Líneas y palabras de texto

El texto detectado devuelto por las operaciones de Amazon Textract se devuelve a una lista de objetos de bloque. Estos objetos representan líneas de texto o palabras textuales que se detectan en la página de un documento. El texto siguiente muestra dos líneas de texto compuestas por varias palabras.

Esto es texto.

En dos líneas separadas.

El texto detectado se devuelve en el Text campo de un Block objeto. El BlockType campo determina si el texto es una línea de texto (LINE) o una palabra (WORD). Una PALABRA es uno o más caracteres del alfabeto latino básico ISO que no están separados por espacios. Una LÍNEA es una cadena de palabras contiguas y delimitadas por tabulaciones.

Además, Amazon Textract determinará si un fragmento de texto se escribió a mano o se imprimió mediante el campo. TextTypes Se muestran como MANUSCRITOS e IMPRESOS, respectivamente.

Las demás Block propiedades son comunes a todos los tipos de bloques, como la información de identificación, confianza y geometría. Para obtener más información, consulte Objetos de respuesta para la detección de texto y el análisis de documentos.

Para detectar solo líneas y palabras, puede utilizar DetectDocumentTexto StartDocumentTextDetection. Para obtener más información, consulte Detección de texto. Para obtener el texto detectado (líneas y palabras) e información sobre su relación con otras partes del documento, como las tablas, puede utilizar AnalyzeDocumento StartDocumentAnalysis. Para obtener más información, consulte Análisis de documentos.

PAGELINE, y WORD los bloques están relacionados entre sí en una relación padre-hijo. Un PAGE bloque es el elemento principal de todos los objetos de LINE bloque de una página de documento. Como una LÍNEA puede tener una o más palabras, la Relationships matriz de un bloque LINE almacena los identificadores de los bloques WORD secundarios que forman la línea de texto.

El siguiente diagrama muestra cómo aparece la línea Hello, world. en el texto Hello, world. ¿Cómo estás? está representado por Block objetos.

El siguiente es el resultado en JSON de la DetectDocumentText frase Hello, world. ¿Cómo estás? se detecta. El primer ejemplo es el JSON de la página del documento. Puede usar los ID CHILD para navegar por el documento.

{
    "Geometry": {...}, 
    "Relationships": [
        {
            "Type": "CHILD", 
            "Ids": [
                "d7fbd604-d609-4d69-857d-247a3f591238", // Line - Hello, world.
                "b6c19a93-6493-4d8e-958f-853c8f7ca055" //  Line - How are you?
            ]
        }
    ], 
    "BlockType": "PAGE", 
    "Id": "56ec1d77-171f-4881-9852-2b5b7e761608"
},

El siguiente es el JSON de los bloques LINE que componen la línea «Hello, World»:

{
    "Relationships": [
        {
            "Type": "CHILD", 
            "Ids": [
                "7f97e2ca-063e-47a8-981c-8beee31afc01", // Word - Hello,
                "4b990aa0-af96-4369-b90f-dbe02538ed21"  // Word - world.
            ]
        }
    ], 
    "Confidence": 99.63229370117188, 
    "Geometry": {...}, 
    "Text": "Hello, world.", 
    "BlockType": "LINE", 
    "Id": "d7fbd604-d609-4d69-857d-247a3f591238"
},

El siguiente es el JSON del bloque WORD de la palabra Hello,:

{
    "Geometry": {...}, 
    "Text": "Hello,", 
    "TextType": "PRINTED",
    "BlockType": "WORD", 
    "Confidence": 99.74746704101562, 
    "Id": "7f97e2ca-063e-47a8-981c-8beee31afc01"
}, 

El JSON final es el bloque WORD de la palabra mundo. :

{
    "Geometry": {...}, 
    "Text": "world.",
    "TextType": "PRINTED",
    "BlockType": "WORD", 
    "Confidence": 99.5171127319336, 
    "Id": "4b990aa0-af96-4369-b90f-dbe02538ed21"
},