Textract-Pipeline-GeoFinder

提供使用几何信息提取信息的功能。

用例包括

• 为Amazon Textract AnalyzeDocument API的FORMS功能提供键值对上下文
• 在特定区域查找值

安装

> python -m pip install amazon-textract-geofinder

请确保您的环境通过配置文件、环境变量或附加的角色设置了AWS凭证。（https://docs.aws.amazon.com/cli/latest/userguide/cli-chap-configure.html）

概念

使用此库在文档中根据几何形状查找信息时，与定义预期的值所在位置的x,y坐标相比，主要优势是区域的概念。

一个区域最终由一个包含x_min、y_min、x_max、y_max坐标的框定义，但也可以通过在文档中查找单词/短语来定义，然后使用这些单词/短语创建区域。

从那里，解析区域中信息的函数有助于提取信息。例如，通过根据问题“你最近有没有感觉到发烧或发热？”定义区域，我们可以将其答案与之关联，并创建一个针对此问题的特定键值对。

示例

获取键值对的上下文

示例图像

带有FORMS功能的Amazon Textract AnalyzeDocument API返回以下键

但是，哪个文档部分包含各个键的信息并不明显。大多数键出现多次，我们希望为它们提供上下文，将它们与“患者”、“紧急联系人1”、“紧急联系人2”或特定问题关联起来。

这个Jupyter笔记本通过示例进行指导：示例笔记本。确保在本地启动笔记本时设置AWS凭证，或使用包括Amazon Textract权限的角色SageMaker笔记本。

此代码片段来自笔记本。

python -m pip install amazon-textract-helper amazon-textract-geofinder

from textractgeofinder.ocrdb import AreaSelection
from textractgeofinder.tgeofinder import KeyValue, TGeoFinder, AreaSelection, SelectionElement
from textractprettyprinter.t_pretty_print import get_forms_string
from textractcaller import call_textract
from textractcaller.t_call import Textract_Features

import trp.trp2 as t2

image_filename='./tests/data/patient_intake_form_sample.jpg'

j = call_textract(input_document=image_filename, features=[Textract_Features.FORMS])


t_document = t2.TDocumentSchema().load(j)
doc_height = 1000
doc_width = 1000
geofinder_doc = TGeoFinder(j, doc_height=doc_height, doc_width=doc_width)

def set_hierarchy_kv(list_kv: list[KeyValue], t_document: t2.TDocument, page_block: t2.TBlock, prefix="BORROWER"):
    for x in list_kv:
        t_document.add_virtual_key_for_existing_key(key_name=f"{prefix}_{x.key.text}",
                                                    existing_key=t_document.get_block_by_id(x.key.id),
                                                    page_block=page_block)
# patient information
patient_information = geofinder_doc.find_phrase_on_page("patient information")[0]
emergency_contact_1 = geofinder_doc.find_phrase_on_page("emergency contact 1:", min_textdistance=0.99)[0]
top_left = t2.TPoint(y=patient_information.ymax, x=0)
lower_right = t2.TPoint(y=emergency_contact_1.ymin, x=doc_width)
form_fields = geofinder_doc.get_form_fields_in_area(
    area_selection=AreaSelection(top_left=top_left, lower_right=lower_right))
set_hierarchy_kv(list_kv=form_fields, t_document=t_document, prefix='PATIENT', page_block=t_document.pages[0])

set_hierarchy_kv(list_kv=form_fields, t_document=t_document, prefix='PATIENT', page_block=t_document.pages[0])

print(get_forms_string(t2.TDocumentSchema().dump(t_document)))

使用带有示例的Amazon Textact Helper命令行工具

这将显示完整的输出，就像笔记本一样。

> python -m pip install amazon-textract-helper amazon-textract-geofinder
> cat tests/data/patient_intake_form_sample.json| bin/amazon-textract-geofinder | amazon-textract --stdin --pretty-print FORMS