Amazon Textractってみた

Amazon Textractとは？

いわゆるOCRです。ではないです。
手書き文字などを抽出してくれますが以下にある通り単なるOCRにとどまらないとのこと！

Amazon Textract は、スキャンしたドキュメントからテキスト、手書き文字、およびデータを自動的に抽出する機械学習 (ML) サービスです。これは、単純な光学文字認識 (OCR) のレベルにとどまらず、フォームやラベルからデータを識別、理解、および抽出します

東京リージョンではまだ使えない

バージニア北部 us-east-1 を選択しました。

以下、Amazon Textracを試すをポチと

Amazon Textractのコンソール

既にサンプルドキュメントとその解析結果が表示されてます。
このサンプルで色々ポチポチすれば大体のイメージがつかめるかと。

自前のPDFをアップロード

日本語は対応していないということなので、SCSの証明書を投入！S3にアップロード後解析されます。
アップロード含め15秒くらいで解析完了しました。

手書き文字ではないので精度としてはばっちりです。
右下のValidation Numberのrの文字は黒塗りで欠けている感じなのですが、ちゃんと解析されてる・・

フォーム

Issue DateとExpiration Dateがフォームとして検出されました。

テーブル

特にテーブル形式のフォーマットがないため未検出です。

Human review

解析結果をAmazon Augmented AI（Amazon A2I）に接続し、実際の人間によるチェックを含めたワークフローを組み込めるようです。次回やってみます。

S3

PDFファイルがアップロードされてました。

結果のダウンロード

結果を以下のようにダウンロードもできます。

analyzeDocResponse.json

{
  "Bucket": "バケット名",
  "UploadedFileName": "ファイル名",
  "DocumentMetadata": {
    "Pages": 1
  },
  "JobStatus": "SUCCEEDED",
  "Blocks": [
    {
      "BlockType": "PAGE",
      "Geometry": {
        "BoundingBox": {
          "Width": 1,
          "Height": 1,
          "Left": 0,
          "Top": 0
        },
        "Polygon": [
          {
            "X": 9.462437987838284e-17,
            "Y": 0
          },
          {
            "X": 1,
            "Y": 1.5849613011084484e-16
          },
          {
            "X": 1,
            "Y": 1
          },
          {
            "X": 0,
            "Y": 1
          }
        ]
      },
      "Id": "3d8dffe0-4f33-4755-b303-9ed91b5899ab",
      "Relationships": [
        {
          "Type": "CHILD",
          "Ids": [
            "e949a008-c83e-4ba8-b7f7-7c3de6e33d92",
            "26ec328d-28e0-4afc-a348-d93845c06310",
            "ccf87815-0521-4b9b-8365-c786e6b3229d",
            "8c1188a0-ce3c-457c-9a22-ba3201f30be5",
            "4ccc0655-a718-46ae-8384-c9b85591f6d5",
            "10305887-c60e-42b1-a8d0-a3a87d401b79",
            "950de493-4120-4d44-9562-7ca6e7026951",
            "be47dabe-3ea2-4131-928f-668820ceb8d1",
            "fb8b4643-5c70-405e-894d-f6da24b68063",
            "cf985452-ab74-4995-8987-fe30f9886346",
            "ed5ca345-f5f9-4770-8a6b-ec7756d47f2a",
            "52220f94-5872-4f65-8df6-8fa546dfeca7",
            "9c0dd952-ef20-4a22-b605-4788fd351545",
            "96983254-9598-4b9c-8355-e35badd913e7",
            "7a004d37-96fc-4f32-acbb-74b4b007b8fc",
            "bb766919-f7cf-4326-97b3-8827ebe7d3e1"
          ]
        }
      ],
      "Page": 1,
      "childText": "aws certified has successfully completed the AWS Certification requirements and has achieved their: AWS Certified Security - Specialty Issue Date 2021-12-18 AWS Training and Certification Expiration Date 2024-12-18 Validation Number Validate at: https:/laws.amazon.com/verification ",
      "SearchKey": "aws certified has successfully completed the AWS Certification requirements and has achieved their: AWS Certified Security - Specialty Issue Date 2021-12-18 AWS Training and Certification Expiration Date 2024-12-18 Validation Number Validate at: https:/laws.amazon.com/verification "
    },
    {
      "BlockType": "LINE",
      "Confidence": 74.0015640258789,
      "Text": "aws",
      "Geometry": {
        "BoundingBox": {
          "Width": 0.13254089653491974,
          "Height": 0.05848681926727295,
          "Left": 0.2540280222892761,
          "Top": 0.20253263413906097
        },
        "Polygon": [
          {
            "X": 0.2540280222892761,
            "Y": 0.20253263413906097
          },
          {
            "X": 0.38656893372535706,
            "Y": 0.20253263413906097
          },
          {
            "X": 0.38656893372535706,
            "Y": 0.26101943850517273
          },
          {
            "X": 0.2540280222892761,
            "Y": 0.26101943850517273
          }
        ]
      },
      "Id": "e949a008-c83e-4ba8-b7f7-7c3de6e33d92",
      "Relationships": [
        {
          "Type": "CHILD",
          "Ids": [
            "e31937c1-afc3-4a8c-99d3-10a271f7f484"
          ]
        }
      ],
      "Page": 1,
      "childText": "aws ",
      "SearchKey": "aws"
    },
    {
      "BlockType": "LINE",
      "Confidence": 99.94499969482422,
      "Text": "certified",
      "Geometry": {
        "BoundingBox": {
          "Width": 0.2852284610271454,
          "Height": 0.08378611505031586,
          "Left": 0.45901256799697876,
          "Top": 0.17839643359184265
        },
        "Polygon": [
          {
            "X": 0.45901256799697876,
            "Y": 0.17839643359184265
          },
          {
            "X": 0.7442410588264465,
            "Y": 0.17839643359184265
          },
          {
            "X": 0.7442410588264465,
            "Y": 0.2621825337409973
          },
          {
            "X": 0.45901256799697876,
            "Y": 0.2621825337409973
          }
        ]
      },
      "Id": "26ec328d-28e0-4afc-a348-d93845c06310",
      "Relationships": [
        {
          "Type": "CHILD",
          "Ids": [
            "0a03a1c6-b394-4f4c-b959-421238f54786"
          ]
        }
      ],
      "Page": 1,
      "childText": "certified ",
      "SearchKey": "certified"
    }
    (略)
 ],
  "AnalyzeDocumentModelVersion": "1.0"
}

keyValues.csv

key,value
"Issue Date ","2021-12-18 "
"Expiration Date ","2024-12-18 "

rawText.txt

aws
certified
has successfully completed the AWS Certification
requirements and has achieved their:
AWS Certified Security - Specialty
Issue Date
2021-12-18
AWS Training and Certification
Expiration Date
2024-12-18
Validation Number
Validate at: https:/laws.amazon.com/verification

まとめ

日本語対応が待ち遠し
何かミスチル関連でTextractってみたいと思います。