使用 AWS Texttract 处理 PDF

Question

我想使用 Textract OCR 服务从 pdf 文件中读取文本。我有一个问题，因为我想在本地做，没有 S3 桶。我对图像文件进行了测试，效果很好，但不适用于 PDF 文件。

这是我得到错误的代码：

response = textract.start_document_text_detection(DocumentLocation="sample2.pdf")

错误：

Invalid type for parameter DocumentLocation, value: sample2.pdf, type: <class 'str'>, valid types: <class 'dict'>

代码2：

response = textract.start_document_text_detection(DocumentLocation={"name":"sample2.pdf"})

错误：

Unknown parameter in DocumentLocation: "name", must be one of: S3Object

代码3：

response = textract.start_document_text_detection(Document={'Bytes': "sample2.pdf"})

错误：

Unknown parameter in input: "Document", must be one of: DocumentLocation, ClientRequestToken, JobTag, NotificationChannel, OutputConfig

我该怎么办，有没有办法让 Textract 可以在没有 s3 的情况下处理 PDF 文档？

Answer 1

您的问题的简短回答是“否”。

Textract 仅适用于 S3 的输入。 y\您将需要遵循此处 boto3 文档中为服务描述的预期输入格式： https://boto3.amazonaws.com/v1/documentation/api/latest/reference/services/textract.html#Textract.Client.start_document_text_detection

本质上，服务需要结构化输入，您需要根据他们的规范正确填写。这是 boto3 期望的 DocumentLocation 字典输入。

DocumentLocation={
    'S3Object': {
        'Bucket': 'string',
        'Name': 'string',
        'Version': 'string'
    }
}

我目前也遇到了一些类似的问题，使其在 boto3 中也能正常工作，但我会继续通过文档工作，看看我能弄清楚什么。