AWS textract 表單設計最佳實踐

Question

我目前正在重新設計文檔和 forms，以提高使用 Aws textract 提取的便利性。

您有經驗和最佳實踐可以分享嗎？

問候

Answer 1

AWS Textract 使用機器學習算法從 forms 和表中提取數據。 總的來說，他們沒有提供任何可遵循的良好做法。 這個想法是，無論格式如何，他們都可以提取數據。

我的建議是進行一些手動測試。 只需查看當前 forms 或您正在使用的文檔最常見的問題是什么。 檢查數據是否丟失、不一致或只是錯誤檢測，並嘗試解決這些問題。 然后對新的 forms 重復相同的過程，看看是否有改進。

提高 Textract 的准確性是您唯一的目標嗎？ 如果是這樣，那么您可能已經意識到存在的問題。 使用這些知識。

在這種情況下，了解改進了哪些地方將非常有幫助。

了解我們所討論的文檔類型也有助於提供更好的答案。 以及您使用的框架/生成器。

Answer 2

以下是 Amazon Textract 開發人員指南中推薦的一些最佳實踐，以提供最佳輸入文檔：

以下是您可以優化輸入文檔以獲得更好結果的幾種方法的列表。

• 確保您的文檔文本使用 Amazon Textract 支持的語言。 目前，Amazon Textract 支持英語、西班牙語、德語、意大利語、法語和葡萄牙語。
• 提供高質量的圖像，理想情況下至少為 150 DPI。
• 如果您的文檔已經是 Amazon Textract 支持的其中一種文件格式（PDF、TIFF、JPEG 和 PNG），請不要在將文檔上傳到 Amazon Textract 之前對其進行轉換或縮減采樣。

從文檔中的表格中提取文本時，為了獲得最佳結果，請確保：

• 文檔中的表格在視覺上與頁面上的周圍元素分開。 例如，表格不會疊加在圖像或復雜圖案上。
• 表格內的文字是直立的。 例如，文本不會相對於頁面上的其他文本旋轉。 從表中提取文本時，您可能會在以下情況下看到不一致的結果：
• 跨越多列的合並表格單元格。
• 包含與同一表格的其他部分不同的單元格、行或列的表格。

我強烈建議您查看開發人員指南。