python-3.x AWS Textract无法识别PDF文档第二页的表格

wd2eg0qa 于 2023-03-04 发布在 Python

关注(0)|答案(1)|浏览(131)

我需要使用AWS Textract从计费副本中提取表格信息。它每次都给我几乎完美的结果，但对于一些PDF文档，它没有给我第二页的表格结果。
使用的代码示例：第一页的AWS Official Documentation图像（JPEG）为

第二页的图像（JPEG）为

AWS将前20个条目输出为CSV，但对于图像的第二页，CSV的结果是：

最重要的是，我在类似类型的PDF中发现了相同的结果，该PDF有21个条目，其中一个条目位于PDF的第二页。我已经使用PyPDF2将PDF页面合并为一个页面，但没有解决我的问题。是否需要使用OpenCV工具？请针对这些类型的问题向我提出任何可能的建议。

python-3.x

来源：https://stackoverflow.com/questions/65611004/aws-textract-can-not-recognize-the-table-of-the-second-page-of-pdf-document

1条答案

按热度按时间

fnx2tebb1#

您可以使用amazon-textract-textractorpackage来简化Amazon Textract API的调用，它支持SYNC和ASYNC API。
例如，使用文档的第二页作为输入，您可以按如下方式使用它：

from textractor import Textractor
from textractor.data.constants import TextractFeatures
extractor = Textractor(profile_name="default")
document = extractor.analyze_document(
    file_source="./pxqKO.jpeg",
    features=[TextractFeatures.TABLES],
)
document.visualize()

我们看到检测到了两张table，现在我们可以将第一张table转换成Pandas：

document.tables[0].to_pandas()

然后关于合并第一页和第二页的表格的问题，你可以直接在panda中这样做，这里我在你的两个页面上运行推理，然后使用panda合并两个表格：

from textractor import Textractor
from textractor.data.constants import TextractFeatures
extractor = Textractor(profile_name="default")
document1 = extractor.analyze_document(
    file_source="./yXYjr.jpeg",
    features=[TextractFeatures.TABLES],
)
document2 = extractor.analyze_document(
    file_source="./pxqKO.jpeg",
    features=[TextractFeatures.TABLES],
)

table1 = document1.tables[0].to_pandas(use_columns=True)
table2 = document2.tables[0].to_pandas()
table2.columns = table1.columns
table_final =table1.append(table2)
table_final = table_final.reset_index(drop=True)
table_final