処理フェーズ

Amazon Textract は PDF ファイルのコンテンツを、ダウンストリームアプリケーションで直接使用できない文字列として抽出します (たとえば、数値を集計して統計を生成）。ダウンストリームアプリケーションでより簡単に使用できるため (たとえば、コスト傾向を時系列としてプロットするため）、正しく識別および変換されたデータ値が必要です。PDF ファイル処理を実装するには、新しい PDF ファイルタイプごとに 1 つの PDF ファイルを Amazon Textract を介して 1 回処理し、JSON 形式のTemplateファイルを生成する必要があります。

AWS Lambda 関数が で開始されると取り込みフェーズ、次の図に示すステップが実行されます。

この図は、次の手順を実装する Lambda 関数を示しています。

1. Amazon Textract を呼び出して PDF ファイルを処理し、コンテンツを抽出して、JSON 形式のファイルを返します。

2. JSON ファイルを取得し、各フィールドに正しいキー名と値タイプを持つ事前定義された Template JSON ファイルを使用してフォームとテーブルを解析します。このプロセスでは、解析された JSON ファイルが提供されます。

3. 後処理ルールを適用し、JSON ファイルを使用して解析された Template JSON ファイルの各値を修正します。これによりFinal、JSON ファイルが生成されます。事前定義された JSON Template ファイルは S3 バケットに保存できます。

4. S3 出力バケット内の PDF ファイルごとに Final 1 つの JSON ファイルに加えて、JSON ファイルを各 PDF ファイルに 1 つのレコードとして Amazon DynamoDB に保存します。

Amazon Textract を使用して PDF ファイルからコンテンツを自動的に抽出し、クリーンな出力に加工するstep-by-stepのワークフローについては、 AWS 「規範ガイダンス」ウェブサイトの「Amazon Textract を使用して PDF ファイルからコンテンツを自動的に抽出する」のパターンを参照してください。このパターンでは、テンプレートマッチング技術を使用して必要なフィールド、キー名、テーブルを正しく識別し、各データタイプに後処理による修正を適用します。

処理フェーズのベストプラクティス

次の 4 つのベストプラクティスを使用して、処理フェーズを確実に成功させます。

• 処理する PDF ファイルタイプごとにテンプレート JSON ファイルを作成します。これらのさまざまなテンプレート JSON ファイルは、Lambda 関数によって呼び出される S3 バケットに保存できます。1 つの Lambda 関数で異なる PDF ファイルタイプを処理する場合は、PDF ファイルタイプごとに一意の識別子 (S3 バケット内の PDF ファイルタイプのフォルダ名など) を使用する必要があります。Lambda 関数が呼び出されると、適切なテンプレート JSON ファイルを取得して処理します。

• Lambda 関数の各ステップのステータスを正確に追跡するメカニズムを設定します。例えば、Amazon Textract 呼び出しの後、最終的な JSON ファイルが Amazon DynamoDB テーブルに保存されたとき、または PDF ファイルが S3 バケットに保存されたときに、 Successのステータスを追加できます。個別の DynamoDB テーブルを作成して、さまざまなステップの各 PDF ファイルのステータスを追跡することもできます。これにより、プロセスが可視化されます。

• 多数の PDF ファイルをバッチ処理するときに、失敗したオペレーションを自動的に再試行することで、スロットリングと削除された接続を管理します。接続が切断された場合、または 1 秒あたりのトランザクション (TPS) の最大数を超えた場合、Amazon Textract でスロットリングが発生する可能性があります。失敗したオペレーションを自動的に再試行する詳細と手順については、Amazon Textract ドキュメントの「スロットリングされた呼び出しとドロップされた接続の処理」を参照してください。

• 複数のページを含む PDF ファイルがある場合は、非同期オペレーションを使用してファイル全体を処理するか、PDF ファイルを個々のページに分割し、同期オペレーションを使用して各ページを処理し、各ページの結果を組み合わせることができます。非同期オペレーションの完全なコード実装については、Amazon Textract ドキュメントの「複数ページのドキュメント内のテキストの検出と分析」を参照してください。同期オペレーションの使用の詳細については、Amazon Textract ドキュメントの「単一ページのドキュメント内のテキストの検出と分析」を参照してください。