 1. 定義每個資料類型 （例如浮點數、整數和日期） 的後製處理更正函數。 1. 準備與您第一個 PDF 檔案格式相同的 PDF 檔案。 1. 呼叫 Amazon Textract API 並剖析 Amazon Textract 回應 JSON。 1. 比對剖析的 JSON 檔案與 `TemplateJSON` 檔案。 1. 實作後製處理更正。 每個必要欄位的最終 JSON `Value` 輸出檔案都有正確的 `KeyName`和 。 **目標技術堆疊** + Amazon SageMaker  + Amazon S3  + Amazon Textract **自動化和擴展** 您可以使用 AWS Lambda 函數來自動化*重複執行*工作流程，該函數會在新的 PDF 檔案新增至 Amazon S3 時啟動 Amazon Textract。然後，Amazon Textract 會執行處理指令碼，並將最終輸出儲存到儲存位置。如需詳細資訊，請參閱 [Lambda 文件中的使用 Amazon S3 觸發叫用 Lambda 函數](https://docs.aws.amazon.com/lambda/latest/dg/with-s3-example.html)。 ## 工具 + [Amazon SageMaker](https://docs.aws.amazon.com/sagemaker/latest/dg/whatis.html) 是一項全受管 ML 服務，可協助您快速輕鬆地建置和訓練 ML 模型，然後將模型直接部署到生產就緒的託管環境中。 + [Amazon Simple Storage Service (Amazon S3)](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) 是一種雲端型物件儲存服務，可協助您儲存、保護和擷取任何數量的資料。 + [Amazon Textract](https://docs.aws.amazon.com/textract/latest/dg/what-is.html) 可讓您輕鬆地將文件文字偵測和分析新增至應用程式。 ## 史詩 ### 第一次執行 | 任務 | Description | 所需的技能 | | --- | --- | --- | | 轉換 PDF 檔案。 | 將 PDF 檔案分割為單一頁面並將其轉換為 JPEG 格式以進行 Amazon Textract [同步操作](https://docs.aws.amazon.com/textract/latest/dg/sync.html) ()，以準備初次執行的 PDF 檔案`Syn API`。您也可以將 Amazon Textract [非同步操作](https://docs.aws.amazon.com/textract/latest/dg/async.html) (`Asyn API`) 用於多頁 PDF 檔案。 | 資料科學家、開發人員 | | 剖析 Amazon Textract 回應 JSON。 | 開啟 `Textract_PostProcessing.ipynb` Jupyter 筆記本 （已連接），並使用下列程式碼呼叫 Amazon Textract API：
response = textract.analyze_document(
Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])
使用下列程式碼，將回應 JSON 剖析為表單和資料表：
parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)
| 資料科學家、開發人員 | | 編輯 TemplateJSON 檔案。 | 編輯每個 `KeyName`和對應 `DataType`（例如，字串、浮點數、整數或日期） 和資料表標頭 （例如， `ColumnNames`和 ) 的剖析 JSON`RowNames`。此範本用於每個個別的 PDF 檔案類型，這表示範本可以重複使用於格式相同的 PDF 檔案。 | 資料科學家、開發人員 | | 定義後置處理校正函數。 | Amazon Textract 對 `TemplateJSON` 檔案的回應中的值為字串。日期、浮點數、整數或貨幣沒有差異。這些值必須轉換為下游使用案例的正確資料類型。 使用下列程式碼，根據`TemplateJSON`檔案修正每個資料類型：
finalJSON=postprocessingCorrection(parsedJSON,templateJSON)
| 資料科學家、開發人員 | ### 重複執行 | 任務 | Description | 所需的技能 | | --- | --- | --- | | 準備 PDF 檔案。 | 將 PDF 檔案分割成單一頁面，並將其轉換為 JPEG 格式以進行 Amazon Textract [同步操作](https://docs.aws.amazon.com/textract/latest/dg/sync.html) ()，以準備 PDF 檔案`Syn API`。您也可以將 Amazon Textract [非同步操作](https://docs.aws.amazon.com/textract/latest/dg/async.html) (`Asyn API`) 用於多頁 PDF 檔案。 | 資料科學家、開發人員 | | 呼叫 Amazon Textract API。 | 使用下列程式碼呼叫 Amazon Textract API：
response = textract.analyze_document(
        Document={
        'S3Object': {
            'Bucket': BUCKET,
            'Name': '{}'.format(filename)
                    }
                },
        FeatureTypes=["TABLES", "FORMS"])
| 資料科學家、開發人員 | | 剖析 Amazon Textract 回應 JSON。 | 使用下列程式碼，將回應 JSON 剖析為表單和資料表：
parseformKV=form_kv_from_JSON(response)
parseformTables=get_tables_fromJSON(response)
| 資料科學家、開發人員 | | 載入 TemplateJSON 檔案，並將其與剖析的 JSON 比對。 | 使用以下命令，使用 `TemplateJSON` 檔案擷取正確的鍵值對和資料表：
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}
| 資料科學家、開發人員 | | 後置處理更正。 | 在 `TemplateJSON` 檔案和後置處理函數`DataType`中使用 ，透過使用下列程式碼來更正資料： 
finalJSON=postprocessingCorrection(form_kv_table_corrected_final,templateJSON)
| 資料科學家、開發人員 | ## 相關資源 + [使用 Amazon Textract 從文件中自動擷取文字和結構化資料](https://aws.amazon.com/blogs/machine-learning/automatically-extract-text-and-structured-data-from-documents-with-amazon-textract/) + [使用 Amazon Textract 擷取文字和結構化資料](https://aws.amazon.com/getting-started/hands-on/extract-text-with-amazon-textract/) + [Amazon Textract 資源](https://aws.amazon.com/textract/resources/?blog-posts-cards.sort-by=item.additionalFields.createdDate&blog-posts-cards.sort-order=desc) ## 附件 若要存取與本文件相關聯的其他內容，請解壓縮下列檔案： [attachment.zip](samples/p-attach/2d724523-2cab-42c9-a773-65857014d9ec/attachments/attachment.zip)