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

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

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...
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...
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...
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...
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...
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...