如何从 Amazon Textract 输出生成 PDF 文件？

Question

我正在使用 Amazon Textract 从扫描的文档中提取数据。现在我想将输出转换为 PDF 文件。以下是 Textract 的示例输出：

[1] => Array
                    (
                        [BlockType] => LINE
                        [Confidence] => 99.4744720459
                        [Text] => Hello
                        [Geometry] => Array
                            (
                                [BoundingBox] => Array
                                    (
                                        [Width] => 0.243866533041
                                        [Height] => 0.0134594505653
                                        [Left] => 0.176409825683
                                        [Top] => 0.0463116429746
                                    )

                                [Polygon] => Array
                                    (
                                        [0] => Array
                                            (
                                                [X] => 0.176409825683
                                                [Y] => 0.0463116429746
                                            )

                                        [1] => Array
                                            (
                                                [X] => 0.420276373625
                                                [Y] => 0.0463116429746
                                            )

                                        [2] => Array
                                            (
                                                [X] => 0.420276373625
                                                [Y] => 0.0597710944712
                                            )

                                        [3] => Array
                                            (
                                                [X] => 0.176409825683
                                                [Y] => 0.0597710944712
                                            )

                                    )

                            )

                        [Id] => 75e8917d-701e-4e26-bade-f00bde9d87db
                        [Relationships] => Array
                            (
                                [0] => Array
                                    (
                                        [Type] => CHILD
                                        [Ids] => Array
                                            (
                                                [0] => 46f44500-4960-4405-99f3-fa43101bc2ca
                                            )

                                    )

                            )

                    )

如您所见，输出包含文本、高度、宽度及其 XY 坐标。如何将具有相同坐标的文本放入 PDF 文件中？

Answer 1

假设您可以将以上内容转换为 JSON，您可以使用 jsPDF 或 PDFkit 创建 PDF。根据您发布的有限数据，功能映射非常好，但我还没有看到 Textract 的完整结构，因为它仍处于测试阶段，我没有收到该程序的邀请。这两个项目都可以使用 Node 创建服务器端解决方案，但它们也可以在浏览器中运行。

在撰写本文时，Google Cloud 在其Vision - Document Text Detection 功能中包含一个 OCR 组件。与 Textract 不同，它处理任务时只是报告文档具有哪些可视元素，并创建一个全面的（和大型的）数据结构来描述它“看到”的内容。据亚马逊称，Textract 使用机器学习以一种更易于人类理解的形式组织数据，旨在将表单与构成表单填写部分的数据区分开来。如果您正在尝试创建一个相对完整的 PDF，Google 产品非常适合。 Textract 可能也是，但我还不知道。

Answer 2

This 存储库包含代码示例（Java 语言），展示了如何使用 AWS Textract 生成可搜索的 PDF。如果您不使用 Java，您也可以将其部署为 AWS Lambda 函数，然后通过 AWS 开发工具包或使用 AWS API Gateway 作为 REST API 调用来调用它。

也有相应的博文here。