aws-samples/amazon-textract-textractor

解决的问题

Textractor 简化了与 Amazon Textract（文档智能服务）交互的过程。它消除了直接调用原始 API 和解析 JSON 响应的复杂性，使构建从简单脚本到复杂分布式文档处理流水线都变得更加容易。

工作原理

它作为 Amazon Textract API 的 Python 封装，提供了一个高级接口，用于执行各种文档分析任务。它可以处理图像、字节数据或 S3 路径，并提供针对不同需求的专用方法：

• 文本识别：从文档中提取原始文本。
• 表格提取：识别并提取表格中的结构化数据，可导出为 Excel 等格式。
• 表单处理：提取表单中的键值对，并支持模糊匹配。
• 身份文档分析：从身份证件中提取特定字段。
• 费用处理：从收据中提取摘要字段。

适用人群

需要使用 AWS 服务从文档中提取结构化数据，但又不想处理底层 API 响应的开发人员和数据工程师。

主要亮点

• 全面的工具集：包含集成的实用工具，用于调用 API、解析响应、绘制边界框（叠加层），以及将输出转换为 CSV、文本或 Markdown（美化打印）。
• 灵活的安装方式：提供适用于 AWS Lambda 的最小版本，以及可选的扩展功能，包括 pandas、PDF 光栅化（通过 pdfium 或 pdf）、以及用于基于 ML 的单词搜索的 torch。
• CLI 支持：提供命令行界面，可直接从终端调用并叠加结果。
• 多源支持：支持多种文件源，包括本地图像、图像列表、字节数据和 S3 路径。