Amazon Textractで単一ページのPDFファイルを同期処理出来るようになりました

#Amazon Textract

#AWS

いわさ

2022.01.31

この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。

いわさです。

Amazon TextractではPDFや画像からのドキュメント解析を行いテキスト抽出からテーブル、フォームの抽出まで行うことが出来ます。
そして、Textractの解析処理モードには同期モードと非同期モードがあります。

同期モードではファイルのバイナリまたは格納先のS3バケットを使って、レスポンスですぐに分析結果を取得することが出来ます。
一方で、非同期モードではS3バケットに格納したファイルを解析し、分析が完了するまで定期的に確認するか、あるいはSNSトピックで完了の通知を受け取る必要があります。

これまで、同期モードではPDFを扱うことが出来ませんでした。
同期モードPDFファイルを解析するためには、事前にPDFファイルをPNGまたはJPEG形式に変換して、同期モードを使う必要がありました。

今回のアップデートで、単一ページのPDFファイルについてはファイル形式を変換せずに同期モードで処理出来るようになりました。

対象の同期API

AWS CLIのドキュメント上は、まだPNGまたはJPEG形式の必要があるという記述になっていますが、PDFのBase64バイナリデータを処理できるようになっています。

ためしてみる

単一ページのPDF

macOSのテキストエディットアプリケーションで単純なPDFファイルを作成し、AWS CLIでDetectDocumentTextを使ってみます。

detect-document-textサブコマンドのdocumentオプションにPDFバイナリデータのBase64エンコードデータを指定します。

iwasa.takahito@hoge 20220131textract % base64 -i hoge.pdf 
JVBERi0xLjMKJcTl8uXrp/Og0MT ... Dttx/x7T7rxUM

iwasa.takahito@hoge 20220131textract % aws textract detect-document-text --region us-east-1 --document Bytes=<上記のBase64文字列>
{
    "DocumentMetadata": {
        "Pages": 1
    },
    "Blocks": [
        ...
        {
            "BlockType": "WORD",
            "Confidence": 98.9758071899414,
            "Text": "Testiwasa",
            "TextType": "PRINTED",
            "Geometry": {
                "BoundingBox": {
                    "Width": 0.0891358032822609,
                    "Height": 0.012719232589006424,
                    "Left": 0.12797260284423828,
                    "Top": 0.08702042698860168
                },
                "Polygon": [
                    {
                        ...
                    }
                ]
            },
            "Id": "6397604b-db4f-40fd-bc8f-d9b742dc1d0a"
        },
        {
            "BlockType": "WORD",
            "Confidence": 99.72116088867188,
            "Text": "Hogehoge",
            "TextType": "PRINTED",
            "Geometry": {
                "BoundingBox": {
                    "Width": 0.09071356803178787,
                    "Height": 0.015643108636140823,
                    "Left": 0.1291443556547165,
                    "Top": 0.10328111052513123
                },
                "Polygon": [
                    {
                        ...
                    }
                ]
            },
            "Id": "c6a7da65-0b25-4f34-bf51-2a7f7fb86b84"
        }
    ],
    "DetectDocumentTextModelVersion": "1.0"
}

そのままPDFのデータからドキュメント抽出結果が取得出来ていますね。