Fase de processamento do

O Amazon Textract extrai o conteúdo do arquivo PDF como cadeias de caracteres que não podem ser usadas diretamente por aplicativos posteriores (por exemplo, para gerar estatísticas agregando números). Valores de dados corretamente identificados e transformados são necessários porque podem ser usados com mais facilidade por seus aplicativos posteriores (por exemplo, para traçar tendências de custo como uma série temporal). Para implementar o processamento de arquivos PDF, um arquivo PDF de cada novo tipo de arquivo PDF deve ser processado uma vez por meio do Amazon Textract, que gera umTemplate arquivo em formato JSON.

Depois que aAWS Lambda função é iniciada noFase de ingestão de escala vertical, ela executa as etapas mostradas no diagrama a seguir.

O diagrama mostra a função Lambda implementando as seguintes etapas:

1. Chama o Amazon Textract para processar o arquivo PDF, extrair o conteúdo e retornar um arquivo formatado em JSON.

2. Pega o arquivo JSON e analisa formulários e tabelas usando um arquivoTemplate JSON predefinido que tem o nome de chave e o tipo de valor corretos para cada campo. Esse processo fornece um arquivo JSON analisado.

3. Aplica as regras de pós-processamento e usa o arquivoTemplate JSON para corrigir cada valor no arquivo JSON analisado. Isso produz o arquivoFinal JSON. O arquivoTemplate JSON predefinido pode ser armazenado no bucket do S3.

4. Armazena o arquivoFinal JSON no Amazon DynamoDB como um registro para cada arquivo PDF, além de um arquivo JSON para cada arquivo PDF em um bucket de saída do S3.

Para um step-by-step fluxo de trabalho que usa o Amazon Textract para extrair automaticamente conteúdo de arquivos PDF e processá-lo em uma saída limpa, consulte o padrão Extrair automaticamente conteúdo de arquivos PDF usando o Amazon Textract no site de OrientaçãoAWS Prescritiva. O padrão usa uma técnica de correspondência de modelos para identificar corretamente o campo, o nome da chave e as tabelas necessários e, em seguida, aplica as correções de pós-processamento a cada tipo de dados.

Práticas de Práticas de Práticas de processamento

Use as quatro melhores práticas a seguir para garantir uma fase de processamento bem-sucedida:

• Crie um arquivo JSON modelo para cada tipo de arquivo PDF que você deseja processar. Você pode armazenar esses diferentes arquivos JSON de modelo em um bucket do S3 chamado pela função Lambda. Se quiser processar diferentes tipos de arquivo PDF em uma função do Lambda, use um identificador exclusivo para cada tipo de arquivo PDF (por exemplo, o nome da pasta do tipo de arquivo PDF no bucket do S3). Depois que a função Lambda é invocada, ela recupera o arquivo JSON do modelo apropriado e o processa.

• Configure um mecanismo para rastrear com precisão o status de cada etapa na função Lambda. Por exemplo, você pode adicionarSuccess status para depois da chamada do Amazon Textract, quando o arquivo JSON final for salvo em uma tabela do Amazon DynamoDB ou quando os arquivos PDF forem salvos em um bucket do S3. Você também pode criar uma tabela separada do DynamoDB para rastrear o status de cada arquivo PDF nas diferentes etapas, o que fornece visibilidade do processo.

• Gerencie a limitação e a perda de conexões repetindo automaticamente as operações que falharam ao processar em lote muitos arquivos PDF. A limitação de escala vertical pode ocorrer no Amazon Textract se sua conexão cair ou se você exceder o número máximo de transações por segundo (TPS). Para obter mais informações e etapas para repetir automaticamente as operações que falharam, consulte Como lidar com chamadas limitadas e conexões perdidas na documentação do Amazon Textract.

• Se você tiver arquivos PDF com várias páginas, poderá usar uma operação assíncrona para processar o arquivo inteiro ou dividir o arquivo PDF em uma página individual, usar uma operação síncrona para processar cada página e combinar os resultados de cada página. Para uma implementação completa do código de uma operação assíncrona, consulte Detecção e análise de texto em documentos de várias páginas na documentação do Amazon Textract. Para obter mais informações sobre o uso de uma operação síncrona, consulte Detecção e análise de texto em documentos de página única na documentação do Amazon Textract.