aws-samples/amazon-textract-textractor

解決的問題

Textractor 簡化了與 Amazon Textract（文件智慧服務）互動的過程。它消除了直接呼叫原始 API 和解析 JSON 回應的複雜性，讓從簡單的指令碼到複雜的分散式文件處理流程都能輕鬆建構。

如何運作

它作為 Amazon Textract API 的 Python 包裝，提供高階介面，以執行各種文件分析任務。可處理影像、位元組資料或 S3 路徑，並提供針對不同需求的專用方法：

• 文字辨識：從文件中提取原始文字。
• 表格提取：識別並提取表格中的結構化資料，可匯出為 Excel 等格式。
• 表單處理：提取表單中的鍵值對，並支援模糊比對。
• 身分文件分析：從身分證件中提取特定欄位。
• 費用處理：從收據中提取摘要欄位。

適用對象

需要使用 AWS 服務從文件中提取結構化資料，但又不想處理底層 API 回應的開發人員與資料工程師。

主要特色

• 完整的工具集：包含整合的實用工具，用於呼叫 API、解析回應、繪製邊界框（覆疊層），以及將輸出轉換為 CSV、文字或 Markdown（美觀列印）。
• 彈性安裝：提供適用於 AWS Lambda 的最小版本，以及可選的額外功能，包括 pandas、PDF 光柵化（透過 pdfium 或 pdf）、以及用於機器學習基礎的字詞搜尋的 torch。
• CLI 支援：提供命令列介面，可直接從終端機呼叫並疊加結果。
• 多來源支援：支援多種檔案來源，包括本機影像、影像清單、位元組資料和 S3 路徑。