Amazon Textract调用时如何选择Raw Text选项提取原始文本

根本原因 #

• 你当前调用的analyzeDocument是Amazon Textract的结构化分析接口，要求必须传入TABLES/FORMS等合法FeatureType参数，本身不支持纯原始文本提取的需求
• 控制台的Raw Text提取功能对应Textract的专用文本检测接口detectDocumentText，无需配置FeatureTypes参数，直接返回全页原始文本、行、单词三级识别结果

修正后的代码示例 #

const params = {
    Document: {
        Bytes: Buffer.from(fileData)
    }
    // 无需传入FeatureTypes参数
};
const textract = new AWS.Textract({
    region: awsConfig.awsRegion,
    accessKeyId: awsConfig.awsAccesskeyID,
    secretAccessKey: awsConfig.awsSecretAccessKey
})
// 调用detectDocumentText而非analyzeDocument
textract.detectDocumentText(params, (err, data) => {
    console.log(err, data)
    if (err) {
        return resolve(err)
    } else {
        resolve(data)
    }
})

补充说明 #

• 从成本角度考虑，detectDocumentText的计费标准远低于带FeatureType参数的analyzeDocument接口，更适合纯原始文本提取场景
• 返回结果中Blocks数组类型为LINE的元素即为按行拆分的原始文本，类型为WORD的元素为拆分后的单个单词，直接提取对应Text字段即可获得识别结果

内容的提问来源于stack exchange，提问作者Robert