Como usar o AWS Textract OCR para extrair texto e dados de documentos

Muitas empresas usam trabalhadores humanos para fazer a entrada manual de dados em formulários, aplicativos e outros documentos físicos. Embora seja muito preciso, é lento e caro. O AWS Textract usa aprendizado de máquina para automatizar esse processo.

Por que usar o AWS Textract?

O Textract certamente não é a única ferramenta de reconhecimento óptico de caracteres — existem muitas soluções de código aberto disponíveis gratuitamente, como o Tesseract OCR. Você pode ler nosso guia sobre como usar isso para saber mais.

O Textract, no entanto, é muito mais do que um simples OCR, uma vez que se destina a analisar e extrair dados de formulários, tabelas e outros documentos. É capaz de extrair importantes pares de valores-chave, tabelas e outras cadeias de caracteres, o que o torna realmente utilizável como uma interface entre documentos digitalizados e um banco de dados (embora você precise configurar essa automação ).

O outro atrativo é que o Textract disponibiliza OCR como um serviço de nuvem totalmente gerenciado. Você não precisa configurar seus próprios servidores de aplicativos para executar OCR e entender a saída; apenas configure o Textract e envie alguns documentos para ele, ele exibirá os resultados.

Para as empresas que ainda fazem a entrada manual de dados, o Textract pode economizar muito dinheiro, tanto nas horas de trabalho reduzidas gastas digitando em um teclado, quanto no fato de que pode processar em lote muitos itens de uma vez, aumentando a velocidade dos dados entrada imensamente.

Em termos de preço, Textract é mais barato para texto puro, como digitalizar páginas de livros. Para isso, custa apenas US $ 1,50 por 1000 páginas. Para a análise de tabelas, custa US $ 15,00 por 1000 páginas. Para pares de valores-chave, custa US $ 50,00 por 1000 páginas. Embora não seja exatamente de graça, é melhor do que pagar a um humano para fazer isso manualmente.

Textract é bastante preciso, mas se você estiver preocupado com a máquina fazendo algo errado, a AWS tem uma solução para isso também. Você pode configurar o Textract para usar o fluxo de trabalho Augmented AI da Amazon, que enviará resultados de baixa confiança automaticamente para análise humana.

Usando Textract

Vá para o Textract Management Console e clique em “ começar. ” Usando o console manualmente, você pode fazer upload de documentos usando o botão aqui:

Textract irá processá-lo imediatamente. Você verá rapidamente o que torna o Textract tão útil; ele sabia quais trechos de texto neste formulário W2 eram importantes, quais faziam parte de pares de valores-chave, quais faziam parte de tabelas e quais poderiam ser descartados.

À direita, você &’ encontrará a saída, que exibe todas as strings brutas encontradas, os pares de valores-chave e quaisquer tabelas de dados. Observe que eles não são mutuamente exclusivos, já que, neste caso, foram encontrados pares de valores-chave que também eram partes de tabelas.

Você pode fazer download dos resultados e encontrará um arquivo CSV com todas as tabelas e pares de valores-chave, bem como um arquivo de texto da saída de texto bruto.

Se você deseja automatizar o Textract, você &’ precisará usar o AWS CLI ou API. Textract tem seu próprio conjunto de comandos para trabalhar com ele a partir da linha de comando.

Você pode serializar o documento em bytes de documento codificado em base64 ou carregá-lo no S3 e fornecer ao Textract uma chave de onde encontrá-lo. Então, você pode usar analyse-document para iniciar um trabalho:

 aws textract analise-document --document '{"S3Object": {"Bucket": "bucket", "Name": "document"}}' - -feature-types '["TABLES", "FORMS"]' 

Esta é uma operação síncrona, mas você pode analisar de forma assíncrona iniciando um trabalho e, em seguida, buscando os resultados manualmente.

 aws textract get-document-analysis --job-id df7cf32ebbd2a5de113535fcf4d921926a701b09b4e7d089f3aebadb41e0712b --max-results 1000