AWSTextract只能从多页PDF中提取第一页的表格和表单
创始人
2024-09-27 15:31:08
0次

AWS Textract文档指出,当提取表单和表格时,仅支持输入PDF文档的第一页。如果您需要从多页PDF中提取表单和表格,需要编写代码来将每个页面拆分为单独的文件,然后将每个文件单独传递给Textract。

以下是Python代码示例,用于从多页PDF中提取所有表单和表格:

import boto3
import io
from PyPDF2 import PdfFileReader, PdfFileWriter

TEXTRACT = boto3.client('textract')

def pdf_splitter(pdf_file):
    pdf_reader = PdfFileReader(pdf_file)
    for page_num in range(pdf_reader.getNumPages()):
        pdf_writer = PdfFileWriter()
        pdf_writer.addPage(pdf_reader.getPage(page_num))

        tf = io.BytesIO()
        pdf_writer.write(tf)
        tf.seek(0)
        yield tf

def extract_tables_and_forms(pdf_file):
    tables = []
    forms = []
    for page in pdf_splitter(pdf_file):
        response = TEXTRACT.analyze_document(Document={'Bytes': page.read()},
                                              FeatureTypes=['FORMS', 'TABLES'])
        if 'Forms' in response:
            forms.extend(response['Forms'])
        if 'Tables' in response:
            tables.extend(response['Tables'])

    return tables, forms

上述代码将给出一个PDF文件,并使用PdfFileReader将其分割成页面,并从每个页面提取表格和表单。textract.analyze_document()用于提取表单和表格信息。

要使用此代码示例,请确保您已经安装了以下Python包:

  • boto3
  • PyPDF2

运行示例的方式:

with open('multi_page.pdf', 'rb') as pdf_file:
    tables, forms = extract_tables_and_forms(pdf_file)

print("Tables found: ", tables)
print("Forms found: ", forms)

请注意,AWS Textract会对数据进行收费。有关详细信息,请参阅官方文档。

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...