处理阶段

Amazon Textract 将 PDF 文件内容提取为不能由下游应用程序直接使用的字符串（例如，通过汇总数字生成统计数据）。需要正确识别和转换数据值，因为下游应用程序可以更轻松地使用它们（例如，将成本趋势绘制为时间序列）。要实现 PDF 文件处理，必须通过 Amazon Textract 对每种新 PDF 文件类型中的一个 PDF 文件进行一次性处理，然后生成一个 JS Template ON 格式的文件。

在中启动该 AWS Lambda 函数后摄取阶段，它将按下图所示的步骤运行。

该图显示了实现以下步骤的 Lambda 函数：

1. 调用 Amazon Textract 处理 PDF 文件，提取内容并返回 JSON 格式的文件。

2. 获取 JSON 文件并使用预定义的 Template JSON 文件解析表单和表格，该文件对每个字段都有正确的键名和值类型。此过程提供已解析的 JSON 文件。

3. 应用后处理规则并使用 Template JSON 文件更正已解析的 JSON 文件中的每个值。这将生成 Final JSON 文件。预定义的 Template JSON 文件可以存储在 S3 存储桶中。

4. 在 Amazon DynamoDB 中将 JSO Final N 文件存储为每个 PDF 文件的一条记录，此外还在 S3 输出存储桶中为每个 PDF 文件存储一个 JSON 文件。

有关使用 Amazon Textract 自动从 PDF 文件中提取内容并将其处理成干净输出 step-by-step的工作流程，请参阅规范指南网站上的 “使用 Amazon Textract 自动从 PDF 文件中提取内容 AWS ” 模式。此模式使用模板匹配技术正确识别必填字段、密钥名称和表，然后对每种数据类型进行后期处理更正。

处理阶段的最佳实践

使用以下四种最佳实践来确保成功完成处理阶段：

• 为您要处理的每种 PDF 文件类型创建一个模板 JSON 文件。您可以将这些不同的模板 JSON 文件存储在 Lambda 函数调用的 S3 存储桶中。如果您想在一个 Lambda 函数中处理不同的 PDF 文件类型，则应为每种 PDF 文件类型使用唯一标识符（例如，S3 存储桶中 PDF 文件类型的文件夹名称）。调用 Lambda 函数后，它会检索相应的模板 JSON 文件并对其进行处理。

• 设置一种机制来准确跟踪 Lambda 函数中每个步骤的状态。例如，您可以在 Amazon Textract 调Success用之后、将最终 JSON 文件保存到亚马逊 DynamoDB 表或 PDF 文件保存到 S3 存储桶时添加状态。您还可以创建单独的 DynamoDB 表，以跟踪不同步骤中每个 PDF 文件的状态，从而了解流程。

• 批处理许多 PDF 文件时，通过自动重试失败的操作来管理限制和断开的连接。如果您的连接中断或超过了每秒最大交易量 (TPS)，Amazon Textract 中可能会出现限制。有关自动重试失败操作的更多信息和步骤，请参阅 Amazon Tex tract 文档中的处理受限制的呼叫和断开的连接。

• 如果您的 PDF 文件包含多个页面，则可以使用异步操作来处理整个文件，也可以将 PDF 文件分解为单独的页面，使用同步操作处理每个页面，然后合并每个页面的结果。有关异步操作的完整代码实现，请参阅 Amazon Textract 文档中的检测和分析多页文档中的文本。有关使用同步操作的更多信息，请参阅 Amazon Textract 文档中的检测和分析单页文档中的文本。