使用AWS文本将多页表解析为CSV文件

Question

我完全是一个AWS新手，试图用AWS Textract将多页文件表解析为CSV文件。在本页中，我尝试使用AWS的示例，但是当我们处理多页文件时，response=client。分析_文档（document={'Bytes'：Bytes_test}，FeatureTypes=['TABLES']）中断，因为在这些情况下我们需要异步处理，正如您在这里的文档中看到的那样。正确的调用函数应该是client。启动_document _analysis并在运行后使用客户端检索文件。获取文档分析（JobId）。

所以，我用这个逻辑修改了他们的例子，而不是使用client.analyze_document函数，修改后的代码看起来像这样：

client = boto3.client('textract')

response = client.start_document_analysis(Document={'Bytes': bytes_test}, FeatureTypes=['TABLES'])

jobid=response['JobId']

jobstatus="IN_PROGRESS"
while jobstatus=="IN_PROGRESS":
    response=client.get_document_analysis(JobId=jobid)
    jobstatus=response['JobStatus']
    if jobstatus == "IN_PROGRESS": print("IN_PROGRESS")
    time.sleep(5)

但是当我运行时，我得到以下错误：

Traceback (most recent call last):
  File "/Users/santanna_santanna/PycharmProjects/KlooksExplore/PDFWork/textract_python_table_parser.py", line 125, in <module>
    main(file_name)
  File "/Users/santanna_santanna/PycharmProjects/KlooksExplore/PDFWork/textract_python_table_parser.py", line 112, in main
    table_csv = get_table_csv_results(file_name)
  File "/Users/santanna_santanna/PycharmProjects/KlooksExplore/PDFWork/textract_python_table_parser.py", line 62, in get_table_csv_results
    response = client.start_document_analysis(Document={'Bytes': bytes_test}, FeatureTypes=['TABLES'])
  File "/Users/santanna_santanna/anaconda3/lib/python3.6/site-packages/botocore/client.py", line 316, in _api_call
    return self._make_api_call(operation_name, kwargs)
  File "/Users/santanna_santanna/anaconda3/lib/python3.6/site-packages/botocore/client.py", line 608, in _make_api_call
    api_params, operation_model, context=request_context)
  File "/Users/santanna_santanna/anaconda3/lib/python3.6/site-packages/botocore/client.py", line 656, in _convert_to_request_dict
    api_params, operation_model)
  File "/Users/santanna_santanna/anaconda3/lib/python3.6/site-packages/botocore/validate.py", line 297, in serialize_to_request
    raise ParamValidationError(report=report.generate_report())
botocore.exceptions.ParamValidationError: Parameter validation failed:
Missing required parameter in input: "DocumentLocation"
Unknown parameter in input: "Document", must be one of: DocumentLocation, FeatureTypes, ClientRequestToken, JobTag, NotificationChannel

这是因为调用start_document_analysis的标准方法是将S3文件与这种Syntax一起使用：

    response = client.start_document_analysis(
        DocumentLocation={
            'S3Object': {
                'Bucket': s3BucketName,
                'Name': documentName
            }
        },
        FeatureTypes=["TABLES"])

然而，如果我这样做，我将打破AWS示例中提出的命令行逻辑：

python textract\u python\u table\u解析器。py文件。pdf。

问题是：如何调整AWS示例以能够处理多页文件？

Answer 1

考虑使用两种不同的lambda。一个用于调用textract，另一个用于处理结果。

请阅读这份文件

https://aws.amazon.com/blogs/compute/getting-started-with-rpa-using-aws-step-functions-and-amazon-textract/

检查一下这个仓库

https://github.com/aws-samples/aws-step-functions-rpa

要处理JSON，您可以将此示例用作参考https://github.com/aws-samples/amazon-textract-response-parser或直接将其用作库。

python -m pip install amazon-textract-response-parser