如何从Amazon Textract中获取字符级数据（含单个单词的字符坐标）？

当然可以拿到字符级的坐标和数据啦！Amazon Textract其实早就支持这个能力，只是得用对方法并正确解析返回结果～

核心步骤说明 #

1. 调用正确的API并配置参数 #

别只用基础的DetectDocumentText（它默认只返回行和单词级数据），改用AnalyzeDocument API，并且指定FeatureTypes参数包含"FORMS"或"TABLES"——这会触发Textract返回更细粒度的字符级信息。

2. 解析响应中的字符数据 #

Textract的响应是一个包含多个Blocks的数组，每个块都有明确的BlockType标识：

• 先筛选出BlockType为"WORD"的块，每个单词块的Relationships字段里会有CHILD类型的关联，指向组成这个单词的所有字符块。
• 每个字符块（BlockType为"CHARACTER"）里：
  • Text字段就是单个字符内容
  • Geometry字段包含两种坐标格式：
    • BoundingBox：相对文档尺寸的百分比坐标（比如Top: 0.2表示距离文档顶部20%的位置）
    • Polygon：由四个坐标点组成的数组，对应字符区域的四个角，是绝对像素级的精确位置

简单代码示例（Python） #

import boto3

def extract_characters_with_coords(document_file_path):
    # 初始化Textract客户端
    textract_client = boto3.client('textract')
    
    # 读取本地文档并调用API
    with open(document_file_path, 'rb') as doc_file:
        api_response = textract_client.analyze_document(
            Document={'Bytes': doc_file.read()},
            FeatureTypes=['FORMS']  # 选FORMS或TABLES都能触发字符级返回
        )
    
    character_list = []
    # 先收集所有单词块
    word_blocks = [block for block in api_response['Blocks'] if block['BlockType'] == 'WORD']
    
    for word_block in word_blocks:
        # 检查该单词是否有子字符块的关联
        if 'Relationships' in word_block:
            for relationship in word_block['Relationships']:
                if relationship['Type'] == 'CHILD':
                    # 遍历所有字符块ID，找到对应的字符数据
                    for char_block_id in relationship['Ids']:
                        char_block = next(block for block in api_response['Blocks'] if block['Id'] == char_block_id)
                        if char_block['BlockType'] == 'CHARACTER':
                            character_info = {
                                'char': char_block['Text'],
                                'relative_bounding_box': char_block['Geometry']['BoundingBox'],
                                'absolute_polygon': char_block['Geometry']['Polygon']
                            }
                            character_list.append(character_info)
    return character_list

# 使用示例
char_data = extract_characters_with_coords("your_input_image.png")
for item in char_data:
    print(f"字符: {item['char']}, 相对位置: {item['relative_bounding_box']}")

额外注意事项 #

• 坐标单位：BoundingBox是百分比相对值，适合适配不同尺寸的文档；Polygon是绝对像素值，适合需要精确位置的场景。
• PDF处理：如果是处理PDF文档，Textract会按页返回结果，你需要遍历api_response['Blocks']中每个页面的内容（可以通过BlockType为"PAGE"的块来区分）。
• 权限配置：确保你的IAM角色拥有textract:AnalyzeDocument的权限，避免调用API时出现权限错误。

内容的提问来源于stack exchange，提问作者N00b_Geek