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

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 StartPageEndPage 参数来指定要分析的页码范围。在本例中,我们将 StartPageEndPage 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

保存时出现了1个错误,导致这篇... 当保存文章时出现错误时,可以通过以下步骤解决问题:查看错误信息:查看错误提示信息可以帮助我们了解具体...
汇川伺服电机位置控制模式参数配... 1. 基本控制参数设置 1)设置位置控制模式   2)绝对值位置线性模...
不能访问光猫的的管理页面 光猫是现代家庭宽带网络的重要组成部分,它可以提供高速稳定的网络连接。但是,有时候我们会遇到不能访问光...
表格中数据未显示 当表格中的数据未显示时,可能是由于以下几个原因导致的:HTML代码问题:检查表格的HTML代码是否正...
本地主机上的图像未显示 问题描述:在本地主机上显示图像时,图像未能正常显示。解决方法:以下是一些可能的解决方法,具体取决于问...
表格列调整大小出现问题 问题描述:表格列调整大小出现问题,无法正常调整列宽。解决方法:检查表格的布局方式是否正确。确保表格使...
不一致的条件格式 要解决不一致的条件格式问题,可以按照以下步骤进行:确定条件格式的规则:首先,需要明确条件格式的规则是...
Android|无法访问或保存... 这个问题可能是由于权限设置不正确导致的。您需要在应用程序清单文件中添加以下代码来请求适当的权限:此外...
【NI Multisim 14...   目录 序言 一、工具栏 🍊1.“标准”工具栏 🍊 2.视图工具...
银河麒麟V10SP1高级服务器... 银河麒麟高级服务器操作系统简介: 银河麒麟高级服务器操作系统V10是针对企业级关键业务...