Linhas e palavras do texto

O texto detectado que é retornado pelas operações do Amazon Textract é retornado em uma lista de objetos Block. Esses objetos representam linhas de texto ou palavras textuais que são detectadas em uma página do documento. O texto a seguir mostra duas linhas de texto feitas de várias palavras.

Isso é texto.

Em duas linhas separadas.

O texto detectado é retornado no Text campo de um Block objeto. O BlockType campo determina se o texto é uma linha de texto (LINHA) ou uma palavra (PALAVRA). Uma PALAVRA é um ou mais caracteres de escrita latina básica ISO que não são separados por espaços. UMA LINHA é uma sequência de palavras contíguas e delimitadas por tabulação.

Além disso, o Amazon Textract determinará se uma parte do texto foi manuscrita ou impressa usando o campo. TextTypes Eles retornam como ESCRITA À MÃO e IMPRESSOS, respectivamente.

As outras Block propriedades são comuns a todos os tipos de blocos, como informações de ID, confiança e geometria. Para obter mais informações, consulte Objetos de resposta para detecção de texto e análise de documentos.

Para detectar somente linhas e palavras, você pode usar DetectDocumentTextou StartDocumentTextDetection. Para obter mais informações, consulte Detectar texto. Para obter o texto detectado (linhas e palavras) e informações sobre como ele se relaciona com outras partes do documento, como tabelas, você pode usar AnalyzeDocumentou StartDocumentAnalysis. Para obter mais informações, consulte Analisando documentos.

PAGE,LINE, e os WORD blocos estão relacionados entre si em um relacionamento de pai para filho. Um PAGE bloco é o pai de todos os objetos de LINE bloco em uma página do documento. Como uma LINHA pode ter uma ou mais palavras, a Relationships matriz de um bloco LINHA armazena as IDs dos blocos de palavras secundários que compõem a linha de texto.

O diagrama a seguir mostra como é a linha Hello, world. no texto Olá, mundo. Como você está é representado por Block objetos.

A seguir está a saída JSON de DetectDocumentText quando a frase Hello, world. Como você está é detectado. O primeiro exemplo é o JSON da página do documento. Você pode usar os IDs CHILD para navegar pelo 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"
},

A seguir está o JSON dos blocos LINE que compõem a linha “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"
},

A seguir está o JSON do bloco WORD para a palavra Hello,:

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

O JSON final é o bloco WORD para o mundo das palavras. :

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