标签: amazon-textract

当我尝试解析通过 amazon s3 访问的 pdf 文件时，它给了我一个错误，Request has unsupported document format。

我正在使用带有 boto3 的 Amazon textract。当我尝试解析通过 amazon s3 访问的 pdf 文件时，它给了我一个错误，Request has unsupported do cument format。我对此很陌生，在 textract 的文档中提到确实支持 pdf 文件。

这是我正在使用的代码。

import boto3
textractClient = boto3.client('textract',region_name='us-east-1')
response = textractClient.detect_document_text(
        Document={'S3Object': {'Bucket': 'bucketName', 'Name': 'filename.pdf'}})
blocks = response['Blocks']

这给了我错误，Request has unsupported document format。

我正在使用 AWS Textract 并且我想分析一个多页文档，因此我必须使用异步选项，所以我首先使用了startDocumentAnalysis函数，我得到了一个 JobId 作为返回，但它需要触发一个我设置为的函数当 SNS 主题收到消息时触发。

这些是我的无服务器文件和处理程序文件。

provider:
  name: aws
  runtime: nodejs8.10
  stage: dev
  region: us-east-1
  iamRoleStatements:
    - Effect: "Allow"
      Action:
       - "s3:*"
      Resource: { "Fn::Join": ["", ["arn:aws:s3:::${self:custom.secrets.IMAGE_BUCKET_NAME}", "/*" ] ] }
    - Effect: "Allow"
      Action:
        - "sts:AssumeRole"
        - "SNS:Publish"
        - "lambda:InvokeFunction"
        - "textract:DetectDocumentText"
        - "textract:AnalyzeDocument"
        - "textract:StartDocumentAnalysis"
        - "textract:GetDocumentAnalysis"
      Resource: "*"

custom:
  secrets: ${file(secrets.${opt:stage, self:provider.stage}.yml)}

functions:
  routes:
    handler: src/functions/routes/handler.run
    events:
      - s3:
          bucket: ${self:custom.secrets.IMAGE_BUCKET_NAME}
          event: s3:ObjectCreated:*

  textract:
    handler: src/functions/routes/handler.detectTextAnalysis
    events:
      - sns: "TextractTopic"

resources:
  Resources: …

我正在使用 boto3（适用于 python 的 aws sdk）来分析文档（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')

我已使用分析文档遵循 ​​AWS 文档，当我运行我的函数时，我收到错误。

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

我错过了什么吗？

因此，我尝试使用Amazon Textract读取多个 pdf 文件，其中多个页面使用StartDocumentTextDetection以下方法：

client = boto3.client('textract')
textract_bucket = s3.Bucket('my_textract_console-us-east-2')

for s3_file in textract_bucket.objects.all():
    print(s3_file)

    response = client.start_document_text_detection(
        DocumentLocation = {
                "S3Object": {
                    "Bucket": "my_textract_console_us-east-2",
                    "Name": s3_file.key,
                    
                } 
        },
        ClientRequestToken=str(random.randint(1,1e10)))
    print(response)
    break
     

当只是尝试从 检索响应对象时s3，我可以看到它打印出来为：

s3.ObjectSummary(bucket_name='my_textract_console-us-east-2', key='C:\\Users\\My_User\\Documents\\Folder\\Sub_Folder\\Sub_sub_folder\\filename.PDF')

相应地，我s3_file.key稍后将使用它来访问该对象。但我收到以下我无法弄清楚的错误：

InvalidS3ObjectException：调用 StartDocumentTextDetection 操作时发生错误 (InvalidS3ObjectException)：无法从 S3 获取对象元数据。检查对象键、区域和/或访问权限。

到目前为止我有：

1. 从 boto3 会话检查了区域，存储桶和 aws 配置设置均设置为us-east-2。
2. 密钥不能错，我直接从对象响应传递它
3. 在权限方面，我检查了 IAM 控制台，并将其设置为AmazonS3FullAccess和AmazonTextractFullAccess。

这里可能出了什么问题？

[编辑]我确实重命名了这些文件，以便它们没有\\，但似乎仍然无法正常工作，这很奇怪..

我想使用 textract （通过 aws cli）从 pdf 文件（位于 s3 位置）中提取表格并将其导出到 csv 文件中。我尝试编写 .py 脚本，但很难从文件中读取。欢迎任何有关编写 .py 脚本的建议。

这是我当前的脚本。我遇到错误：文件“extract-table.py”，第 63 行，在 get_table_csv_results bash 中：文件：找不到命令块=响应 ['块'] KeyError：'块'

import webbrowser, os
import json
import boto3
import io
from io import BytesIO
import sys
from pprint import pprint





def get_rows_columns_map(table_result, blocks_map):
rows = {}
for relationship in table_result['Relationships']:
    if relationship['Type'] == 'CHILD':
        for child_id in relationship['Ids']:
            cell = blocks_map[child_id]
            if cell['BlockType'] == 'CELL':
                row_index = cell['RowIndex']
                col_index = cell['ColumnIndex']
                if row_index not in rows:
                    # create …

我已经可以使用文本提取但使用 JPEG 文件。我想将它与 PDF 文件一起使用。

我有以下代码：

import boto3

# Document
documentName = "Path to document in JPEG"

# Read document content
with open(documentName, 'rb') as document:
    imageBytes = bytearray(document.read())

# Amazon Textract client
textract = boto3.client('textract')
documentText = ""

# Call Amazon Textract
response = textract.detect_document_text(Document={'Bytes': imageBytes})

#print(response)

