加化階段

Amazon Textract 會將 PDF 檔案內容擷取為字串，下游應用程式無法直接使用這些字串 (例如，透過彙總數字來產生統計資料)。需要正確識別和轉換的資料值，因為下游應用程式可以更輕鬆地使用這些值 (例如，將成本趨勢繪製為時間序列)。若要實作 PDF 檔案處理，每個新 PDF 檔案類型中的一個 PDF 檔案必須透過 Amazon Textract 進行一次性處理，然後產生 JSON 格式的Template檔案。

在中啟動AWS Lambda函數之後擷取階段，它會執行下圖所示的步驟。

下圖顯示實作下列步驟的 Lambda 函數：

1. 呼叫 Amazon Textract 提取來處理 PDF 文件，提取內容，並返回 JSON 格式的文件。

2. 取得 JSON 檔案，並使用預先定義的Template JSON 檔案 (其中每個欄位都有正確的索引鍵名稱和值類型) 來剖析表單和表格。這個過程提供了一個解析的 JSON 文件。

3. 套用後處理規則，並使用Template JSON 檔案來更正剖析的 JSON 檔案中的每個值。這會產生Final JSON 檔案。預化的Template JSON 檔可以存放在 S3 儲存貯體中。

4. 將Final JSON 檔案作為每個 PDF 檔案的一筆記錄存放在 Amazon DynamoDB 中，以及 S3 輸出儲存貯體中的每個 PDF 檔案都有一個 JSON 檔案。

如需使用 Amazon Textract 自動從 PDF 檔案擷取內容並將其處理為全新輸出的 step-by-step 工作流程，請參閱AWS規定指導網站上的使用 Amazon Textract 自動從 PDF 檔案擷取內容的模式。此樣式使用範本比對技術來正確識別必要欄位、索引鍵名稱和表格，然後將後處理校正套用至每個資料類型。

處理階段

請使用下列四個最佳作法來確保處理階段成功：

• 為您要處理的每個 PDF 檔案類型建立範本 JSON 檔案。您可以將這些不同的範本 JSON 檔案存放在由 Lambda 函數呼叫的 S3 儲存貯體中。如果您想要在一個 Lambda 函數中處理不同的 PDF 檔案類型，則應為每個 PDF 檔案類型使用唯一識別碼 (例如，S3 儲存貯體中 PDF 檔案類型的資料夾名稱)。叫用 Lambda 函數之後，它會擷取適當的範本 JSON 檔案並加以處理。

• 設定機制以精確追蹤 Lambda 函數中每個步驟的狀態。例如，您可以在 Amazon 文字擷取呼叫後、將最終 JSON 檔案儲存至 Amazon DynamoDB 表格時，或將 PDF 檔案儲存至 S3 儲存貯體時，新增Success狀態。您也可以建立個別的 DynamoDB 表格，以透過不同步驟追蹤每個 PDF 檔案的狀態，從而提供流程的可見度。

• 當您批次處理許多 PDF 檔案時，會自動重試失敗的作業，以管理節流和中斷的連線。如果您的連線中斷或超過每秒最大交易數 (TPS)，Amazon Textract 可能會發生節流。如需自動重試失敗操作的詳細資訊和步驟，請參閱 Amazon Textract 文件中的處理限制呼叫和中斷連線。

• 如果您有多個頁面的 PDF 檔案，您可以使用非同步作業來處理整個檔案，或將 PDF 檔案分解為個別頁面、使用同步作業來處理每個頁面，然後合併每個頁面的結果。如需非同步作業的完整程式碼實作，請參閱 Amazon Textract 文件中的偵測和分析多頁文件中的文字。如需有關使用同步操作的詳細資訊，請參閱 Amazon Textract 文件中的偵測和分析單頁文件中的文字。