使用amazon-textract-response-parser解析S3多页输出报错求助

问题原因分析 #

• TRP要求传入的是单个或多个完整的Textract响应对象数组，当前代码错误地将每个S3输出文件解析为ApiAsyncJobOuputSucceded[]类型（数组），但实际上每个S3文件本身就是一个单独的ApiAsyncJobOuputSucceded对象（包含该分页的所有Blocks、元数据等）。
• 这种结构错误导致TRP在解析时无法正确关联Block之间的引用关系，从而抛出"Missing parser item for block ID"错误。

关键结论 #

1. Block ID一致性无需额外参数：Textract异步任务生成的S3输出中，Block ID是全局唯一且一致的，不存在参数遗漏导致的ID不一致问题。
2. 实例化TextractDocument无需特殊配置：只需确保传入的是格式正确的响应对象数组即可。
3. 不必依赖GetDocumentAnalysis的原始响应：S3输出文件和GetDocumentAnalysis分页返回的结构完全一致，只要正确收集格式就能被TRP解析。

修正后的代码示例 #

修改loadAllOutputFilesIntoTextractDocument函数，正确收集S3输出文件的响应对象：

function loadAllOutputFilesIntoTextractDocument({
  outputDir,
}: { outputDir: string; }) {
  // 读取目录下所有JSON文件，过滤掉无关文件
  const collectedResponses = readdirSync(outputDir)
    .filter(filePath => filePath.endsWith('.json') && !filePath.includes('.s3_access_check'))
    .map(filePath => 
      JSON.parse(readFileSync(`${outputDir}/${filePath}`, { encoding: "utf-8" })) as ApiAsyncJobOuputSucceded
    );

  // 将响应对象数组传入TextractDocument
  return new TextractDocument(collectedResponses as unknown as ApiResponsePage[]);
}

额外说明 #

• S3中每个输出文件对应一次GetDocumentAnalysisCommand分页请求的返回结果，因此直接将所有文件的内容收集为数组传入TRP即可，TRP会自动合并处理所有分页的Blocks。
• 如果仍有问题，可检查S3下载的文件是否完整，确保没有遗漏任何分页输出文件（除了.s3_access_check这类校验文件）。

内容的提问来源于stack exchange，提问作者glimmbo