AWS文本摘要-不支持文档例外-PDF

Question

我使用boto3（aws sdk for python）来分析文档（pdf）以获得表单键：值对。

import boto3

def process_text_analysis(bucket, document):
    # Get the document from S3
    s3_connection = boto3.resource('s3')
    s3_object = s3_connection.Object(bucket, document)
    s3_response = s3_object.get()
    # Analyze the document
    client = boto3.client('textract')
    response = client.analyze_document(Document={'S3Object': {'Bucket': bucket, 'Name': document}},
                                       FeatureTypes=["FORMS"])


process_text_analysis('francismorgan-01', '709 Privado M SURESTE.pdf')

我使用Analyze Document遵循了AWS的文档，当我运行我的函数时，我得到了错误。

botocore.errorfactory.UnsupportedDocumentException: An error occurred (UnsupportedDocumentException) when calling the AnalyzeDocument operation: Request has unsupported document format

我错过什么了吗？

Answer 1

正如医生所说

StartDocumentAnalysis可以分析JPEG、PNG、TIFF和PDF格式文档中的文本。这些文档存储在Amazon S3存储桶中。使用DocumentLocation指定文档的bucket名称和文件名。

import boto3

client = boto3.client('textract')

response = client.start_document_analysis(
    DocumentLocation={
        'S3Object': {
            'Bucket': 'YOUR_BUCKET_NAME',
            'Name': 'YOUR_FILE_KEY_NAME'
        }
    },
    FeatureTypes=["FORMS"]
)

# Get results from asynchronous operation
result = client.get_document_analysis(JobId=response['JobId'])

此外，AWS docs还提供了一个类TextractWrapper，其中包含方法start_analysis_job和get_analysis_job，与前面的示例相同。

Answer 2

Analyze文档是一个同步API，仅支持PNG或JPG图像。

因为你想处理PDF文件，所以你需要使用Amazon Textract异步API，例如StartDocumentAnalysis，StartDocumentTextDetection