AWS Textract仅返回PDF前4页数据问题求助

一、代码层面可能的问题 #

• 分页参数设置错误：如果调用异步分析接口StartDocumentAnalysis时，手动指定了Pages参数为[1,2,3,4]这类范围，会直接限制提取的页码范围。
• 结果获取逻辑缺失：调用GetDocumentAnalysis获取结果时，若未循环处理NextToken参数，仅获取第一批次结果，可能刚好对应前4页数据。Textract会将大结果拆分返回，必须循环调用直到NextToken为空才能拿到完整数据。
• 文档上传不完整：通过S3上传PDF时，若上传过程中断导致文件截断，Textract实际处理的是不完整文件，可能提前终止提取。

二、服务或文档本身的原因 #

• PDF页面异常：第5页及之后的页面可能存在格式问题，比如加密、损坏、包含超大尺寸元素（高清图片、复杂矢量图），导致Textract处理时中断。可将PDF拆分为单页，单独测试后续页面是否能正常提取。
• 服务侧临时异常：极少数情况下，对应AWS区域的Textract服务可能出现临时故障，导致任务未执行完成。可重新提交任务，或切换到其他AWS区域测试。
• 日志未排查：未查看CloudWatch日志中的错误信息，Textract在处理失败时会输出具体原因，比如某页解析错误，可直接定位问题。

排查步骤 #

1. 核对StartDocumentAnalysis请求参数，确认未错误限制Pages范围。
2. 检查结果获取代码，确保循环调用GetDocumentAnalysis直至NextToken为空，并合并所有批次结果。
3. 验证本地PDF完整性，确认第5页及之后页面可正常打开，重新上传后重试任务。
4. 查看AWS CloudWatch中Textract相关日志组，提取错误信息定位具体问题。

内容的提问来源于stack exchange，提问作者Óscar