AWS Textract - UnsupportedDocumentException - PDF

Question

我正在使用 boto3（用于 python 的 aws sdk）分析文档（pdf）以获取表单键：值对。

import boto3

def process_text_analysis(bucket, document):
    # Get the document from S3
    s3_connection = boto3.resource('s3')
    s3_object = s3_connection.Object(bucket, document)
    s3_response = s3_object.get()
    # Analyze the document
    client = boto3.client('textract')
    response = client.analyze_document(Document={'S3Object': {'Bucket': bucket, 'Name': document}},
                                       FeatureTypes=["FORMS"])


process_text_analysis('francismorgan-01', '709 Privado M SURESTE.pdf')

我使用分析文档遵循了 AWS 的文档，当我运行我的函数时出现错误。

botocore.errorfactory.UnsupportedDocumentException: An error occurred (UnsupportedDocumentException) when calling the AnalyzeDocument operation: Request has unsupported document format

我错过了什么吗？

Answer 1

AnalyzeDocument是一个同步 API，仅支持 PNG 或 JPG 图像。

由于您想要处理 PDF 文件，因此您需要使用 Amazon Textract Asynchronous API，例如StartDocumentAnalysis 、 StartDocumentTextDetection

Answer 2

正如文档所说

StartDocumentAnalysis 可以分析 JPEG、PNG、TIFF 和 PDF 格式的文档中的文本。 文档存储在 Amazon S3 存储桶中。 使用 DocumentLocation 指定文档的存储桶名称和文件名。

Boto3 示例

import boto3

client = boto3.client('textract')

response = client.start_document_analysis(
    DocumentLocation={
        'S3Object': {
            'Bucket': 'YOUR_BUCKET_NAME',
            'Name': 'YOUR_FILE_KEY_NAME'
        }
    },
    FeatureTypes=["FORMS"]
)

# Get results from asynchronous operation
result = client.get_document_analysis(JobId=response['JobId'])