AWS Textractでテキスト抽出やーる（Python3.6）

はじめに

AWS Textractで画像からテキスト抽出をやってみました

開発環境

• Windows 10
• Anaconda
• Python 3.6
• OpenCV 4.4.0
• awscli v2

導入

1．awscliをインストールします
Windows での AWS CLI バージョン 2 のインストール、更新、アンインストールを参考にAWSCLIV2.msiをインストールします

2．AWSコンソールからIAMでアクセスキーを生成します

3．コマンドプロンプトでawscliの設定を行います

アクセスキー生成時に得られたAccess KeyとSecret Access Keyを入力します。
デフォルトリージョン名は、Textractが使えるap-south-1（アジアパシフィック ムンバイ）を指定します。
アウトプットフォーマットはjsonとします。

$ aws configure 
AWS Access Key ID [None]: XXXX
AWS Secret Access Key [None]: XXXX
Default region name [None]: ap-south-1
Default output format [None]: json

• リージョンとゾーン
• 設定ファイルと認証情報ファイルの設定

3．IAMのアクセス権限の追加からポリシー「AmazonTextractFullAccess」を追加します

4．anaconda promptを開き、Python 3.6環境を作成します。

$ conda create -n py36 python=3.6
$ conda activate py36

5．ライブラリをインストールします

$ pip install boto3
$ pip install opencv-python

6．下記のコードを実行してみましょう

import boto3
import cv2
import os.path

def process_text_analysis(image):
    client = boto3.client('textract')
    image_data = cv2.imencode(".png", image)[1].tostring()
    response = client.analyze_document(Document={'Bytes': image_data}, FeatureTypes=["TABLES", "FORMS"])
    blocks = response['Blocks']
    return blocks

def draw_blocks(image, blocks):
    height, width = image.shape[:2]
    draw = image.copy()
    for block in blocks:
        if block['BlockType'] == "WORD":
            vertices = [(int(width * block['Geometry']['Polygon'][i]['X']), int(height * block['Geometry']['Polygon'][i]['Y'])) for i in range(len(block['Geometry']['Polygon']))]
            cv2.putText(draw, block['Text'], vertices[0], cv2.FONT_HERSHEY_PLAIN, 1, (255, 255, 255), 1, cv2.LINE_AA)
            cv2.rectangle(draw, vertices[0], vertices[2], (0, 255, 0))
    return draw

filename = "338px-Atomist_quote_from_Democritus.png"
image = cv2.imread(filename, cv2.IMREAD_COLOR)

blocks = process_text_analysis(image)
print("Blocks detected: " + str(len(blocks)))

draw = draw_blocks(image, blocks)
cv2.imshow("draw", draw)
cv2.waitKey(0)

input	output

お疲れ様でした。