使用trp包处理Textract输出时遭遇page['Blocks']键错误求助

核心原因 #

trp库的_parseDocumentPagesAndBlockMap函数依赖传入的文档结构包含顶级Pages数组字段，每个Page元素内有Blocks。而你的JSON是单页结构（直接在顶级节点下有Blocks），导致库初始化时self._responsePages为空或结构不匹配，遍历page['Blocks']时触发键错误。

验证步骤 #

确认你的JSON结构：

• 你的JSON结构（单页）：

  {
    "Blocks": [...],
    "DocumentMetadata": {...}
  }
  

• trp库期望的结构（多页/标准输出）：

  {
    "DocumentMetadata": {...},
    "Pages": [
      {"Blocks": [...]}
    ]
  }
  

修复方案 #

方案1：修改JSON结构后传入 #

加载JSON后，手动将单页Blocks包装为Pages数组结构：

import json
from trp import Document, TDocumentSchema

# 加载原始JSON（注意路径用r转义避免转义字符问题）
with open(r'C:\Users\user\Downloads\1.json', 'r') as file:
    data = json.load(file)

# 适配trp库的结构要求
if "Pages" not in data and "Blocks" in data:
    data = {"Pages": [{"Blocks": data["Blocks"]}]}

# 初始化trp Document
doc = Document(TDocumentSchema().dump(data))

方案2：直接构造trp的Page对象（可选） #

如果不想修改原始数据，也可以手动构造库需要的结构：

import json
from trp import Document, Page

# 加载原始数据
with open(r'C:\Users\user\Downloads\1.json', 'r') as file:
    data = json.load(file)

# 直接创建Page并传入Document
page = Page(data["Blocks"])
doc = Document([page])

额外检查 #

• 确认trp库版本：如果是旧版本，可能对单页结构兼容性差，尝试升级到最新版：

  pip install --upgrade amazon-textract-response-parser
  

内容的提问来源于stack exchange，提问作者dt_mrt