Используя Textract, как вы извлекаете таблицы из файла pdf и выводите их в файл csv с помощью .py script?

#python #amazon-web-services #text-extraction #amazon-textract

#python #amazon-веб-сервисы #извлечение текста #amazon-textract

Вопрос:

Я хочу использовать textract (через aws cli) для извлечения таблиц из файла pdf (расположенного в расположении s3) и экспортировать его в файл csv. Я пытался написать .py script, но мне трудно читать из файла. Любые предложения по написанию .py script приветствуются.

Это мой текущий скрипт. Я сталкиваюсь с ошибкой: File «extract-table.py «, строка 63, в get_table_csv_results bash: Файл: команда не найдена blocks=response[‘Блоки’] KeyError: ‘Блоки’

 import webbrowser, os
import json
import boto3
import io
from io import BytesIO
import sys
from pprint import pprint





def get_rows_columns_map(table_result, blocks_map):
rows = {}
for relationship in table_result['Relationships']:
    if relationship['Type'] == 'CHILD':
        for child_id in relationship['Ids']:
            cell = blocks_map[child_id]
            if cell['BlockType'] == 'CELL':
                row_index = cell['RowIndex']
                col_index = cell['ColumnIndex']
                if row_index not in rows:
                    # create new row
                    rows[row_index] = {}
                    
                # get the text value
                rows[row_index][col_index] = get_text(cell, blocks_map)
return rows
def get_text(result, blocks_map):
text = ''
if 'Relationships' in result:
    for relationship in result['Relationships']:
        if relationship['Type'] == 'CHILD':
            for child_id in relationship['Ids']:
                word = blocks_map[child_id]
                if word['BlockType'] == 'WORD':
                    text  = word['Text']   ' '
                if word['BlockType'] == 'SELECTION_ELEMENT':
                    if word['SelectionStatus'] =='SELECTED':
                        text  =  'X '    
def get_table_csv_results(file_name):



with open(file_name, 'rb') as file:
    img_test = file.read()
    bytes_test = bytearray(img_test)
    print('Image loaded', file_name)

# process using image bytes
# get the results
client = boto3.client('textract')

#Response
response = client.start_document_text_detection(
DocumentLocation={
    'S3Object': {
        'Bucket': s3BucketName,
        'Name': documentName
    }
})

# Get the text blocks
blocks=response['Blocks']
pprint(blocks)

blocks_map = {}
table_blocks = []
for block in blocks:
    blocks_map[block['Id']] = block
    if block['BlockType'] == "TABLE":
        table_blocks.append(block)

if len(table_blocks) <= 0:
    return "<b> NO Table FOUND </b>"

csv = ''
for index, table in enumerate(table_blocks):
    csv  = generate_table_csv(table, blocks_map, index  1)
    csv  = 'nn'

return csv
def generate_table_csv(table_result, blocks_map, table_index):
rows = get_rows_columns_map(table_result, blocks_map)



table_id = 'Table_'   str(table_index)

# get cells.
csv = 'Table: {0}nn'.format(table_id)

for row_index, cols in rows.items():
    
    for col_index, text in cols.items():
        csv  = '{}'.format(text)   ","
    csv  = 'n'
    
csv  = 'nnn'
return csv
def main(file_name):
table_csv = get_table_csv_results(file_name)

output_file = 'output.csv'

# replace content
with open(output_file, "wt") as fout:
    fout.write(table_csv)

# show the results
print('CSV OUTPUT FILE: ', output_file)


# Document
s3BucketName = "chrisyou.sagemi.com"
documentName = "DETAIL.pdf"
if __name__ == "__main__":
file_name = sys.argv[1]
main(file_name)
  

Ответ №1:

Существует гораздо более простой способ с использованием библиотеки Amazon Textractor Textractor. pip install amazon-textract-textractor

Это создаст csv для каждой таблицы в вашем документе pdf. например output_p0_t0.csv

 from textractor import Textractor

def extract_tables(s3_file_path, output_directory, s3_output_path):
    extractor = Textractor(profile_name="default")
    document = extractor.start_document_analysis(s3_file_path, textractor.data.constants.TextractFeatures.TABLES, s3_output_path)
    for j, page in enumerate(document.pages):
        for i, table in enumerate(document.tables):
            with open(output_directory f'/output_p{j}_t{i}.csv', 'w') as csv_file:
                csv_file.write(table.to_csv())
    return document
    
document = extract_tables('s3://<INPUT_FILE.PDF>', './<LOCAL_DIRECTORY_FOR_CSV>', 's3://<TEXTRACT_OUTPUT_DIRECTORY>')
  

Ответ №2:

Мне пришлось внести небольшие изменения в ответ @Thomas, импортировав профиль `

extractor = Textractor(profile_name="default") сразу после импорта Textractor, как показано ниже, чтобы избежать получения этой ошибки -> NameError: имя ‘textractor’ не определено.

     from textractor import Textractor
 extractor = Textractor(profile_name="default")

def extract_tables(s3_file_path, output_directory, s3_output_path):
   document = extractor.start_document_analysis(s3_file_path, textractor.data.constants.TextractFeatures.TABLES, s3_output_path)
    for j, page in enumerate(document.pages):
        for i, table in enumerate(document.tables):
            with open(output_directory f'/output_p{j}_t{i}.csv', 'w') as csv_file:
                csv_file.write(table.to_csv())
    return document
    
document = extract_tables('s3://<INPUT_FILE.PDF>', './<LOCAL_DIRECTORY_FOR_CSV>', 's3://<TEXTRACT_OUTPUT_DIRECTORY>')
  

Надеюсь, это кому-то поможет.