# Print detected text
for item in response["Blocks"]:
    if item["BlockType"] == "LINE":
        documentText = documentText + item["Text"]

        # print('\033[94m' +  item["Text"] + '\033[0m')
        # # print(item["Text"])

# removing the quotation marks from …

我有一个 .Net core 客户端应用程序，根据 AWS 文档使用带有 S3、SNS 和 SQS 的 amazon Textract，检测和分析多页文档中的文本（https://docs.aws.amazon.com/textract/latest/dg/async .html )

使用 AmazonTextractServiceRole 策略创建 AWS 角色，并根据文档添加以下信任关系 ( https://docs.aws.amazon.com/textract/latest/dg/api-async-roles.html ) { "Version": "2012-10-17", "声明": [ { "效果": "允许", "主体": { "服务": "texttract.amazonaws.com" }, "操作": "sts:AssumeRole" } ] }

已订阅 SQS 主题并授予 Amazon SNS 主题按照 aws 文档将消息发送到 Amazon SQS 队列的权限。

所有资源包括S3 Bucket、SNS、SQS都位于同一个us-west2区域

以下方法显示一般错误“InvalidParameterException”请求具有无效参数

但如果NotificationChannel 部分被注释，则代码工作正常并返回正确的作业ID。

错误消息没有给出有关参数的清晰图片。高度赞赏任何帮助。

public async Task<string> ScanDocument()
{
            string roleArn = "aws:iam::xxxxxxxxxxxx:instance-profile/MyTextractRole";
            string topicArn = "aws:sns:us-west-2:xxxxxxxxxxxx:AmazonTextract-My-Topic";
            string bucketName = "mybucket";
            string filename = "mytestdoc.pdf";

            var …

我正在使用 AWS 的文档文本，但它似乎没有检测文本是否为粗体。是我缺少什么东西还是这不是一个功能？

我在下面找到了用python做的文章。

https://docs.aws.amazon.com/textract/latest/dg/examples-export-table-csv.html

我也使用下面的文章来提取文本。

https://docs.aws.amazon.com/textract/latest/dg/detecting-document-text.html

但上面的文章只帮助获取文本，我还使用了 Block 的函数“block.getBlockType()”，但没有一个块将其类型返回为“CELL”，即使图像/pdf中有表格。

帮我找到类似于“boto3”的java库来提取所有表。

我想使用 Python 从图像中提取文本。（Tessaract lib 对我不起作用，因为它需要安装）。

我找到了 boto3 lib 和 Textract，但我在使用它时遇到了问题。我对此还很陌生。你能告诉我我需要做什么才能正确运行我的脚本吗？

这是我的代码：

import cv2
import boto3
import textract


#img = cv2.imread('slika2.jpg') #this is jpg file
with open('slika2.pdf', 'rb') as document:
    img = bytearray(document.read())

textract = boto3.client('textract',region_name='us-west-2')

response = textract.detect_document_text(Document={'Bytes': img}). #gives me error
print(response)

当我运行这段代码时，我得到：

botocore.exceptions.ClientError: An error occurred (InvalidSignatureException) when calling the DetectDocumentText operation: The request signature we calculated does not match the signature you provided. Check your AWS Secret Access Key and signing method. Consult the service documentation for …

我想使用这个亚马逊表格文本提取脚本

我遇到的问题是我不知道什么是 trp 模块以及如何安装它。

我试过

pip install trp

但是当我尝试运行时，我收到此错误

lib/python3.7/site-packages/trp/__init__.py", line 31
    print ip
           ^
SyntaxError: Missing parentheses in call to 'print'. Did you mean print(ip)?

我正在Amazon Textract API通过 AWS 的 Python API 使用 来从文档（pdf或jpg）中提取文本。我确实获得了其边界框的文本和坐标，但我也希望拥有字体类型（仅需要主要的字体类型：Arial、Helvetica、Verdana、Calibri、Times New Roman + 一些其他字体）。

有人有解决方案来获取该数据吗？

最好的解决方案可能是一个包，它接受小图像，返回字体类型名称，并且我可以在我的服务器上运行它。外部 API 很可能成本太高（金钱和时间方面），因为我必须在一秒钟内运行它 100 多次。

Amazon Textract 返回什么（不幸的是，没有字体类型）：

{'BlockType': 'LINE',
 'Confidence': 99.81985473632812,
 'Text': 'This is a text',
 'Geometry': {'BoundingBox': {'Width': 0.7395017743110657,
   'Height': 0.012546566314995289,
   'Left': 0.12995509803295135,
   'Top': 0.2536422610282898},
  'Polygon': [{'X': 0.12995509803295135, 'Y': 0.2536422610282898},
   {'X': 0.8694568872451782, 'Y': 0.2536422610282898},
   {'X': 0.8694568872451782, 'Y': 0.2661888301372528},
   {'X': 0.12995509803295135, 'Y': 0.2661888301372528}]},
 'Id': '59f42615-7f33-41d2-9f3c-77ae5e4b6e7a',
 'Relationships': ...}

到目前为止我做了什么

我实现了一个解决方案，它计算文本的比率width/height，并通过使用 Python 的枕头包和不同的字体类型以编程方式绘制相同的文本，然后比较比率来进行比较。然而，这种启发式方法常常会导致错误的结果。

如何确定何时使用Amazon Textract和Amazon Rekognition的TextDetect方法？

我的用例是通过移动设备单击图片并将图像数据转换为文本并存储到AWS RDS中。

• https://aws.amazon.com/blogs/aws/amazon-rekognition-image-detection-and-recognition-powered-by-deep-learning/

• https://aws.amazon.com/textract/