使用Amazon Textract提取PDF：如何同时获取表格与段落原始文本？

可以通过调用Amazon Textract的AnalyzeDocument API并同时指定TABLES和LAYOUT两个特征类型，实现同时获取表格结构化内容与非表格段落文本的需求，具体实现步骤如下：

核心思路 #

AnalyzeDocument API在同时启用TABLES和LAYOUT特征时，返回的结果会包含两类数据：

• 表格相关块：包含TABLE、CELL、ROW等类型，保留表格的行列结构，每个单元格的完整文本可直接提取
• 布局相关块：包含PARAGRAPH、LINE等类型，对应文档中的非表格段落、文本行内容

具体实现步骤 #

1. 调用API时指定特征类型
   使用AWS SDK（以Python的boto3为例）调用AnalyzeDocument，明确传入FeatureTypes=["TABLES", "LAYOUT"]：

   import boto3
   
   def analyze_document(s3_bucket, s3_object):
       textract = boto3.client('textract')
       response = textract.analyze_document(
           Document={
               'S3Object': {
                   'Bucket': s3_bucket,
                   'Name': s3_object
               }
           },
           FeatureTypes=["TABLES", "LAYOUT"]
       )
       return response
   

2. 解析非表格段落内容
   从返回的Blocks数组中筛选BlockType为PARAGRAPH的块，直接提取Text字段即可得到完整的段落内容：

   def extract_paragraphs(response):
       paragraphs = []
       for block in response['Blocks']:
           if block['BlockType'] == 'PARAGRAPH':
               paragraphs.append(block['Text'])
       return paragraphs
   

3. 解析表格结构化内容
   遍历BlockType为TABLE的块，关联对应的CELL块，按行列组织单元格内容，还原表格结构：

   def extract_tables(response):
       tables = []
       for block in response['Blocks']:
           if block['BlockType'] == 'TABLE':
               table = []
               # 获取当前表格的所有单元格
               cells = [b for b in response['Blocks'] if 'Relationships' in b and any(r['Type'] == 'CHILD' and block['Id'] in r['Ids'] for r in b['Relationships'])]
               # 按行号和列号排序单元格
               cells_sorted = sorted(cells, key=lambda x: (x['RowIndex'], x['ColumnIndex']))
               # 按行组织表格内容
               current_row = []
               current_row_idx = None
               for cell in cells_sorted:
                   if cell['RowIndex'] != current_row_idx:
                       if current_row:
                           table.append(current_row)
                       current_row = [cell['Text']]
                       current_row_idx = cell['RowIndex']
                   else:
                       current_row.append(cell['Text'])
               if current_row:
                   table.append(current_row)
               tables.append(table)
       return tables
   

4. 整合内容（可选）
   如果需要保持原文档的内容顺序，可以通过块的Geometry坐标（比如BoundingBox的Top值）对所有段落和表格块进行排序，确保输出顺序与原文档一致。

关键说明 #

• 不要单独使用DetectDocumentText（仅提取纯文本，表格会被拆分行/词）或仅指定TABLES特征（丢失非表格内容），必须同时启用两个特征
• 解析时通过BlockType区分不同类型的内容，确保表格内容按单元格完整提取，段落内容直接获取

内容的提问来源于stack exchange，提问作者Barry