AWS Textract 无法识别 PDF 文档的第二页的表格。
创始人
2024-11-18 12:01:35
0次

要解决 AWS Textract 无法识别 PDF 文档的第二页的表格的问题,可以使用以下代码示例:

import boto3

# 创建 Textract 客户端
textract_client = boto3.client('textract')

def extract_table_from_pdf(pdf_s3_bucket, pdf_s3_object_key):
    # 构建请求参数
    start_page = 2  # 设置开始页码为第二页
    end_page = 2  # 设置结束页码为第二页
    feature_types = ['TABLES']  # 设置要提取的特征类型为表格

    # 发起 Textract 分析请求
    response = textract_client.start_document_analysis(
        DocumentLocation={
            'S3Object': {
                'Bucket': pdf_s3_bucket,
                'Name': pdf_s3_object_key
            }
        },
        FeatureTypes=feature_types,
        StartPage=start_page,
        EndPage=end_page
    )

    # 获取分析任务的标识符
    job_id = response['JobId']

    # 等待分析任务完成
    while True:
        response = textract_client.get_document_analysis(JobId=job_id)

        status = response['JobStatus']
        if status in ['SUCCEEDED', 'FAILED']:
            break

    if status == 'SUCCEEDED':
        # 提取表格结果
        tables = []
        for page_result in response['Blocks']:
            if page_result['BlockType'] == 'TABLE':
                table = []
                for relationship in page_result['Relationships']:
                    if relationship['Type'] == 'CHILD':
                        for child_id in relationship['Ids']:
                            child = response['Blocks'][child_id]
                            if child['BlockType'] == 'CELL':
                                table.append(child['Text'])
                tables.append(table)

        return tables
    else:
        # 分析任务失败
        print(f"分析任务失败:{response['StatusMessage']}")
        return None

# 使用示例
pdf_s3_bucket = 'your-pdf-s3-bucket'
pdf_s3_object_key = 'your-pdf-s3-object-key'

tables = extract_table_from_pdf(pdf_s3_bucket, pdf_s3_object_key)
if tables:
    for table in tables:
        print(table)
else:
    print("无法提取表格。")

在上述代码中,我们使用 start_document_analysis 方法发起 Textract 分析任务,并通过指定 StartPage 和 EndPage 参数来指定要分析的页码范围。在本例中,我们将 StartPage 和 EndPage 都设置为 2,即只分析第二页。

同时,我们还设置 FeatureTypes 参数为 ['TABLES'],表示只提取表格特征。根据实际需要,您可以调整这些参数以满足您的需求。

在分析任务完成后,我们从分析结果中提取表格数据,并返回一个包含所有表格的列表。

请确保您已正确配置 AWS 身份验证凭证,并将正确的 PDF 文件的 S3 存储桶和对象键传递给 extract_table_from_pdf 函数。

注意:有时 Textract 可能无法正确识别表格,特别是对于复杂的表格布局。在这种情况下,您可以尝试调整 Textract 的分析参数或使用其他工具进行表格提取。

相关内容

热门资讯

前端-session、jwt 目录:   (1)session (2&#x...
linux入门---制作进度条 了解缓冲区 我们首先来看看下面的操作: 我们首先创建了一个文件并在这个文件里面添加了...
关于测试,我发现了哪些新大陆 关于测试 平常也只是听说过一些关于测试的术语,但并没有使用过测试工具。偶然看到编程老师...
前缀和与对数器与二分法 1. 前缀和 假设有一个数组,我们想大量频繁的去访问L到R这个区间的和,...
nodejs:本地安装nvm实... 一、背景-使用不同版本node的原因 vue3+ts、nuxt3版本,node...
JAVA集合知识整理 Java集合知识整理 HashMap相关 HashMap的底层数据结构:jdk1.8之...
无刷直流电机介绍及单片机控制实... 无刷直流电机介绍及单片机控制实例前言基本概念优势与劣势使用寿命基本结构使用单片机控制实例电子调速器&...
fwdiary(2) dp2 1.传纸条  AcWing 275. 传纸条 - AcWing 走两条路,走一条最大的...
常用的DOS命令 常用的DOS命令 DOS(Disk Operating System,磁...
<C++> 类和对象(下) 1.const成员函数将const修饰的“成员函数”称之为const成员函数,cons...