Асинхронные операции AWS Textract – из внешнего хранения документов?

Вопрос или проблема

Ответ или решение

Да, вы правы в том, что для работы с многопстраничными PDF-документами в рамках AWS Textract вы можете использовать асинхронный метод StartDocumentTextDetection. Однако, как вы правильно заметили, этот метод требует, чтобы документ находился в хранилище S3 AWS.

К сожалению, Textract не поддерживает передачу байтовых массивов (byte array) напрямую из внешних хранилищ или локальных файлов. Таким образом, вам необходимо сначала загрузить ваш документ в S3. Вот пошаговый процесс, который вы можете использовать:

1. Загрузка документа в S3: Создайте бакет (если он еще не создан) в Amazon S3 и загрузите ваш документ (PDF или изображение) в этот бакет. Вы можете использовать AWS SDK для вашего программного языка для выполнения этой операции. Например, с помощью AWS SDK для Python (Boto3) вы можете загрузить файл следующим образом:

   import boto3
   
   s3_client = boto3.client('s3')
   bucket_name = 'ваш_идентификатор_бакета'
   file_name = 'ваш_файл.pdf'
   
   # Загрузка файла
   s3_client.upload_file(file_name, bucket_name, file_name)

2. Вызов Textract: После того как ваш документ находится в S3, вы можете вызвать метод StartDocumentTextDetection, указав ARN (Amazon Resource Name) документа, который теперь хранится в S3:

   textract_client = boto3.client('textract')
   
   response = textract_client.start_document_text_detection(
      DocumentLocation={
          'S3Object': {
              'Bucket': bucket_name,
              'Name': file_name
          }
      }
   )

3. Отслеживание статуса обработки: Запрос вернет вам JobId, который вы можете использовать для отслеживания статуса обработки. Вам нужно будет периодически проверять статус работы с помощью метода GetDocumentTextDetection, передавая JobId.

4. Получение результатов: После того как работа будет завершена, вы сможете получить результаты, используя тот же метод GetDocumentTextDetection.

5. Очистка: После завершения обработки, если вам больше не нужны загруженные файлы в S3, вы можете удалить их, чтобы избежать дополнительных расходов.

Таким образом, процесс предполагает, что вам нужно сначала перенести документы из внешнего источника в AWS S3, а затем взаимодействовать с Textract для обработки этих документов. Если вы будете использовать данный подход, у вас не возникнет проблем с извлечением текста из многопстраничных PDF-документов.