Textract-PrettyPrinter

提供函数，用于将Textract输出的内容格式化为更易于消费的格式，包括CSV或Markdown。amazon-textract-prettyprinter

安装

> python -m pip install amazon-textract-prettyprinter

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

示例

获取CSV格式的表和表单

from textractcaller.t_call import call_textract, Textract_Features
from textractprettyprinter.t_pretty_print import Pretty_Print_Table_Format, Textract_Pretty_Print, get_string

textract_json = call_textract(input_document=input_document, features=[Textract_Features.FORMS, Textract_Features.TABLES])
print(get_string(textract_json=textract_json,
               table_format=Pretty_Print_Table_Format.csv,
               output_type=[Textract_Pretty_Print.TABLES, Textract_Pretty_Print.FORMS]))

使用get_string方法获取表的字符串

from textractcaller.t_call import call_textract, Textract_Features
from textractprettyprinter.t_pretty_print import Textract_Pretty_Print, get_string

textract_json = call_textract(input_document=input_document, features=[Textract_Features.TABLES])
get_string(textract_json=textract_json, output_type=Textract_Pretty_Print.TABLES)

以LaTeX格式打印表格

from textractcaller.t_call import call_textract, Textract_Features
from textractprettyprinter.t_pretty_print import Textract_Pretty_Print, get_string

textract_json = call_textract(input_document=input_document, features=[Textract_Features.FORMS, Textract_Features.TABLES])
get_tables_string(textract_json=textract_json, table_format=Pretty_Print_Table_Format.latex)

使用get_text_from_layout_json方法从LAYOUT获取线性化文本

从包含LAYOUT的Textract JSON响应生成线性化文本的字典，并可选择将线性化纯文本文件写入本地文件系统或Amazon S3。它可以从AnalyzeDocument API的每页JSON，或从StartDocumentAnalysis输出JSON创建的所有页面的单个组合JSON中获取。

from textractcaller.t_call import call_textract, Textract_Features
from textractprettyprinter.t_pretty_print import get_text_from_layout_json

textract_json = call_textract(input_document=input_document, features=[Textract_Features.LAYOUT, Textract_Features.TABLES])
layout = get_text_from_layout_json(textract_json=textract_json)

full_text = layout[1]
print(full_text)

除了textract_json之外，get_text_from_layout_json函数还可以接受以下附加参数

• table_format（字符串，可选）：文档中表格的格式。支持所有python-tabulate表格格式。有关支持的表格格式，请参阅tabulate。默认为grid。
• exclude_figure_text（布尔值，可选）：如果设置为True，则排除文档中提取的图像文本。默认为False。
• exclude_page_header（布尔值，可选）：如果设置为True，则排除线性化文本中的页眉。默认为False。
• exclude_page_footer（布尔值，可选）：如果设置为True，则排除线性化文本中的页脚。默认为False。
• exclude_page_number（布尔值，可选）：如果设置为True，则排除线性化文本中的页码。默认为False。
• skip_table（布尔值，可选）：如果设置为True，则跳过在线性化文本中包含表格。默认为False。
• save_txt_path（字符串，可选）：保存输出线性化文本的文件路径。可以是本地文件系统路径或Amazon S3路径，格式为s3://bucket_name/prefix/。文件将以<page_number>.txt命名约定保存。
• generate_markdown（布尔值，可选）：如果设置为True，则生成Markdown格式的线性化文本。默认为False。

生成类似Textract Web控制台的layout.csv

客户要求生成layout.csv格式，该格式可以在AWS Web控制台测试文档时下载。方法`get_layout_csv_from_trp2`为每页生成一个条目列表

'页码,'布局,'文本,'阅读顺序,'置信度分数

• 页码：从1开始，每页递增
• 布局：BlockType + 表示此BlockType序列的数字（从1开始），对于LAYOUT_LIST元素，添加字符串：" - LAYOUT_LIST的一部分（索引）"
• 文本：对于LAYOUT_LIST和LAYOUT_FIGURE之外的所有布局，其基础文本
• 阅读顺序：每个LAYOUT元素的递增整数，从0开始
• 置信度分数：此为LAYOUT元素的置信度

这可以用来生成CSV（或其他格式）。以下是如何生成CSV的示例。

# taken from the test
# generates the CSV in memory
from textractprettyprinter import get_layout_csv_from_trp2

with open(<some_test_file>) as input_fp:
    trp2_doc: TDocument = TDocumentSchema().load(json.load(input_fp))
    layout_csv = get_layout_csv_from_trp2(trp2_doc)
    csv_output = io.StringIO()
    csv_writer = csv.writer(csv_output, delimiter=",", quotechar='"', quoting=csv.QUOTE_MINIMAL)
    for page in layout_csv:
        csv_writer.writerows(page)
    print(csv_output)

示例输出