使用Textract order_blocks_by_geo 遇到错误

Question

【以下的问题经过翻译处理】 你好。我正在使用亚马逊文本提取（Amazon Textract）尝试从PDF文件中提取临床数据。具体来说，我正在使用Python，使用“order\_blocks\_by\_geo”（来自trp.t\_pipeline）进行实验。我注意到当提取的文本分为两个批次（需要使用get\_document\_text\_detection的“NextToken”）时，“order\_blocks\_by\_geo”将无法从PAGE块中的关系中找到特定的LINE块；这种情况下，我会得到一个“无块ID：xxxxxx”值错误，其中xxxxx是子LINE块的ID。当数据可以在get\_document\_text\_detection请求中分开，而父页面块在一个响应中，相关的子LINE块在另一个响应中时，我应该如何向order\_blocks\_by\_geo呈现数据，使其具有所有必要的关系？在我的情况下，我有一个小的10页PDF跨越两个批次，其中页面块在第一个批次中，而子LINE块在第二个批次中（使用NextToken）。如果我发送了一个数千页的大型PDF会发生什么？谢谢您对此问题的关注。

Answer

【以下的回答经过翻译处理】 当你处理分页响应时，你需要先抓取整个 JSON 并将其组合起来。

为了获得完整的 JSON，请查看 Textract Caller () 和 get\_full\_json 方法 (）。

对于较少数量的页面和作业，它们工作正常，但它们会针对 Textract Get\* API 进行轮询。
对于大量页面和多个并发作业，请在 SNS 通知后传入 OutputConfig 和 get\_full\_json\_from\_output\_config，否则您可能会在 Textract Get\* 调用中受到限制。

使用完整的 JSON，order\_blocks\_by\_geo 应该可以正常工作。

对于具有数千页的大型 PDF，内存消耗会很高（根据我的经验，Python 消耗的 RAM 是文件在磁盘上消耗的 RAM 的 5 倍...），因此请确保您有足够的可用 RAM。

使用Textract order_blocks_by_geo 遇到错误

Contenido relevante