问题标签 [amazon-textract]

我想为使用 Amazon Textract 进行 OCR 和使用 Amazon Comprehend 进行实体提取的图像创建人工审核循环。

我的流程是：

1. 将图像发送到 Textract 以提取文本
2. 向 Comprehend 发送文本以提取实体
3. 在 Textract 的 Comprehend 提取的实体的输出中找到块 ID
4. 根据文档将新的类型块添加KEY_VALUE_SET到 textract 的 JSON 输出
5. 使用模板中的元素创建一个人工任务crowd-textract-analyze-document并将修改后的文本输出提供给它

在此过程中失败的是第 5 步。我的自定义实体未正确呈现。“无法工作”是指当我在侧边栏上单击实体时，实体没有在图像上突出显示。浏览器的控制台没有错误。

有没有人尝试过这样的事情？

很抱歉没有包括示例。我将从我的文件中删除机密/PII 并将它们附加到问题中

我想使用 textract（通过 aws cli）从 pdf 文件（位于 s3 位置）中提取表并将其导出到 csv 文件中。我曾尝试编写一个 .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。我遇到了错误：文件“extract-table.py”，第 63 行，在 get_table_csv_results bash：文件：找不到命令 blocks=response['Blocks'] KeyError:'Blocks'

我目前正在使用Amplify FrameworkAndroid 及其预测插件，基本上AWS Textract是将图像转换为文本。

以前，我使用Firebase文本识别功能，将文本分成块，并在每个块中分成行和单词。
另一方面，Textract 只将文本分成几行。

我使用的图像通常是屏幕截图，它们通常包含不止一列文本。因为现在我只得到行，所以我不知道如何将文本分成块。

有没有办法配置Textract首先将文本分成块？或者有没有办法手动准确划分？

我正在尝试使用 Lambda 函数和 Textract 从 PDF 中提取文本。

我的问题是： 如何调用“start_document_text_detection”以便 Textract 自动将其响应发送到 S3？

我收到一条错误消息：

[错误] ParamValidationError：参数验证失败：输入中的未知参数：“OutputConfig”，必须是以下之一：DocumentLocation、ClientRequestToken、JobTag、NotificationChannel

我的代码：

Boto3 文档显示我可以传递一个名为“OutputConfig”的参数： https ://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/textract.html#Textract.Client.start_document_text_detection

AWS Textract 的官方文档也说它是一个有效参数：

另一个可用的可选参数是OutputConfig，它允许您调整输出的放置位置。默认情况下，Amazon Textract 将在内部存储结果，并且只能通过 Get API 操作访问。启用 OutputConfig 后，您可以设置将输出发送到的存储桶的名称及其文件前缀，您可以在其中以 JSON 格式下载结果。这允许使用用户创建的存储桶来存储结果。

https://docs.aws.amazon.com/textract/latest/dg/api-async.html

我有只允许从 VPC 访问的存储桶策略：

我也想允许来自 AWS Textract 的流量到这个存储桶。我尝试了各种方法，但由于“明确拒绝”（我需要）的绝对优先级，我无法使其工作。

是否有不同的策略制定或完全不同的方法来限制对这个 S3 存储桶的访问仅限于来自 VPC 和来自 Textract 服务的流量？

我正在使用 Amazon Textract 进行文本检测或原始文本、表单和表格。

我正在为此上传 PDF。

我正在使用坐标从原始文本中获取值。我成功地获得了价值。但是几天后，该特定块的边界框坐标发生了变化。然后，我的逻辑不起作用。

你们知道为什么这些坐标会改变吗？

这就是我在确定坐标后应用我的逻辑的方式。

在亚马逊的定价页面上，它指出对于俄亥俄州的 US-east-1，定价为每页 5 美分的文档分析和表格。（https://aws.amazon.com/textract/pricing/）

我想知道如何测量页面 - 例如，如果表单的图像被裁剪并一起放入一个 PDF 中，这仍然构成一页吗？

另外，我知道 Textract 也会对图像进行处理。Textract 中的图像页面是如何构成的？

一种节省成本的机制是将分析所需的尽可能多的文本嵌入到一个 PDF 页面中，即使这可能会稍微降低准确性？

我们公司需要处理超过数百万张纸质表格，这实际上是每月 5,000 美元的账单与亚马逊每月 200,000 美元的账单之间的差异。因此，我们现在被迫以每页 0.1 美分的价格使用 DocumentDetection，但我们希望使用目前每页 6 美分的表单/表格数据分析。

我需要对包含印地语、马拉地语、马拉雅拉姆语等语言文本的图像进行 OCR。我在 python 脚本中使用 AWS Textract API，但扫描的印地语文本文档上的 OCR 给出了不正确的英语类单词的响应。

AWS Textract 是否支持印地语？

请指导我。

先感谢您。

我需要使用 AWS Textract 从账单副本中提取表格信息。它每次都给我几乎完美的结果，但对于某些 PDF 文档，它没有给我第二页的表格结果。

使用的代码示例：第一页的AWS 官方文档 图像（JPEG）是

第二页的图像（JPEG）是

因此，AWS 将前 20 个条目输出为 CSV。但是对于图像的第二页，CSV 的结果是：

最重要的是，我在类似类型的 PDF 中发现了相同的结果，它有 21 个条目，一个条目存在于 PDF 的第二页。我已经使用 PyPDF2 将 pdf 页面合并为一页，但没有解决我的问题。我需要使用任何 OpenCV 工具吗？请就这些类型的问题向我提出任何可能的建议。

嗨，我在 Spring Boot 中构建了一个应用程序，该应用程序使用 amazon textract 从 pdf 文件中获取表数据。此应用程序安装在我的本地主机上时可以正常工作。现在我在 AWS 环境中创建了一个新的 Elastic Beanstalk 应用程序，并在那里上传了我的 spring jar。当我调用应用程序的 url 时，我可以验证应用程序是否存在，但是当我调用任何反过来调用 textract 服务的端点时，我会收到权限错误。

谁能给我关于如何/在哪里设置它的建议？

谢谢