Fase pemrosesan - AWS Bimbingan Preskriptif
Praktik terbaik untuk fase pemrosesan

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Fase pemrosesan

Amazon Textract mengekstrak konten file PDF sebagai string yang tidak dapat digunakan secara langsung oleh aplikasi hilir (misalnya, untuk menghasilkan statistik dengan menggabungkan angka). Nilai data yang diidentifikasi dan diubah dengan benar diperlukan karena dapat lebih mudah digunakan oleh aplikasi hilir Anda (misalnya, untuk merencanakan tren biaya sebagai deret waktu). Untuk mengimplementasikan pemrosesan file PDF, satu file PDF dari setiap jenis file PDF baru harus diproses satu kali melalui Amazon Textract, yang kemudian menghasilkanTemplate file berformat JSON.

SetelahAWS Lambda fungsi dimulai diFase konsumsi, ia menjalankan langkah-langkah yang ditunjukkan pada diagram berikut.

AWS LambdaFungsi ini memanggil Amazon Textract untuk memproses file PDF, menggunakan fileTemplate JSON yang telah ditentukan sebelumnya, dan menerapkan aturan pasca-pemrosesan sebelum menyimpan output akhir dalam bucket S3.

Diagram menunjukkan fungsi Lambda yang mengimplementasikan langkah-langkah berikut:

  1. Memanggil Amazon Textract untuk memproses file PDF, mengekstrak konten, dan mengembalikan file berformat JSON.

  2. Mengambil file JSON dan mem-parsing formulir dan tabel dengan menggunakan fileTemplate JSON yang telah ditetapkan yang memiliki nama kunci yang benar dan jenis nilai untuk setiap bidang. Proses ini menyediakan file JSON diurai.

  3. Menerapkan aturan pasca-pemrosesan dan menggunakan fileTemplate JSON untuk memperbaiki setiap nilai dalam file JSON yang diurai. Ini menghasilkan fileFinal JSON. FileTemplate JSON yang telah ditetapkan dapat disimpan dalam bucket S3.

  4. Menyimpan fileFinal JSON di Amazon DynamoDB sebagai satu catatan untuk setiap file PDF, selain satu file JSON untuk setiap file PDF dalam bucket keluaran S3.

Untuk step-by-step alur kerja yang menggunakan Amazon Textract untuk secara otomatis mengekstrak konten dari file PDF dan memprosesnya menjadi output yang bersih, lihat polanya Secara otomatis mengekstrak konten dari file PDF menggunakan Amazon Textract di situs web PanduanAWS Preskriptif. Pola menggunakan teknik pencocokan template untuk mengidentifikasi dengan benar bidang yang diperlukan, nama kunci, dan tabel, dan kemudian menerapkan koreksi pasca-pemrosesan untuk setiap tipe data.

Praktik terbaik untuk fase pemrosesan

Gunakan empat praktik terbaik berikut untuk memastikan fase pemrosesan yang sukses:

  • Buat file JSON template untuk setiap jenis file PDF yang ingin Anda proses. Anda dapat menyimpan file JSON template yang berbeda ini dalam bucket S3 yang dipanggil oleh fungsi Lambda. Jika Anda ingin memproses jenis file PDF yang berbeda dalam satu fungsi Lambda, Anda harus menggunakan pengenal unik untuk setiap jenis file PDF (misalnya, nama folder jenis file PDF di bucket S3). Setelah fungsi Lambda dipanggil, ia mengambil file JSON template yang sesuai dan memprosesnya.

  • Siapkan mekanisme untuk melacak status setiap langkah secara akurat dalam fungsi Lambda. Misalnya, Anda dapat menambahkanSuccess status setelah panggilan Amazon Textract, saat file JSON terakhir disimpan ke tabel Amazon DynamoDB, atau saat file PDF disimpan ke bucket S3. Anda juga dapat membuat tabel DynamoDB terpisah untuk melacak status setiap file PDF dalam langkah-langkah yang berbeda, yang memberikan visibilitas ke dalam proses.

  • Kelola pelambatan dan koneksi yang terputus dengan mencoba ulang operasi yang gagal secara otomatis saat Anda memproses banyak file PDF secara batch. Pembatasan dapat terjadi di Amazon Textract jika koneksi Anda turun atau Anda melebihi jumlah maksimum Transaksi per detik (TPS). Untuk informasi selengkapnya dan langkah-langkah untuk mencoba kembali operasi yang gagal secara otomatis, lihat Menangani panggilan yang dibatasi dan menjatuhkan koneksi dalam dokumentasi Amazon Textract.

  • Jika Anda memiliki file PDF dengan beberapa halaman, Anda dapat menggunakan operasi asinkron untuk memproses seluruh file atau memecah file PDF menjadi satu halaman, menggunakan operasi sinkron untuk memproses setiap halaman, dan kemudian menggabungkan hasil setiap halaman. Untuk implementasi kode lengkap dari operasi asinkron, lihat Mendeteksi dan menganalisis teks dalam dokumen multihalaman dalam dokumentasi Amazon Textract. Untuk informasi selengkapnya tentang penggunaan operasi sinkron, lihat Mendeteksi dan menganalisis teks dalam dokumen satu halaman dalam dokumentasi Amazon Textract.